期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究
被引量：
3
1
作者
黄坚
余卓
+2 位作者
徐璐
周海春
俞刚
《磁共振成像》
CAS
CSCD
北大核心
2023年第1期54-60,共7页
目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎...
目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎患儿577例,非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks(SE-ResNet)模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks(CBAM-ResNet)、Mobile Networks(MobileNet)、Residual Networks(ResNet)、Shuffle Networks(ShuffleNet)模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上,而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上,CBAM-ResNet具有最高的准确率73.91%,ResNet具有最高的召回率75.45%,但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平,并且取得最好的F1得分和曲线下面积(area under the curve,AUC)值:准确率为70.83%,召回率为72.73%,AUC为0.77,F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的,本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。
展开更多
关键词
儿童疾病
病毒性脑炎
磁共振成像
SE-ResNet
深度学习
分类模型
早期诊断
在线阅读
下载PDF
职称材料
题名
基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究
被引量：
3
1
作者
黄坚
余卓
徐璐
周海春
俞刚
机构
浙江大学医学院附属儿童医院数据信息部
浙江-芬兰儿童健康人工智能联合实验室
慧
影
医疗
科技
(
北京
)
股份有限公司
科研部
浙江大学医学院附属儿童医院神经内科
浙江大学医学院附属儿童医院放射科
出处
《磁共振成像》
CAS
CSCD
北大核心
2023年第1期54-60,共7页
基金
国家重点研发计划(编号:2019YFE0126200)
国家自然科学基金面上项目(编号:62076218)。
文摘
目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎患儿577例,非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks(SE-ResNet)模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks(CBAM-ResNet)、Mobile Networks(MobileNet)、Residual Networks(ResNet)、Shuffle Networks(ShuffleNet)模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上,而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上,CBAM-ResNet具有最高的准确率73.91%,ResNet具有最高的召回率75.45%,但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平,并且取得最好的F1得分和曲线下面积(area under the curve,AUC)值:准确率为70.83%,召回率为72.73%,AUC为0.77,F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的,本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。
关键词
儿童疾病
病毒性脑炎
磁共振成像
SE-ResNet
深度学习
分类模型
早期诊断
Keywords
childhood diseases
viral encephalitis
magnetic resonance imaging
Squeeze-and-Excitation Residual Networks
deep learning
classification models
early diagnosis
分类号
R445.2 [医药卫生—影像医学与核医学]
R725.1 [医药卫生—儿科]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究
黄坚
余卓
徐璐
周海春
俞刚
《磁共振成像》
CAS
CSCD
北大核心
2023
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
