APP下载

基于迁移学习策略的肝纤维化分期诊断方法

2021-06-01翟岳仙宋家琳

电子科技 2021年6期
关键词:分类特征模型

翟岳仙,刘 翔,宋家琳

(1.上海工程技术大学 电子电气工程学院,上海 201620;2.中国人民解放军第二军医大学 长征医院超声诊疗科,上海 200003)

肝纤维化是肝脏内结缔组织增生异常的病理过程,由各种致病因子诱发[1]。肝脏损伤修复过程中均会发生肝纤维化。纤维化持续发展将会导致具有弥漫性损害的肝硬化,进而诱发肝癌等严重疾病。对肝纤维化疾病的诊断常用方法有肝活检、血清检查和影像学检查。肝活检被称作“金标准”,但其作为一种有创性检查易引起出血、昏厥等并发症。血清检查则缺乏特异性且检测效率过低。影像学检查方法中,CT(Computed Tomography)具有放射性损害;MRI(Magnetic Resonance Imaging)无法实现实时动态检查且成本较高。近年来,随着超声技术的发展,其在大规模筛查和随访诊断中具有明显的优势,且具有无损、无电离辐射等优点,尤其适合肝纤维化这种弥漫性疾病的诊断。

对于医学影像的分析,主要采用人工解读的方式,依赖于医生的主观经验和知识水准,易导致主观误判,且诊断效率较低。随着人工智能技术的发展,计算机辅助诊断的优势得以体现。通过对医学影像大数据的自主学习,可最大程度地获取医生的经验。这种对医学图像的量化分析方式,避免了主观因素的影响。同时,计算机辅助诊断系统也可以部署在不同地区,以解决医疗资源分布不均的难题。

肝纤维化的计算机辅助诊断方法已经有诸多研究。文献[2]依据高频超声图像下的肝表面形态特征,采用计算机辅助打分的方式进行肝纤维化诊断,得到重度肝纤维化的诊断敏感度为89.0%,特异度为61.0%。……

登录APP查看全文

猜你喜欢

分类特征模型
一半模型
分类算一算
重尾非线性自回归模型自加权M-估计的渐近分布
如何表达“特征”
不忠诚的四个特征
教你一招:数的分类
3D打印中的模型分割与打包
线性代数的应用特征