张文静等：基于切面识别的房间隔缺损智能辅助诊断 1171 Input size: 224×224×3 Input First conv Input 市 4 Input:64 Denselayers DenseblockI Denselayerl Output:32 Transistion layer Input:64+32=96 Denselayer2 Output:32 Denselayers Denseblock2 Input:96+32=128 Denselayer3 Output:32 Transistion layer 巾 Denselayer4 Input:128+32=160 16 Denselayers Denseblock3 Output:32 t Transistion layer nput:160+32=192 Transistion layer 12 Denselayers Denseblock4 Classifier 图6网络结构及参数 Fig.6 Network structure and parameters 的原始超声心动图经过数据预处理最终获取的 卷积神经网络而言难度较大，从而难以获得比较 22162条超声心动图数据组成.测试集则由剩余 好的诊断性能.此外，结合了双边滤波后，模型的 的26名ASD患者与9名健康人组成.ASD-net与 ASD诊断准确率进一步提高了4.5%，同时假阴性 View-net各自分别进行模型训练，均使用贴有是否 率降低到2.8%，这是得益于双边滤波对噪声有效 为ASD患者与所属切面类别两个标签的训练数 平滑的同时保留了边界 据，采用Adam算法进行参数更新，用交叉嫡函数 作为损失函数.其中ASD-net的训练需要结合 表1ASD诊断测试结果 ASD diagnosis部分进行，并同时使用切面类别与 Table 1 Contrast among different models With bilateral Accuracy False negative False positive 是否为ASD患者两个标签 Model filtering % rate / rate/% 以用户为单位进行模型测试，根据最终模型 Resnet50-no Yes 86.7 2.8 55.6 view-net 给出的诊断结果与用户实际确诊的结果对比计算 Densenet121- Yes 86.7 13.9 11.1 出模型的诊断准确率.而查全率与查准率则通过 no view-net Densenet-with 对应于医学诊断中的假阴性率与假阳性率得以体 No 93.3 5.6 view-net 现，查全率高对应于假阴性率低，查准率高对应于 Densenet-with Yes 97.8 2.8 0 view-net 假阳性率低.模型的ASD诊断测试的结果如表1， 与未结合切面识别的模型相比，结合切面识别的 最后，为了验证影响模型诊断的关键区域与 ASD辅助诊断模型准确率提高了6.6%，这是因为 医学上进行ASD诊断所关注的房间隔区域相同， 所提的诊断模型架构通过将切面类别特征的提取 且诊断的标准与临床诊断标准一致，对测试数据 与诊断依据特征提取用两部分网络去进行，将分 房间隔处进行了遮挡实验.所得的实验结果如图7， 类任务细分，负责切面识别任务的网络只需要将 图中P(ASD)表示该超声心动图检出ASD的概率 不同切面的数据分隔开，而不需要去判断是否为 当输入为原始健康人数据时，诊断为ASD的概率 ASD数据，从而使得网络学习任务减轻；而另一部 均较小，由于从医学上来看A$D患者的超声心动 分负责诊断依据特征提取的网络则在有了切面类 图才会在房间隔处存在阴影，所以当将房间隔处 别这一信息后，能够更好地对提取到的图像特征 遮挡造成阴影时，诊断为ASD的概率明显增大 进行排列组合，从而可以更好地将ASD患者与健 该实验既验证了模型诊断所关注的区域确实是在 康人的超声心动图数据区分开来.但是仅仅通过 缺损区域，也说明了模型确实诊断的标准与临床 一个模型去直接学习这两种类别数据的区别对于 上保持一致的原始超声心动图经过数据预处理最终获取的 22162 条超声心动图数据组成. 测试集则由剩余 的 26 名 ASD 患者与 9 名健康人组成. ASD-net 与 View-net 各自分别进行模型训练，均使用贴有是否 为 ASD 患者与所属切面类别两个标签的训练数 据，采用 Adam 算法进行参数更新，用交叉熵函数 作为损失函数 . 其 中 ASD-net 的训练需要结 合 ASD diagnosis 部分进行，并同时使用切面类别与 是否为 ASD 患者两个标签. 以用户为单位进行模型测试，根据最终模型 给出的诊断结果与用户实际确诊的结果对比计算 出模型的诊断准确率. 而查全率与查准率则通过 对应于医学诊断中的假阴性率与假阳性率得以体 现，查全率高对应于假阴性率低，查准率高对应于 假阳性率低. 模型的 ASD 诊断测试的结果如表 1， 与未结合切面识别的模型相比，结合切面识别的 ASD 辅助诊断模型准确率提高了 6.6%，这是因为 所提的诊断模型架构通过将切面类别特征的提取 与诊断依据特征提取用两部分网络去进行，将分 类任务细分，负责切面识别任务的网络只需要将 不同切面的数据分隔开，而不需要去判断是否为 ASD 数据，从而使得网络学习任务减轻；而另一部 分负责诊断依据特征提取的网络则在有了切面类 别这一信息后，能够更好地对提取到的图像特征 进行排列组合，从而可以更好地将 ASD 患者与健 康人的超声心动图数据区分开来. 但是仅仅通过 一个模型去直接学习这两种类别数据的区别对于 卷积神经网络而言难度较大，从而难以获得比较 好的诊断性能. 此外，结合了双边滤波后，模型的 ASD 诊断准确率进一步提高了 4.5%，同时假阴性 率降低到 2.8%，这是得益于双边滤波对噪声有效 平滑的同时保留了边界. 表 1  ASD 诊断测试结果 Table 1   Contrast among different models Model With bilateral filtering Accuracy / % False negative rate / % False positive rate / % Resnet50‒no view-net Yes 86.7 2.8 55.6 Densenet121‒ no view-net Yes 86.7 13.9 11.1 Densenet‒with view-net No 93.3 5.6 11 Densenet‒with view-net Yes 97.8 2.8 0 最后，为了验证影响模型诊断的关键区域与 医学上进行 ASD 诊断所关注的房间隔区域相同， 且诊断的标准与临床诊断标准一致，对测试数据 房间隔处进行了遮挡实验. 所得的实验结果如图 7， 图中 P(ASD) 表示该超声心动图检出 ASD 的概率 当输入为原始健康人数据时，诊断为 ASD 的概率 均较小，由于从医学上来看 ASD 患者的超声心动 图才会在房间隔处存在阴影，所以当将房间隔处 遮挡造成阴影时，诊断为 ASD 的概率明显增大. 该实验既验证了模型诊断所关注的区域确实是在 缺损区域，也说明了模型确实诊断的标准与临床 上保持一致. Input Input size: 224×224×3 Input: 64 Output: 32 Input: 64+32=96 Output: 32 Input: 96+32=128 Output: 32 Input: 128+32=160 Output: 32 Input: 160+32=192 4 Denselayers 8 Denselayers 16 Denselayers 12 Denselayers First conv Transistion layer Denseblock2 Denseblock3 Denseblock4 Transistion layer Transistion layer Transistion layer Classifier Denseblock1 Denselayer1 Denselayer2 Denselayer3 Denselayer4 Input 图 6    网络结构及参数 Fig.6    Network structure and parameters 张文静等： 基于切面识别的房间隔缺损智能辅助诊断 · 1171 ·