肝病的超声图像混合分类：深度卷积神经网络方法（20字）

医学信息学解锁22（2021）100496超声图像中弥漫性肝脏疾病的混合分类深度卷积神经网络Pezhman Pasyara，b，Tahereh Mahmoudia， b，Seyedeh-Zahra MousaviKouzehkanan c， Alireza Ahmadiana，b，*，Hossein Arabalibeika，b，NahidSoltanian d，Amir Reza Radmard da伊朗德黑兰德黑兰医科大学生物医学系统医学物理系b生物医学技术和机器人技术研究中心，德黑兰医科大学，伊朗c伊朗德黑兰德黑兰大学工程系d伊朗德黑兰德黑兰医科大学Shariati医院放射科A R T I C L EI N FO保留字：深度卷积神经网络混合分类器超声肝脏图像A B S T R A C T尽管肝活检被认为是检测弥漫性肝病的金标准，但它是一种具有许多副作用的侵入性方法。使用超声成像进行弥漫性肝脏诊断可能会受到医生主观性的影响。因此，肝脏疾病的准确分类仍然是一个显着的需求。在这项研究中，为了对肝脏状态进行分类，提出了一种由预训练的深度卷积神经网络（CNN）组成的新型深度分类器。使用了几个网络，即ResNeXt，ResNet18，ResNet34，ResNet50和AlexNet，它们与全连接网络（FCN）连接。使用迁移学习的深度特征可以提供足够的分类信息。然后，FCN可以将图像放入疾病的不同状态，即正常肝脏，肝炎和肝硬化。两类（正常/肝硬化，正常/肝炎，和肝硬化/肝炎）和三类（正常/肝硬化/肝炎）分类器进行训练，以区分这些肝脏图像。由于两类分类器表现出更好的性能相比，三类分类器，提出了一种混合分类器，以集成的加权概率的类别，通过每个单独的分类器。然后，采用多数投票策略来选择具有较高得分的类。实验结果表明，使用ResNet50与混合分类器的准确率为86.4%的肝脏图像分为三类。对正常肝与肝硬化、正常肝与肝炎的鉴别，前者的敏感性为90.9%，特异性为86.4%，后者的敏感性为90.9%，特异性为81.8%。1. 介绍与其他主要疾病相比，在全球范围内，由于肝病导致的死亡人数有所增加。这是因为最常见的肝病在早期阶段不会引起任何症状。因此，为了提供最佳的个体治疗计划，对每位患者进行准确的前瞻性诊断至关重要。肝硬化是一种进行性和不可逆的疾病，它导致肝脏中瘢痕组织的形成，并使发展为肝癌或肝细胞癌（HCC）的机会最大化。 肝癌是最常见的原发性肝癌类型。肝细胞癌最常发生在慢性肝病患者中，如乙型肝炎或丙型肝炎感染引起的肝硬化[1]。作为一种常规方法，肝活检偶尔被推荐用于评估肝脏状况，并帮助医生决定对患者的最佳治疗。然而，它不仅非常昂贵且不受患者欢迎，而且被认为是一种高风险和侵入性手术[2]。因此，特别是在肝病的早期阶段连续无创监测方法的可用性可以挽救许多患者，并降低他们的治疗成本。超声提供了一种廉价、安全和非侵入性的成像方法，与其他模态相比，它具有移动性和实时性[3]。由于数字技术的最新发展，它是一种普遍的方法，多年来在临床实践中被广泛采用，以诊断或干预特别患有以下疾病的患者的疾病治疗过程：* 通讯作者。德黑兰医科大学生物医学系统医学物理系，Keshavarz Blvd，德黑兰，伊朗。&电子邮件地址：ahmadian@sina.tums.ac.ir（A.Ahmadian）。https://doi.org/10.1016/j.imu.2020.100496接收日期：2020年8月30日;接收日期：2020年12月4日;接受日期：2020年12月4日2020年12月10日网上发售2352-9148/© 2020作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuP. Pasyar等人医学信息学解锁22（2021）1004962第十条Zj我的朋Zj慢性肝病[4]。尽管具有上述优势，但基于超声的成像涉及一些不可忽视的限制。首先，医生的技能和超声知识可能会影响随后对结果的解释和评估。特别地，即使是受过训练的人也可能发现对肥胖患者的数据进行视觉检查是困难的。其次，需要更细致地研究基于超声的成像方法的诊断能力，并与其他成像方式进行比较，例如计算机断层扫描（CT），磁共振成像（MRI）和弹性成像[4]。为了应对这些挑战，计算机辅助诊断和智能方法开始发挥作用，帮助医生和放射科医生提出更准确和客观的评估或诊断。使用超声图像进行肝脏疾病诊断的主要研究如下：Mojsilovi等人[5]利用B扫描肝脏图像的小波变换来表征弥漫性疾病。Ogawac等人[6]利用一些图像特征来区分肝脏的状态。Yeh等人[7]将小波分解和灰度共生矩阵应用于B型超声图像，使用支持向量机（SVM）算法进行肝纤维化分级分类。吴春明等[8]利用纹理特征和贝叶斯分类器对正常肝脏、肝炎和肝硬化进行分类，正确分类率达到90.00%。Lei等人[9]在超声图像的肝硬化识别中应用了基于局部二值模式（LBP）、Gabor变换和K-SVD的字典学习方法的融合。Chen Fei等人[10]提取了正常肝脏、肝硬化和肝癌识别的统计和分形特征，三类分类准确率分别为93.33%、90.00%和89.67%。K. Mala等人[11]使用概率神经网络（PNN）提取多分辨率统计纹理特征，以区分计算机断层扫描（CT）图像中的肝硬化和脂肪肝，灵敏度为96.00%，特异性为94.00%。在我们的同事以前的研究中[12]，利用Gabor小波变换和统计矩，提出了一种将超声图像中的弥漫性肝病分类为正常、肝硬化和肝炎的方案，为了达到85%的灵敏度，在正常和对肝炎肝图像的鉴别率为86%，对正常肝与肝硬化肝图像的鉴别率为86%。最近，深度学习（机器学习的一个分支）由于能够从原始数据中自动提取特征而受到广泛关注[13]。深度学习具有处理涉及多个任务的超声图像的潜力，例如分类、对象检测和器官分割[4]。目前深度学习在不同解剖结构的医学超声分析中的应用，按已发表报告的数量排序，包括胎儿[14[23]、骨[24]、颈动脉[25]、血管内[26]、淋巴[27]、肌肉[28]和肾脏[29]。各种类型的深度堆叠网络架构，例如卷积神经网络、深度信念网络、全卷积网络、多网络架构的混合、递归神经网络和自动编码器，已用于医学超声分析中的深度学习[4]。本研究旨在研究是否可以使用深度学习技术基于动态超声图像对肝脏状态（正常、肝炎和肝硬化）进行分类。 为此，两个-分类（正常/肝硬化、正常/肝炎和肝硬化/肝炎）和2. 材料和方法2.1. 培训数据采集和调整在这项研究中，共216图像（72正常，72肝炎，72肝硬化）确定通过肝活检。这些图像由Toshiba Sonolayer SSA250A设备使用3.75MHz换能器拍摄。为了执行超声肝脏图像分类任务，由有经验的放射科医生对输入图像进行从原始图像手动裁剪肝脏为了保持横向和轴向方向的分辨率和纵横比，在将图像呈现给网络之前，从预期肝脏区域提取方形窗口。以包含肝组织的主要部分的方式选择感兴趣区域此外，将使用增强获得更多超声图像病例，如以下章节所 图 1显示了用于分类的一些图像。2.2. 图像增广数据增强防止网络过拟合和记忆训练图像的确切细节，而不是提取数据背后的逻辑[4，31]。增强还增加了网络对图像数据失真的鲁棒性。例如，可以将随机旋转添加到训练输入中，以使经过训练的网络对输入图像的旋转保持不变。我们对每个预处理图像应用（1）2-PIXEL水平和垂直平移，并使用零填充，以及（2）左右和上下翻转，如图2所示。这向原始数据集（由216个图像组成）添加了1296个进一步的图像（增强图像）。2.3. 深度神经网络架构使用具有Intel Core i7-6700 K 4.00-GHz中央处理单元、32 GB随机存取存储器和NVIDIA GeForce GTX 1080图形处理单元的计算机来使用PyTorch库在Python中实现深度神经网络架构 我们设计的卷积深度神经网络（CDNN）如图所示。3.第三章。总之，将在前面部分中讨论的最终调整的超声图像馈送到CDNN中，其中最大池化层通过将输入划分为矩形池化区域并计算每个区域的最大值来执行下采样。换句话说，这些池化层减少了要学习的参数的数量，从而防止过拟合。接下来，针对每个输入超声图像返回单个值作为输出。在整个训练过程中，在每次迭代中执行通过网络的向前和向后传递。在向前传递中，每一层都应用其激活函数 到前一层的输出以生成新的输出。假设一个层将X1，然后，在前向传递结束时计算真实目标T和预测Y之间的损失函数L。在向后传递期间，每一层使用损失相对于该层的输出的导数来计算损失L相对于其输入和权重的导数。为了计算损失的导数，可以使用链式法则三级（正常/肝硬化/肝炎）分类器被训练用于诊断，使肝脏图像模糊。 然后提出了一种混合分类器，i=1，J对每个类获得的加权概率进行积分，分类器，并使用多数投票策略选择类=1，本文的组织如下：在第二部分，我们介绍了数据以及数据处理和分类所采用的研究程序L=∑i=1，在第3节中，我们给出了所获得的结果。第4节提供了一些第5节讨论了结果，最后得出结论。=1，初始权重具有均值为0的高斯分布JP. Pasyar等人医学信息学解锁22（2021）1004963（==）Fig. 1. 用于分类任务的肝脏超声图像的一些示例：（a、b和c）原始和裁剪的正常图像，（d、e和f）原始和裁剪的肝硬化图像，（g、h和i）原始和裁剪的肝炎图像。图二. EX a）零填充平移，b和c）垂直和水平翻转的示例。标准偏差为0.01（Nμ0，σ2 1）。初始偏差值为0。我们使用了Adam（来自自适应矩估计）[30]更新网络参数（权重和偏差）并最小化损失函数的算法梯度下降算法对所有参数使用单个学习率而Adam优化算法通过使用自动适应被优化的损失函数的学习率来改进网络训练。它使用了一个附加的动量项和一个元素移动平均策略：ml=β1ml-1+（1-β1）ΔE（θl）v2=β2vl-1+（1-β2）[ΔE（θl）]2其中l是迭代次数，θ是参数向量，E（θ）是损失函数，β1和β2是衰减率。Adam使用移动平均值更新网络参数：θl1=θl-αml除以零。Rectified Linear Unit（ReLU）层已被用作卷积深度神经网络中的激活函数。它对输入的每个元素执行阈值操作，其中任何小于零的值都设置为零。此外，批量归一化层已被用于跨小批量归一化每个层的输入，并在降低对网络初始化的敏感性的同时加快训练。0.0001通过试验和错误被选为学习率。卷积神经网络学习检测第一个卷积层中的颜色和边缘等特征。在更深的卷积层中，网络通过组合在早期层中提取的特征来学习检测更复杂的特征。2.4. 迁移学习迁移学习通常在深度学习应用中进行。预先训练的网络可以作为学习新任务的起点。与使用迁移学习对网络进行微调相比，使用随机初始化的权重从头开始训练网络通常要慢得多，也更困难，特别是对于图像数量较少的情况[31]。预训练的图像分类网络，如AlexNet [32]，VGGNet [33]，ResNet [34]和ResNeXt [35]已经学习了适合各种图像的丰富特征表示。这些网络是在ImageNet数据库（ILSVRC）的一个子集上训练的[36]，该数据库包含100多万张图像，分属1000个对象类别。我们使用这些网络进行迁移学习。这些预训练网络的最后一层配置为1000个类。因此，必须为预期的分类任务对它们进行重新塑造和微调。我们将这些网络的最后一层替换为设计的完全一致的网络，连接的网络（FCNs）图中所示。四、2.5. 混合分类器+vl+ε其中，α>0是学习率，而α是一个小常数，在这项研究中，四个分类器被训练用于正常、肝硬化和肝炎肝脏图像的分类。前三个分类器图三. 我们设计的CDNN的结构。输入图像通过一个具有3× 3滤波器的三个卷积层的网络。然后用分别具有2000、500和3（类数）个隐藏神经元的三个完全连接层处理P. Pasyar等人医学信息学解锁22（2021）1004964===图四、 我们设计的全连接网络的架构，连接到预先训练的 网络。用于区分正常/肝硬化、正常/肝炎、肝硬化/肝炎，最后一个用于将超声肝脏图像分为三类肝脏疾病，即正常/肝硬化/肝炎。这些分类的结果表明，两类分类器的性能优于三类分类器， 以提供足够的分级能力。为了解决这个问题，提出了一个由所有训练分类器组成的混合分类器[37，38]为了实现这一点，在每个分类器中使用softmax输出层，为每个输入数据的所有类别分配概率。从所有分类器获得的加权概率用于将最终类别标签分配给样本。为了确定每个分类器输出的适当权重，我们使用网格搜索，其中权重从0到1变化，步长为0.125，并根据分类性能选择最佳配置。最后，为了归一化权重，将每个最优权重除以权重的总和。所解释的方法的概述如图所示。 五、3. 实验结果本节介绍了基于动态超声图像并使用深度学习技术评估三种肝脏状态（即正常、肝炎和肝硬化）的分类性能的结果。这项研究包括216个超声检查（72个正常肝脏超声图像，72个肝炎图像和72个肝硬化图像），每个图像根据活检标本分为三类。我们将数据随机分为训练集（70%）和验证集（30%）。图6绘制了使用修改后的FCN的ResNet50的训练进度的示例，使用原始数据集的70%以及用于训练的增强，以及30%的未增强的验证。当我们为深度学习训练网络时，监控训练进度通常很有用。作为一个例子，我们可以确定网络精度提高的速度，以及网络是否陷入局部最小值或开始过拟合训练数据在肝脏图像分为三类的分类中，从头开始训练所提出的CDNN导致59.09% 的 准 确 率 。 一 些 已 知 的 网 络 ， 即 ResNet50 、 ResNext 、ResNet18、ResNet34和AlexNet对于三类分类的诊断性能在表2的第2列中示出，并且使用上述网络的两类分类器的相关诊断结果在表1中示出。图7显示了基于使用ResNet 50在正常/肝硬化、正常/肝炎和肝硬化/肝炎之间进行的区分的混淆矩阵。混合分类器的实验结果也显示在表2为了评价诊断结果，我们使用了灵敏度TPTP+FN特异性TNTN+FP准确度TP+TNTP+TN+FP+FN为了确保由手动裁剪肝脏区域产生的不规则多边形不会影响分类结果和学习过程，这些区域被分割为二值图像中的对象并被馈送到网络。图8示出了这些二进制图像的一些示例。图9示出了用于对上述二值图像进行分类以检查手动不规则裁剪图案对肝脏状态检测结果的影响的学习进度。这个数字包括训练精度、平滑训练精度和验证精度。4. 讨论通过我们使用深度神经网络模型进行的实验，我们能够将超声肝脏图像分类为正常，肝炎和肝硬化。值得注意的是，结果清楚地表明，图五、 混合分类器的框图。P. Pasyar等人医学信息学解锁22（2021）1004965见图6。使用ResNet50和设计的FCN从动态超声图像中对肝脏状态（正常、肝炎和肝硬化）进行分类的培训和测试进展。70%的增强原始数据集用于训练，30%的未增强数据集用于验证。表1诊断结果用于区分正常与肝硬化、正常与肝炎、肝硬化与肝炎。特征可以有效地用于分类任务并且包含丰富的信息。根据这些结果，由于样本量小，从头开始训练CDNN网络是不可行的。然而，为了从肝脏图像中提取丰富的特征，可以将预训练的网络作为起点。事实上，重新训练最终的全连接层使分类阶段适应于手，并大大促进了结果表1显示，ResNextResNet34表2肝硬化/肝炎肝硬化/肝炎所检查的网络在将肝脏图像分类为两类方面具有相对较高的性能。而三级分类并没有达到预期的准确程度。关于敏感性标准，特别地，ResNet50在两类分类中具有更好的性能。 在肝硬化和肝炎之间的区分中，ResNeXt和ResNet18显示出93.2%的准确性，两种网络的灵敏度均为90.9%。根据从三级分类获得的结果，使用ResNeXt的最高准确度为80.3%，这不是所期望的程度。将这些结果与两类分类器的结果进行比较，作者决定组合分类器。为此，提出了一种混合分类器的多数投票策略，用于整合每个单独分类器获得的预测使用混合分类器之前和之后，将超声肝脏图像分类为正常、肝炎和肝硬化的不同网络的诊断性能。表2显示了使用和不使用混合分类器的结果。从实验结果可以看出，混合分类器可以提高最终的分类精度。使用混合分类器的ResNet50显示了肝脏图像三级判别率为86.4%以确保模型精度仅为三级分类器混合分类器的准确性（我们的方法）人工裁剪为不规则多边形的肝脏区域不干扰分类结果和学习过程，这些区域被分割为二进制对象并被馈送到网络中。如图9所示，网络在这些模式中找不到任何有贡献的节点。为了在分类性能和以前的作品之间进行公平的比较，使用相同的数据集是必要的。 由于大多数以前的研究仅仅区分了以下几类正常肝与肝硬化、肝炎或脂肪肝，图7.第一次会议。 用于区分ResNet50 + FCN 的a）正常和肝硬化，b）正常和肝炎，c）肝硬化和肝炎的混淆矩阵。模型组精度灵敏度特异性Resnet 50正常/肝硬化百分之八十八点六百分之九十点九百分之八十六点四正常/肝炎百分之八十六点四百分之九十点九百分之八十一点八百分之八十八点六百分百百分之七十七点三正常/肝硬化百分之七十九点五百分之八十六点四百分之七十二点七正常/肝炎百分之八十八点六百分之八十六点三百分之九十点九肝硬化/肝炎百分之九十三点二百分之九十点九百分之九十五点四ResNet 18正常/肝硬化百分之八十八点六百分之九十点九百分之八十六点三正常/肝炎84.0%百分之七十七点二百分之九十点九百分之九十三点二百分之九十点九百分之九十五点四正常/肝硬化百分之七十九点五百分之八十一点八百分之七十七点二ResNet50 78.8%百分之八十六点四ResNeXt 80.3%百分之八十四点八ResNet18 74.2%百分之八十一点八ResNet34 74.2%百分之七十七点三AlexNet 74.2%百分之七十八点三P. Pasyar等人医学信息学解锁22（2021）1004966图8.第八条。肝脏区 域的 二值图像的 一 些 示 例 。图9.第九条。 使用所提出的网络在训练集（70%）和验证集（30%）上训练和测试二值图像分类的准确性。表1可用于比较这方面的性能。从数量上看，这些结果与Ahmadian等人[12]的结果相当，后者报告了区分正常和肝硬化的灵敏度和特异性分别约为86%和79%。此外，对于正常和肝炎之间的区别，他们报告这些值约为85%和77%。总的来说，我们的结果代表了更好的分类性能相比，他们的研究，其中一个关键的小区域的兴趣应该已经选择了一个训练有素的医生。然而，在我们的研究中，一个更大的组织区域， 使用肝脏图像，并且这导致更鲁棒和更少主观的结果。所提出的方法的适用性目的的性能应使用大型数据集进行测试。图7的混淆矩阵提供了对所提出的模型的优点和缺点的更好理解。在每个矩阵的第二行呈现的阴性预测值是指模型对正常情况的预测能力。与相关PPV相比，较高的NPV表明该模型可用于筛查而非诊断。本研究的主要局限性在于样本量小。对于未来的更多研究，访问大型数据集以及将深度特征与纹理特征融合在一起可以获得更准确的结果。5. 结论对现有的深度卷积神经网络（如ResNeXt、ResNet18、ResNet34、ResNet50和AlexNet）进行微调，可用于在小型医疗数据集上构建有效的分类器。在这项研究中，提出了一个新的框架，正常，肝硬化和肝炎肝脏图像的混合分类的基础上。两类（正常/肝硬化，正常/肝炎，和肝硬化/肝炎）和三类（正常/肝硬化/肝炎）分类器进行训练，以区分这些肝脏图像。由于两类分类器表现出更好的性能相比，三类分类器，提出了一种混合分类器，以便整合的加权概率的类通过每个单独的分类器。然后，采用多数投票策略来选择具有较高得分的类。为了提高结果的性能和鲁棒性，需要进一步调整CNN并使用更大的数据集。竞合利益作者声明，他们没有已知的可能影响本文所报告工作确认我们感谢来自德黑兰医科大学（TUMS）和生物医学技术和机器人研究中心（RCBTR）的同事，他们提供的见解和专业知识极大地帮助了这项研究。引用[1] [10] Degos F，Christidis C，Ganne-Carrie N，FarmachidiJ，Degott C，Guettier C，et al. 丙型肝炎病毒相关肝硬化：至发生肝细胞癌和死亡的时间Gut 2000;47（1）：131-6.[2] 放大图片创作者：J.法国肝活检的实践：一项前瞻性全国调查的结果。肝病学2000;32（3）：477-81。[3] Reddy UM，Filly RA，Copel JA.产前影像学：超声波检查和磁共振成像。妇产科2008;112（1）：145-57。[4] Liu S，Wang Y，Yang X，Lei B，Liu L，Li SX，et al. Deep learning inmedicalultrasound analysis：a review. 工程2019年4月1日;5（2）：261-75。[5] [10]杨文，李文，李文.使用不可分离小波变换从B扫描肝脏图像表征视觉上相似的弥漫性疾病。 IEEE Trans Med Imag 1998年8月;17（4）：541-9。[6] 杨文忠，王文忠，王文忠.基于神经网络的弥漫性肝病超声诊断系统。 IEEE TransNucl Sci1998 Dec;45（6）：3069-74.[7] 叶伟文，黄世文，李鹏。B超肝纤维化分级。超声医学生物学2003年9月1日;29（9）：1229-35。[8] 吴建民，陈永春，谢国祥。超声肝脏图像分类的纹理特征。 IEEE Trans MedImag 1992 Jun;11（2）：141-52.[9] 雷毅，赵X，王刚，于凯，郭伟。一种基于改进LBP算法和字典学习的肝硬化识别新方法。Biomed Signal Process Contr2017年9月1日;38：281-92。[10] Chen F.基于BP神经网络的超声肝脏图像识别。网络与信息技术2007;26（8）：4344.[11] Mala K，Sadasivam V，Alagappan S.基于神经网络的CT图像纹理分析在脂肪肝和肝硬化分类中的应用Appl Soft Comput 2015年7月1日;32：80-6。[12] Ahmadian A，Mostafa A，Abolhassani MD，Salimpour Y.基于Gabor小波的弥漫性肝病纹理分类方法。2005年IEEE医学与生物工程第27届年会。IEEE; 2006年1月17日。 p. 1567-70年。P. Pasyar等人医学信息学解锁22（2021）1004967[13] 孟丹，张玲，曹刚，曹伟，张刚，胡波.基于迁移学习和FCNet的超声图像肝纤维化分类ICP-Access 2017年3月30日;5：5804-10。[14] Yaqub M，Kelly B，Papageorghiou AT，Noble JA.使用临床标准约束的自动胎儿神经超声诊断平面验证的深度学习解决方案。超声医学生物学2017年12月1日;43（12）：2925-33。[15] 黄W，桥CP，诺布尔JA，Zisserman A.时间HeartNet：胎儿心脏筛查视频的人类水平自动分析。在：在医学图像计算和计算机辅助干预国际会议。Cham：Springer; 2017.p. 341- 9[16] 高扬，贵族JA。用弱监督双流卷积网络在徒手超声扫描中检测和表征胎儿心跳。2017年9月10日医学图像计算和计算机辅助干预国际会议（第10305-313）。施普林格山[17] [10]李晓，李晓.边缘空间深度学习：用于体积图像数据检测的高效架构。2015年10月5日在医学图像计算和计算机辅助干预国际会议上（pp.710-718）。施普林格山[18] 杨文，李文，李文，李文.全乳房体积超声扫描仪上肿块的自动检测：使用深度卷积神经网络减少假阳性。医学影像2017;10134：101342 S。计算机辅助诊断2017年 3 月 3日[19] 施军，周松，刘翔，张清，陆明，王涛.基于堆栈深度多项式网络的表示学习，用于小超声图像数据集的肿瘤分类。神经计算2016年6月19日;194：87-94。[20] 马军，吴芳，姜塔，朱军，孔丹.级联卷积神经网络用于超声图像中甲状腺结节的自动检测。医学物理2017年5月;44（5）：1678-91。[21] 吴 克 ， 陈 X， 丁 明 .基 于 深 度 学 习 的超 声 造 影 肝 脏 局 灶 性 病 变 分 类。 Optik-International Journal for Light and ElectronOptics 2014 Aug 1;125（15）：4057-63.[22] Sombune P，Phienphanich P，Muenchpanpaisal S，Muengtaweepongsa S，Ruamthanthong A，Tantihit C.使用深度卷积神经网络的自动栓塞信号检测。2017年第39届IEEE医学与生物工程学会（EMBC）国际年会。IEEE; 2017年7月11日。p. 3365- 8[23] [10]杨文，杨文. SLIDE：使用深度卷积神经网络的自动脊柱水平识别系统。国际计算机辅助放射学和外科杂志2017年7月1日;12（7）：1189-98。[24] [10]张晓刚，王晓刚.使用深度卷积神经网络完全自动化Graf的DDH诊断方法。InDeep医疗应用的学习和数据标签2016年10月21日：130[25] LekadirK，GalimzianovaA，A`Betriu，del MarVilaM，IgualL， RubinDL，Fern'andezE，RadevaP，NapelS. 卷积神经网络用于颈动脉超声中斑块成分的自动表征。IEEE生物医学和健康信息学杂志2016年11月22日;21（1）：48-55。[26] Smistad E，Løvstakken L.使用深度卷积神经网络进行超声图像中的血管检测。InDeep Learning and Data Labeling for MedicalApplications 2016 Oct 21：30-8[Springer，Cham].[27] 张勇，应明通，杨丽，阿胡加，陈德忠。用于超声图像中淋巴结分割的从粗到细堆叠的全卷积网络。2016 IEEEInternational Conference on Bioinformatics andBiomedicine（BIBM）. IEEE;2016年12月15日。p. 443- 8[28] Burlina P，Billings S，Joshi N，AlbaydaJ.从肌肉超声自动诊断肌炎：探索机器学习和深度学习方法的使用。 PloS One 2017年8月30日;12（8）：e0184059。[29] Ravishankar H，Venkataramani R，Thiruvenkadam S，Sudhakar P，Vaidya V.学习和整合形状模型进行语义分割。2017年9月10日医学图像计算和计算机辅助干预国际会议（第10203-211）。施普林格山[30] KingmaDP，Ba J. 亚当：一种随机优化方法。2014年。 arXiv预印本arXiv：1412.6980。[31] Bengio Y，Courville A，Vincent P. Representation Learning：A Review andNewPerspectives. IEEE Trans Pattern Anal Mach Intell 2013 Mar 7;35（8）：1798-828.[32] Krizhevsky A，Sutskever I，Hinton GE.使用深度卷积神经网络进行图像网分类。神经信息处理系统进展2012：1097-105。[33] Simonyan K，Zisserman A.用于大规模图像识别的极深卷积网络。2014. arXiv预印本arXiv：1409.1556。[34] 何克，张X，任S，孙杰，深度残差学习图像识别。IEEE计算机视觉与模式识别会议，第90卷。CVPR;2016.[35] 谢S，Girshick R，Dollar P，Tu Zh，He K.深度神经网络的聚合残差变换。IEEE计算机视觉与模式识别会议。CVPR; 2017年11月 16日。[36] Russakovsky O，DengJ，Su H，Krause J，Satheesh S，Ma S，Huang Z，Karpathy A，Khosla A，Bernstein M，Berg AC. 图像网大规模视觉识别挑战。Int J Comput Vis 2015年12月1日;115（3）：211-52。[37] HongJ，Cho S.一对一的概率多类策略支持向量机用于癌症分类。 Journal ofNeurocomputing 2008;24：3275-81.[38] W o'zniakM，Gr andanaM，CorchadoE. 作为混合系统的多分类器系统综述。 2013年4月25日，Inf Fusion。