U-Net技术诊断心脏肥大和精确定位-医学信息学论文摘要

�医学信息学解锁19（2020）100306U-NET对心脏肥大的诊断和精确定位Abdelilah Bouslama*，Yassin Laaziz，Abdelhak TaliAbdelmalek Essaadi大学，LabTIC，ENSA，摩洛哥A R T I C L EI N FO保留字：CXR心脏肥大CNNAHEU-NetA B S T R A C T本研究考察了一种端到端技术，该技术使用基于检测心脏肥大疾病的架构。学习阶段通过使用从“ChestX-ray 8“开源医学数据集提取的采用自适应直方图均衡化（AHE）方法增强原始图像的对比度和亮度。后者被压缩然后进行训练阶段以优化计算时间。通过这种方法，我们获得了大于93%的诊断准确率，这优于已发表的识别心脏肥大疾病的结果。此外，使用U-Net，可以精确定位心脏肥大，这在以前的工作中是不可能的1. 介绍X射线照相术是可用于检测和诊断许多疾病的最简单和最常用的技术之一。因此，世界各地的医院档案馆每天都会生成和存储大量的放射线图像和报告。这些档案是一个重要和宝贵的信息来源，由于缺乏 图像分析过程的自动化手段。解决这个问题并为这些档案提供附加值的解决方案之一在于使用人工智能，特别是深度学习技术，这些技术已经证明了它们在对象检测[1]和图像分割[2]方面的有效性。在这些技术中，卷积神经网络（CNN）在计算机视觉和机器学习方面表现出了出色的性能。医疗领域是这项技术引起极大兴趣的领域之一，这在许多已发表的文章中得到了体现。特别地，已经进行了研究以开发能够诊断胸部疾病的CNN模型，包括计算机断层扫描（CT扫描）处的肺结节[3]、胸腔积液和心脏肥大[4]、肺结核[5]和肺炎[6]。在所有这些工作中，有较高的检测准确率在88%和91%之间。然而，例如，在算法的复杂性、学习方法和或多或少的大型数据库的使用的领域中，仍有许多工作要做，这是用于开发用于自动化来自胸部X射线（CXR）的医学分析过程的高效且廉价的技术的主要载体。这项工作的重点是心脏肥大病，一个医学术语用来指心脏肥大。我们确定了三个主要目标：第一是实现CXR图像中该疾病的自动检测，第二是准确地确定其在图像中的位置，第三是提高其他工作中报道的检测精度。为此，我们开发了一种基于U-Net，其中使用从开源医学数据库“ChestX-ray 8“中提取的CXR图像执行学习阶段[ 7 ]。应当注意，尽管所使用的图像具有（1024 ×1024）像素的良好分辨率，但是已经发现，一些提取的图像的对比度非常低，这使得难以进行正确的图像匹配。疾病的诊断，这一事实直接影响了准确性， 侦查因此，我们在使用“ChestX-ray8这种治疗基于一种称为AHE（自适应直方图均衡化）[8]的众所周知的方法，该方法允许增加对比度并分散图像中最频繁的强度值使用致力于心脏肥大症的研究然而，在深度学习过程中很难处理如此大量的图像，特别是如果图像保持原始大小。我们的主要目标之一是提出一个简单的处理模型，我们选择对图像进行压缩。通过使用HDF5确保这种压缩不会改变图像的质量和内容，HDF5允许通过在单个文件中准备，分类和标记多维数组来处理数TB的数字数据量。“ChestX-ray 8“数据集的另一个困难* 通讯作者。电子邮件地址：bo. gmail.com（A.Bouslama）。https://doi.org/10.1016/j.imu.2020.100306接收日期：2019年12月13日;接收日期：2020年2月10日;接受日期：2020年3月2日在线预订2020年2352-9148/©2020的 自行发表通过Elsevier 公司这是一个开放接入文章下的CCBY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表医学信息学期刊主页：http://www.elsevier.com/locate/imuA. Bouslama等人医学信息学解锁19（2020）1003062�图像掩模，这导致监督较差的学习问题。这就是为什么我们手动创建了超过一千张图像的蒙版在治疗阶段，我们使用了一种特殊的CNN架构，即U-Net，它使用了一个全卷积网络。模型，在医学成像中提供更好的分割[9]。这种提出的CNN模型达到了大于93%的诊断准确率，这比已发表的识别心脏肥大疾病的结果更好。此外，使用U-Net，可以精确定位心脏肥大，这是以前的工作所没有的本文件其余部分可概述如下。在第二部分中，我们简要介绍了深度学习在医学图像分析中的应用。然后，在第三部分中，我们开发了图像预处理的不同步骤，从解释选择“ChestX-ray 8“数据集的原因图像的优化和压缩操作。在第四部分中，我们详细介绍了基于U-Net的CNN算法的不同实施阶段。最后，第五部分给出了该算法在CXR图像心脏肥大疾病检测中的实现结果。2. 相关作品以前发表的工作报告了非常高的检测成功率;如参考文献[10]，作者采用基于ImageNet的CNN来识别CXR图像中的不同病理，并获得了89%的检测成功率。在另一项工作[11]中，作者提出了一种名为DualNet的新架构，可同时处理正面和侧面CXR图像。在这种情况下，准确率为91%，但作者使用了大量MIMIC-CXR数据（数千张图像）。在参考文献[12]中，作者实现了92%的准确性，但这使用预配置的重型模型，如ResNet-101。在另一项工作中，来自泰山医学院的一个团队[13]，开发了一种基于CNN算法的自动方法，患者的位置和身体区域。为此，他们只使用了频率曲线分类和灰度匹配;然而，为了达到90%的预测精度，需要7000多张图像。另外，最近的研究[14]能够对ChestX-ray 8数据库中存在的8种疾病进行分类。然而，该方法使用了大量的预训练模型，如ResNet-101和ImageNet，无法在X射线照相机里找到病毒。 另一种使用通过应用预配置的模型来实现CXR检测病理学的深度学习概念，旨在用于通用视觉识别[15]。 然而，该模型仅限于检测并且在本文中，我们感兴趣的不仅是检测心脏肥大疾病，并提高检测精度相对于以前的工作，但我们的目标，以及精确定位CXR内的疾病，并提出一种算法，使用一个小的数据集进行训练。我们开发的基于U- Net的CNN算法使我们能够从训练阶段的小数据集获得93 - 94%的高检测精度。到目前为止，我们的方法与引用的作品[10，11]相比，使用了重型和预配置的模型（VGG16，VGG19和ResNet）。据我们所知，这是第一次报道这样的程序，提供了心脏肥大疾病的精确检测，而且还能够在CXR图像中定位它。 我们的模型的不同实施阶段将在下面展开。3. 心脏肥大病3.1. 预处理3.1.1. ChestX-ray 8数据集“ChestX-ray 8”是一个开源医学数据库，包含32，717名独特患者的108，948张CXR图像的正面视图，包括8种常见疾病的分类图像。“C h e s t X - r a y 8 “ 由 放 射 学 和 成 像 部 门 的 团 队 推出科学，国家医学图书馆和国立卫生研究院，贝塞斯达A ELIMINER [7]。该数据集可用于研究目的和不同计算机辅助检测系统的性能评估。我们首先从“ChestX-ray 8“数据集提供的EXcel文件这使我们能够提取1010张对应于心脏肥大的图像。 然而，这些1024 1024分辨率的图像没有任何遮罩或注释显示疾病的位置。因此，在应用深度学习技术之前必须对其进行预处理。3.1.2. 图像对比度图像对比度增强技术在数字图像处理中得到了广泛的应用，其主要思想是通过增强图像的对比度来显示隐藏在图像中最流行的技术之一是HE（直方图均衡化），其重点是通过增强对比度来增加图像的强度这是通过在每个像素中应用红色、绿色和蓝色通道它在彩色图像中显示出良好的效果对于这些图像，更有趣的是使用AHE方法（自适应直方图均衡化）[16]而不是HE，它采用每个图像并应用多个直方图操作来区分每个图像区域的像素水平然而，在这项工作中，我们使用了一种名为低对比度AHE方法（LC-AHE）的AHE修改版本，该方法由北卡大学医学图像显示研究小组的一个团队引入[17]。该技术采用图像的一个小区域，称为上下文区域，并且根据相邻像素的强度水平来修改其像素中的每个像素的亮度。这增加了累积分布函数（CDF），这改善了低强度像素区域中的图像的锐度LC-AHE过程基于五个主要步骤[18]：1. 确定图像上的每个网格及其点（从左上角开始）。2. 每个网格上点的映射计算。3. 找到每个像素的四个最近的相邻网格点。4. 在这些pixel值之间插值以获得当前pixel位置处的映射。将此强度映射到范围[min：max]并将其放入输出图像中。5. 基于最小值和最大值的范围将强度映射到每个像素图1比较了以下三种情况下心脏肥大图像的直方图和CDF：未处理图像（a），用HE方法处 理 的 图 像 （b）和用LC-AHE 处 理的图像（c）。显然，情况“c”中的图像对比度由于锐化。这通过在更宽的灰度级范围内图像的直方图的增加以及通过累积分布函数的改进来证实，从情况(a)至（c）。因此，LC-AHE处理比常规AHE处理更有效地改善图像质量3.1.3. 压缩提取的图像直接处理1010张分辨率为1024- 1024的图像的想法是不切实际的。事实上，每个人都有自己的负担。A. Bouslama等人医学信息学解锁19（2020）1003063Fig. 1. 心脏肥大图像的直方图和CDF;（a）未处理图像（b）HE处理图像，（c）LC-AHE处理图像。与读取单个文件中的所有现有图像的可能性相比，单独读取图像以对其应用预处理并将其传输到网络以进行训练、验证或测试是耗时的，所述单个文件可以经由单个数据组访问。该选项可通过使用HDF5 [19]作为一个独特的开源技术套件来管理各种大小和复杂性的数据集合。HDF5的另一个优点是它提供了一个具有多个函数的API，用于创建，修改甚至删除多个编程语言（如Python，JAVA或CNET）的对象。3.1.4. 制作心脏肥大的 应用 的 一 监督 学习 系统 这些段从庞大的数据集中获取特定信息是一个巨大的挑战，特别是在生物医学领域，通常缺乏注释数据。这就是为什么我们手动创建自定义掩模，在每张图像中定位疾病。这是通过描绘对应于每个图像中的疾病区域的像素并利用这些像素生成与原始图像相同大小的新图像来完成的。事实上，心脏肥大通常很容易通过注意心室心壁的显著增厚来检测[20];因此，识别疾病区域不一定需要很高的医疗技能。图2表示所创建的掩模的四个示例。A. Bouslama等人医学信息学解锁19（2020）10030644. 创建自定义CNN模型图二、用于心 脏 肥 大 定 位 的四个手动创建的 掩模的 示 例 。● 输入层：表示具有标准尺寸（宽度X高度）的多个图像的数据输入，深度表示为RGB4.1. 卷积神经网络概念在本节中，我们将探讨卷积神经网络（CNN）及其主要组件。CNN是一种强大的视觉模型，用于构建智能系统，它可以获取任意输入图像，并生成具有最相关信息的相应大小的输出。这种架构是通过连接一组基于pi X el到pi X el多层完整性的特征，然后是一个或多个完全连接的层[21]来实现的，如图12所示。3.第三章。CNN架构由几种不同类型的顺序层组成，其中一些是重复的。下面我们描述最常见的层：颜色.● 知识提取（学习）序列：在这个级别，系统寻找共同的特征，并按重要性的升序排列。作为这些层的示例，我们有：a. 卷积层：它由一组过滤器组成，这些过滤器在图像的宽度和高度维度上进行卷积，以保留像素之间的关系。b. 池层：当图像数据集太大时，该层用于减少参数的数量。空间池可以降低每个地图的维度，但保留重要信息。空间池化可以是不同的类型：最大池化，其从校正的特征图中获取最大元素，平均池化，其获取所有元素的平均值，或者总和池化，其基于所有元素的总和● 分类（全连接）层：经过几次卷积和池化层，系统将一层中的每个神经元连接到另一层中的每个神经元，如图所示。 四、请注意，通常我们会在卷积层之后添加一个激活层，以增加网络的非线性，ReLu（整流线性单元）是研究人员常用的激活层示例[22]。它可以用函数f（X）/4max（0，X）来解释。此外，一些有效的技术，如批处理，图三. CNN的意思是组件。见图4。 全连接层。A. Bouslama等人医学信息学解锁19（2020）1003065����归一化和丢弃，用于提高CNN的性能。层、批处理和规范化之间的组合导致了在性能、准确性和预测速度方面具有不同特征的模型的诞生，这些模型可以直接使用，例如AlexNet，Microsoft COCO [23]和ImageNet [24]，提供了数千个对象类别（汽车，人类，猫，狗在不同的情况下，以获得更好的识别系统。这些预配置模型的主要优点是，尽管它们是为了识别对象或对某些图像进行分类而创建的，但它们也可以用于识别新元素。这是通过将新元素作为新的数据输入来重新学习最后一层，同时保留先前的层来完成的。这种操作称为微调。作为这些模型的一个例子，我们介绍ALEXNET模型，如图5所示，它采用227227 RGB图像作为输入，并在1000个类标签上产生分布[25]。这些模型的创建需要在三个主要子数据集中收集一组有组织的图像，这些子数据集通常用于模型创建的● 训练子数据集：第一个类别由成对的输入组成：图像和相应的答案（可以是：标签，图像或掩码），通常表示为目标。● 验证子数据集：该子数据集对于在调整模型参数时观察学习过程的演变非常重要● 测试子数据集：是包含未学习图像的独立数据集用于提供对第一训练数据集的目标模型拟合的无偏评估。4.2. U-Net实现为CNN算法2018年5月18日，德国弗莱堡大学计算机科学系[26]建议将U-Net作为基于全卷积网络的新算法，用于生物医学图像。U-Net采用下采样路径提供的位置，并将其与上采样路径中的上下文信息相结合，最终生成具有本地化和上下文的图像，这对于预测良好的分割图是必要的。图 6给出了U-Net架构。一般来说，它包括两个主要部分：● 收缩/下采样路径：它类似于通过紧凑特征映射捕获上下文的编码器，它由4个块，每个块中有3个3卷积层。在每个卷积层之后，存在一个激活函数（具有批量归一化），具有2 × 2最大池化。需要注意的是，在每次合并时，系统会将特征图的数量加倍，第一块的特征图为64个，第二块为128个，依此类推。这种收缩路径的原因来自输入图像;系统提取相应的上下文，以便分割图像，并通过称为全局特征的变换将其准备到上采样路径。见图6。U-Net下采样/上采样架构。该分割图是像素像素图像分类的一部分，其通过向每个像素像素赋予标签来进行，该标签对应于特定类别，一个或一组像素的输出是具有良好分辨率和与原始图像相同尺寸的另一图像。● 扩展/上采样路径：表示前一个的逆操作。它起到了解码器的作用，以保证良好裁剪蒙版的位置。它由4个块组成，在每个块中，反卷积层与来自二次采样阶段的裁剪特征的映射相连接。在这些块之间，将重建在外包阶段该解决方案的另一个优点是它5. 测试条件和结果5.1. 试验环境和模型参数为了测试和验证我们提出的方法的良好功能，我们选择了一个特殊的工作环境。我们使用Kaggle作为数据分析平台，使用Python编写的高级神经网络API，并提供带有开源数据集和GPU/ CPU选项的预配置笔记本。进一步，我们使用TensorFlow作为开发框架，作为为数值计算设计的开源深度学习框架。我们的1010张图像和相应的1010个掩模的数据集被分为训练，验证和测试子数据集。20%的图像用作测试数据，剩余的80%在训练集（70%）和验证集（10%）之间分配。然后将图像的大小调整为128128矩阵X.然后这些图像被提供给我们的U-Net模型。这个模型有多个层，我们已经将模型固定为35层深：它从两个2D卷积层开始，核大小为3×number图五. ALEXNET CNN架构。A. Bouslama等人医学信息学解锁19（2020）1003066�输出过滤器）和ReLU作为激活层。在每个2D卷积层之后，我们使用最大池化层，池化大小为2 2，以减少模型的大小和复杂性。请注意，我们在每个区块（2个Conv2和最大池化）层之后将过滤器的大小加倍，直到达到512，然后是2%的DropOut。之后，我们开始减小块上的过滤器的大小，直到达到初始值（16，16）。至于优化器，我们使用ADAM（自适应矩优化），因为它在实践中工作得很好，并且优于其他自适应技术。图7给出了U-Net算法中的层的基本图示。通过收集代表疾病区域的像素，从原始图像中提取图像。5.2. 结果对于任何深度学习过程，必须在计算之前定义以下参数：● Epochs：学习过程遍历整个数据集的次数。● 批次：一个历元通常太大，无法由计算机一次处理，因此它被分成几个较小的集合或部分，称为批次。● 批量大小：单个批量中存在的训练示例的数量● 迭代：完成一个epoch所需的批数在训练神经网络的过程中，主要的兴趣是提高其性能。一旦训练过程被触发，检测精度逐渐提高，错误率降低。因此，我们建立了一个名为EarlyStopping的机制[35]，以帮助我们定义何时最佳停止训练阶段。通过这种方式，我们可以避免在训练过程中使网络过载。5.2.1. 心脏肥大检测我们的计算是通过将epoch的数量固定为30，迭代的数量为20，并使用批量大小为。64.学习/验证率在图8中表示为与历元数的关系。我们注意到这两个过程的准确性显着增加，直到第五个时期的值约为90%。在第十个历元之后，验证过程中的准确度增加到从第十五个历元起达到93%和94%在定制了U-Net算法及其35层之后，该系统能够诊断心脏肥大疾病及其在CXR图像中的准确位置这可以通过创造新的。为了确保获得的精度是系统可以达到的最高精度，我们在没有EarlyStopping机制的情况下，通过将使用的epoch数量依次固定为100，120，150和200来优化学习阶段。正如我们在表1中看到的，学习精度随着使用的epoch数量的增加而降低。5.2.2. 心脏肥大定位在提取心脏肥大图像、为每个图像创建自定义掩模并使用HDF 5压缩新数据集之后，U-Net模型能够在测试图像中定位疾病（完整图像的20%）。见图7。 U-Net订单层实现。见图8。 学习/验证过程准确性的演变。表1验证准确度与epochs数量。历元培训/验证准确度（%）10087.312086.415085.020071.9dataset）。图9表示显示心脏肥大定位的四个生成的图像。5.2.3. 讨论由于我们定制的基于U-Net的 CNN模型，可以实现93%至94%的高检测准确度，这高于之前发表的胸部病理学识别结果;即[10]，使用预配置和重型模型，如ResNet-101，达到92%的准确度，或者[11]使用大型MIMIC-CXR数据集（数千张图像）达到91%的准确度，甚至[13]，准确度仅为89%。这种方法在心脏肥大上进行了测试，但它可以用于检测和定位X射线8数据库中的其他七种疾病。然而，这需要放射科医生和医生的整合，以建立每种疾病的适当掩模，并验证所获得的结果。6. 结论在这项工作中，我们提出了一个完整的过程，自动检测心脏肥大疾病的X射线图像。我们依赖于从Chest Xray-8数据集获得的X射线图像。该过程分四个步骤实现，首先从胸部X射线-8数据集中提取心脏肥大图像。在第二步中，我们通过应用自适应直方图均衡化（LC-AHE）方法来提高提取图像的质量。在第三步中，我们使用HDF5压缩图像以提高处理速度。第四步也是最后一步是通过基于U-Net的定制CNN模型进行数据处理。因此，我们获得了93%至94%的准确性检测心脏肥大，这是在撰写本文时我们也可以说，这项工作是第一个使用U-Net算法测试深度学习方法检测胸部病变的工作，此外，使用U-Net，可以精确定位心脏肥大，这是以前的工作所没有的。最后，所提出的模型可以以通用的方式应用于检测其他胸部病变。A. Bouslama等人医学信息学解锁19（2020）1003067见图9。 使用U-Net定位心脏肥大疾病的四个例子。原始图（上），显示疾病定位的生成图像（下）。伦理声明作者的名字列在文件末尾证明他们与任何组织没有联系或参与任何组织 或 实体 与 任何 金融兴趣 (such作为 酬金;[2] B.Mihai-Sorin，F. Iulian-Ionueli，F. Laura，Constantin Vertan，“深度学习在图像分割、分类和检测中的应用”，处理和分析实验室（LAPI），Politehnica University of Bucharest，Romania，来自https://arxiv.org/pdf/1605.09612.pdf。[3] 布什伊莎贝尔。斯坦福计算机科学，塞拉购物中心353号。Stanford，CA：LungNostrium Detection and Classification; 2016.p. 94305 来自http://cs231n.stanford.edu/教育 赠款; 参与 在 发言人reports/2016/pdfs/313_Report.pdf。�就业、咨询、股票所有权或其他股权;以及专家证词或专利许可安排），或在本手稿中讨论的主题或材料中的非经济利益（如个人或专业关系、关系、知识或信仰）。此外，作者确认，手稿与任何一方没有实际或潜在的利益冲突，包括但不限于在提交工作开始后三年内与其他人或组织的任何财务、个人或其他关系，这些关系可能会不适当地影响或被认为会影响。 我们确认，该论文以前没有发表过，没有考虑在其他地方发表，也没有同时提交给其他地方。竞合利益一个也没有。确认我们感谢我们的老师他们提供的见解和专业知识极大地帮助了这项研究。 我们 谢谢 也“外交部 放射学 和 成像科学，临床中心，2国家生物技术信息中心，纳-国家医学图书馆我 们 还 要 感 谢 EdwardJ Ciaccio 、 Farooqui 、 Mehroon Nesa 和Achuthan、Arivalagan在本研究过程中对我们的支持，我们感谢EVISE评审员的有趣评论，尽管任何错误都是我们自己的，不应该玷污这些受人尊敬的人的声誉引用[1] 张忠秋，郑平，肖守涛，吴晓。深度学习的对象检测：评论，卷。2017年3月14日; 8日来自https://arxiv.org/pdf/1807.05511.pdf。[4] Candemir Sema ， Jaeger Stefan ， Karargyris Alexandros ， KC Santosh ， VajdaSzilard，薛志云。在：胸部X光中肺部疾病的自动检测。医学科学计算公司; 2015年。&见https://lhncbc.nlm.nih.gov/system/files/pub9126.pdf。[5] Lakhani Paras，Sundaram Baskaran.胸部X线摄影的深度学习：使用卷积神经网络对肺结核进行自动分类。284; 2017年8月2日来自https://arxiv.org/pdf/1705.09850.pdf。[6] Rajpurkar Pranav，Irvin Jeremy，Zhu Kaylie，Yang Brandon，MehtaHershel，Duan Tony，Ding Daisy，Bagul Aarti，Ball Robyn L，LanglotzCurtis，放大图片作者：Shpanskaya Katie，Lungren Matthew P，Ng Andrew Y. CheXNet：通过深度学习在胸部X光片上进行放射科医生级别的肺炎检测。摘自：https://arxiv.org/pdf/1711.05225.pdf; 2017年12月25日。[7] 王晓松，彭一凡，陆乐，陆志勇，Bagheri Mohammad hadi，Summers RonaldM，放射与影像科学系，临床中心，2国家生物技术信息中心，国家医学图书馆，国立卫生研究院，贝塞斯达。ChestX-ray 8：医院级胸部X射线数据库和常见胸部疾病弱监督分类和定位的基准。来自https://arxiv.org/pdf/1705.02315。PDF.[8] 放大图片作者：Bradley M.放大图片创作者：Stephen M.Pizer，有限的自适应直方图均衡图像处理，以改善密集乳房X线照片中模拟毛刺的检测[9] Ronneberger Olaf，Fischer Philipp，BroX Thomas，德国弗莱堡大学计算机科学系和BIOSS生物信号研究中心。U-Net：用于生物医学图像分割的卷积网络。来自：https://arxiv.org/pdf/1505.04597.pdf; 2015年5月18日。[10] BarY，Diamant I，Wolf L，Greenspan H.深度学习与非医学训练用于胸部病理识别。在：SPIE医学成像会议记录。奥兰多，佛罗里达州，美国：国际光学和光子学学会; 2015年2月。94140伏。[11] 鲁宾·乔纳森，桑哈维·迪潘，赵克莱尔，李·凯西，卡迪尔·阿什奎尔，徐-威尔索·敏南。使用双卷积神经网络自动读取正面和侧面胸部X光片。来自：https://arxiv.org/pdf/1804。07839.pdf; 2018年4月24日。[12] Mohammad Tariqul Islam1，Md Abdul Aowal 1，Ahmed Tahseen Minhaz1，Khalid Ashraf 2 1Semion，House 167，Road 3，Mohakhali DOHS，达卡，孟加拉国，https://arxiv.org/pdf/1705.09850.pdf“Abnormality Detection and Localization inChest X-Rays using Deep Convolutional Neural Networks”, 2Semion, 1811Francisco St, St 2, Berkeley, CA[13] 巴尔·亚尼夫、迪亚曼特·伊迪特、沃尔夫·利奥尔、利伯曼·西万、科南·埃利、格林斯潘·海伊特。使用深度特征选择和非医学训练的胸部病理学识别。来自https://www.cs.tau.ac.il/~wolf/papers/chest_miccai2015.pdf。https://doi.org/10.1155/2017/2727686网站。[14] Tataru Christine，Yi Darvin，Shenoyas Archana，Ma Anthony.深度学习用于胸部X射线图像中的异常检测。来自http://cs231n.stanford。edu/reports/2017/pdfs/527.pdf; 2017年6月13日。A. Bouslama等人医学信息学解锁19（2020）1003068[15] 任宁宁，马安然，韩立波，孙勇，邵燕，邱剑锋。根据图像频率和强度自动识别射线照相位置。 JHealthcare Eng 2017：2727686.[16] 朱幼莲，黄诚。一种基于图像灰度映射的自适应直方图均衡化算法。在：固态器件和材料科学国际会议; 2012年。[17] Stephen M.皮泽河放大图片作者：James P.作者：Keith E. Muller，北方Carolina，“ C o n t r a s t Lt d Ad a p t Hi s t o g r a m Eq u a l ： Sp e e dEf f e c t ” ， 来 自 ht t p ： // w w w .cs.unc.edu/techreports/90-035.pdf网站。[18] Haller Elisabeta Antonia GIS中的自适应直方图均衡化。《克拉约瓦大学数学计算科学年鉴》2011;38（1）. ISSN：1223-6934：100-4。[19] HDF5团队HDF5的高级介绍。摘自https://support.hdfgroup.org/HDF5/Tutor/HDF5Intro.pdf; 2016年9月23日。[20] M. Ilovar和L. Sáajn，卢布尔雅那计算机与信息科学学院，斯洛文尼亚，https://www.researchgate。net/publication/221413003_Analysis_of_radiograph_and_detection_of_cardiomegaly.[21] 托马斯·马丁。计算机科学系、拟人研究所、资讯科技研究中心。Anal OptimConvNeural Net Arch 31 Jul 2017. 1707.09725v1.[22] Ramachandran Prajit ， Zoph Barret ， Le Quoc V. 搜 索 激 活 函 数 。 从 ，1710.05941v2; 2017年10月27日https://arxiv.org/pdf/1710.05941.pdf网站。[23] [10]李宗义，李宗义.Microsoft COCO：上下文中的通用对象来自https://arxiv.org/pdf/1405.0312.pdf。[24] Long Jonathan，Shelhamer Evan，Darrell Trevor，UC Berkeley.用于语义分割的完 全 卷 积 网 络 。 来 自 ， 1411.4038v2; 2015 年 3 月 8 日 。 https ：//arxiv.org/pdf/1411.4038.pdf。[25] 放大图片作者：Krizhevsky A，Sutskever I，Hinton E.使用深度卷积神经网络进行ImageNet分类。来自：https://www.nvidia.cn/content/tesla/pdf/machine-learning/imagenet-classification-with-deep-convolutional-nn.pdf。[26] Ronneberger Olaf，Fischer Philipp，BroX Thomas，德国弗莱堡大学计算机科学系和BIOSS生物信号研究中心。U-Net：用于生物医学图像分割的卷积网络。1505.04597v1; 2015年5月18日。https://arxiv.org/pdf/1505.04597.pdf网站。