没有合适的资源?快使用搜索试试~ 我知道了~
医学信息学解锁25(2021)100669基于深度卷积神经网络的全膝关节置换假体平片自动分类塞缪尔·C.Beletea,Vineet Bata b,Holger Kunza,*a英国伦敦大学学院卫生信息学研究所b英国卢顿邓斯特布尔大学NHS医院信托基金A R T I C L EI N FO保留字:卷积神经网络机器学习全膝关节置换术X线平片A B S T R A C T识别全膝关节置换术(TKR)的品牌和型号是因假体周围骨折、松动、磨损或感染而进行翻修手术之前的必要步骤。目前的方法可能无法正确识别植入物高达10%的时间。本研究介绍了卷积神经网络(CNN)的训练,以自动识别7个TKR植入物的品牌和型号或在平片X线片上没有TKR。我们的数据集包括588个膝关节的前后位(AP)X线片。他们被随机分为训练集、验证集和测试集,比例为50:25:25。基于ResNet-18架构的CNN使用验证结果选择的最佳模型最终模型在hold-out测试数据集上进行测试经过训练的网络在将X射线的保持测试数据集分类为八个标记类别之一时表现出完美的准确性。显着图表明植入物的轮廓是给定预测的关键进一步的研究将受益于更大的数据集,更完整地覆盖可能的植入物。识别植入物在网络训练分布之外的能力对于这种算法在临床实践中安全运行至关重要。解决了这些问题和局限性后,这种算法有可能节省临床医生的时间,减少术前未识别植入物的情况,简化再次手术病例并改善临床结局。1. 介绍在翻修手术前识别骨科植入物是进行适当术前计划和订购设备的关键[1,2]。尽管这是一个长期存在的问题,但如果临床团队不知道植入物并且无法获得初次手术记录,则仍然是一个挑战。使用机器学习和人工智能算法在平片X光片上自动本研究旨在开发一种卷积神经网络(CNN),能够识别全膝关节置换术(TKR)的品牌和型号。骨关节炎是一种常见疾病,可导致受影响个体的关节疼痛、畸形和功能降低[3,4]。通常累及膝关节,在英国,骨关节炎占全膝关节和单侧膝关节置换术的98%左右[5]。每年有超过90,000例完成,使其成为英国最常见的择期手术之一[5]。它往往是一个非常成功的程序,可以减轻疼痛和增加功能,与植入物可以生存几十年来[6与所有手术一样,它们并非没有并发症这些包括假体关节感染(PJI)、假体周围骨折和无菌性松动[9]。翻修手术通常比初次手术更复杂、更复杂,因此往往与发病率和死亡率增加相关[10,11]。术前识别假体是减少并发症和提高手术成功率的关键。它允许适当的手术计划和正确的设备存在[1,2]。如果患者再次到他们原来的医院就诊,或者他们的手术记录很容易获得,那么品牌和型号往往很容易识别。在其他时候,植入物可以在X光片上清楚地被团队识别,通常如果它是当地使用的模型。然而,情况往往并非如此。并发症可能发生在初次手术后数十年,患者在全国各地移动,计算机/记录系统发生变化。在另一个国家进行初次手术的患者面临更大的挑战,数据保护法和语言障碍都是一个因素。这可能需要* 通讯作者。英国伦敦大学学院卫生信息学研究所电子邮件地址:h. ucl.ac.uk(H.Kunz)。https://doi.org/10.1016/j.imu.2021.100669接收日期:2021年4月18日;接收日期:2021年6月23日;接受日期:2021年2021年7月21日在线提供2352-9148/©2021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:www.elsevier.com/locate/imuS.C. Belete等人医学信息学解锁25(2021)1006692图1.一、 主要数据集样本,膝 关节 前后位(AP)X线 片。A:无假体,B; Columbus膝关节系统,C;内侧旋转膝关节。长时间搜索旧记录或联系其他医院。这既是对时间有限的临床医生的消耗,也可能导致手术延迟[12]。在当前和历史实践中使用的大量可能的植入物加剧了这一挑战。全膝关节置换术(TKR)自20世纪60年代开始实施,大多数现代假体的使用寿命超过20年[ 13,14 ]。定期引入新的植入物尽管尽了一切努力,但由于多达10%的病例记录丢失或无法访问,可能无法识别植入物[2]。这妨碍了完整的术前计划和对翻修病例可能需要哪些手术套件的了解。这已被证明会导致手术时间延长和术中失血量增加,这两个因素都与短期和长期结局较差相关[2,15]。利用先进的计算机视觉技术的自动化解决方案可能有助于提供一种快速有效的识别骨科植入物的方法。自AlexNet在2012年ImageNet大规模视觉识别挑战赛中占据主导地位以来,CNN已经成为计算机视觉的主要模式之一。它们利用卷积层和池化层来提取特征,并在分类之前将信息传递到完全连接的层之前提高计算效率[17]。CNN现在用于计算机视觉的各个方面,从简单的图像分类到自动驾驶汽车的核心组件对于使用复杂的数学模型来辅助临床决策或进行诊断,存在合理的担忧第一个是虽然CNN开发的基本概念和数学原理相对容易理解,但网络越来越复杂,由数百个层和过滤器组成因此,它们可能看起来像这种批评可以用功能可视化来反驳为了帮助解决这个问题,我们将利用一种称为显着图的特征可视化技术来识别图像的哪些区域对于给定的预测最重要[20]。另一个值得关注的领域是CNN如何处理不确定性和训练分布之外的数据。CNN被训练来分类,因为这样一个在X射线上识别骨科植入物的网络仍然会将不同对象的图片分类到其训练的类别之一[21,22]。在医学领域,更令人担忧的是对未接受过培训的植入物的评估,但仍然给出了对其中一个培训类别的预测(即假阳性)。对于CNN来说,训练分布之外的所有图像都是未知的未知数。这是一个局限性,在以前的研究中没有解决自动检测骨科植入物。我们将寻求对CNN输出应用soft-max阈值,以提供给定预测的置信度,并允许算法拒绝似乎不属于训练类之一在这项研究中,我们将着眼于训练CNN来准确区分在平片X线摄影上的一些骨科植入物作为模型开发完成后,将对训练和验证损失和准确性进行监测,并绘制出过拟合的证据。最终模型将在保留测试数据集上进行测试。将创建混淆矩阵,并计算准确度、F1评分和ROC-AUC。对预测很重要的特征将通过显着图进行可视化,我们将尝试识别和排除训练分布之外的图像。2. 相关作品对于CNN在医疗保健挑战中的应用已经进行了大量的研究。应用范围从皮肤病变的自动识别到起搏器植入[23,24]。最近,一些研究小组已将注意力转向本文所描述的问题。到目前为止,有三个出版物利用CNN来识别骨科假体。Borjali等人[25]使用252个AP(前后位)X线片和Den- seNet结构重点区分了三种类型的全髋关节置换术(THR),准确率为100%。Kang等人[26]利用简单的CNN从171个APX射线中区分出29个不同的THR。使用数据增强将其数据集增加至3606,并达到AUC 0.99。然而,他们的方法存在问题,没有使用验证集,并表明他们的测试集由增强图像组成,而不是Yi等人是第一个研究TKR分类的人,尽管他们仅限于两个模型,但他们使用ResNet-152并实现了完美的AUC [27]。3. 方法3.1. 数据集主要数据集包括558张膝关节前后位(AP)平片X线照片。从一个单一的NHS骨科中心收集了158张图像。剩下的430个来自印度的数据集。每张X光片均匿名,并直接从PACS导出为JPEG格式(RGB颜色)。数据集包括8组; 7个TKR模型和1组无TKR(无假体)的X线片,X线片样本见图1。TKR的型号为:1) Aesculap的Columbus膝关节系统(Tuttlingen,德国)2) 内侧旋转膝关节(MRK),MatOrtho(Surrey,England)3) Optetrak Logic Primary Systemby EX actech(Florida,UnitedStates)4) Legion全膝关节系统,Smith and Nephew(Watford,England)5) Scorpio NRGby Stryker(美国密歇根州)6) Zimmer Biomet的Legacy后稳定型(LPS)膝关节解决方案(美国印第安纳州)7) Zimmer Biomet的Persona(印第安纳州,美国)S.C. Belete等人医学信息学解锁25(2021)1006693×××××表1膝关节X线数据集总结。型号制造商射线照片总数无假体n/a 42Columbus膝关节系统Aesculap 59内侧旋转膝关节MatOrtho 57假体骨折,这些从数据集中删除。最后,有时数据集总结见表1。3.2. 技术规范Optetrak逻辑初级系统EXActech154使用的机器学习库是基于Torch库的Pytorch。Pytorch是一个高级Python库,由Legion全膝关节系统Smith和73侄子Facebook的AI研究实验室。 它于2016年发布,是开源的,Scorpio NRGStryker 76LPS膝关节解决方案ZimmerBiomet 69PersonaZimmerBiomet 58图二. ResNet-18的原理图使用了手术记录的地面实况。由两名临床医生进行质量控制:一名资深骨科医生具有TKR和所用植入物的经验,另一名临床医生。发现许多翻修股骨柄或修复股骨柄的再次手术病例表2培训、验证和测试数据集的总结灵活,支持CUDA GPU加速。该模型是使用Pytorch 1.5.1版本开发和训练的。该模型在MacBook Pro 2017(Apple Inc. Cuper-tino,USA)、3.1GHz Intel Dual Core i5、Intel Iris Plus Graphics 650 1.5GB(IntelCorporation,Santa Clara,USA)和具有NVIDIA Tesla K80(NVIDIACorporation , Santa Clara , USA ) 的 Google Colab ( Google ,California,USA),通过所描述的MacBook Pro访问3.3. 卷积神经网络随着深度的增加,CNN变得越来越复杂,消失梯度成为一个重要的问题[28]。消失梯度是指在通过许多层的反向传播期间梯度的损失。残差网络(ResNet)开发于2015年,是利用身份快捷连接的专业CNN。这些连接跳过一个或多个层,有助于解决梯度消失的问题。这使得能够开发越来越深的网络,避免早期的准确性突然下降的问题[29]。身份捷径连接既不增加额外的参数,也不增加计算复杂性[29]。ResNet-18是一个18层网络,接受224 224 3(即224像素× 224像素× 3通道)输入图像。它从一个简单的卷积层(7 7)开始,然后是一个最大池化层。之后,它有四个卷积块,每个卷积块由四个3 × 3滤波器组成,每组两个滤波器之间有一个残差连接。然后将其展平为具有soft-max激活函数和1000个输出特征的全连接层出于本研究的目的,我们将输出层从1000个特征更新为所需的结果数量(8个)。决定坚持使用224 224像素Xel的输入层ResNet-18架构的示意图如图所示。 二、迁移学习是机器学习和CNN中一种功能强大且使用越来越多的技术。我们不是在每个过滤器中使用随机权重初始化CNN,而是使用预训练网络的权重。这可以减少训练时间,因为某些常见的滤波器类型(例如边缘检测)可以帮助执行大量任务[30]。网络的所有层都将根据损失函数和梯度下降进行更新。3.4. 超参数ResNet-18使用ImageNet数据集优化了许多超参数。随机梯度下降(SGD)型号类别射线照片总数训练(原始+增强)确认(所有原始)测试(所有原始)无假体0 42 21+21 10 11Columbus膝关节系统1 59 28+28 14 16内侧旋转膝关节2 57 28+28 14 15Optetrak Logic主系统3 154 77+77 38 39Legion全膝关节系统4 73 36+36 18 19天蝎座NRG5 76 38+38 19 19LPS膝关节解决方案6 69 34+34 17 18女神异闻录7 58 29+29 14 15S.C. Belete等人医学信息学解锁25(2021)1006694=图3.第三章。 训练准确性和跨时期的损失。图四、 验证准确性和跨时期的损失。第二个0.1)在每个时代之间。相比之下,亚当优化器允许有效的随机优化。学习率适应于使用梯度的一阶和二阶矩的与其他优化器相比,它表现良好[31]。CNN将在训练中使用交叉熵损失来衡量预测结果与地面真实标签之间的差异。在训练过程中,CNN的目标是通过反向传播和更新权重来最小化交叉熵损失。还将计算训练准确度,以提供训练期间性能变化的更可解释的概念。图五. 一个用算法预测的测试图像实例 和 soft- max输出。亚当会被拿来比较将试验两种形式的SGD,一种具有固定的学习率,另一种具有逐步学习率衰减。逐步函数将学习率从起始点0.1衰减3.5. 图像预处理由临床医生通过裁剪膝关节周围的每张图像完成手动分割,捕获整个植入物和关节。这将删除与植入物分类无关的图像部分,从而减少计算负荷。这与实现用于算法训练的高质量数据集有关。数据集的数据清理由两名临床医生的专家意见提供信息,其中一名临床医生是高级骨科医生。每个图像的大小调整为224 × 224像素。将每个图像转换为具有RGB颜色配置文件的PNG。图像(不包括S.C. Belete等人医学信息学解锁25(2021)1006695见图6。 测试数据集结果的混淆矩阵图7.第一次会议。每个类 的 显着性图样 本。左侧显示最大梯度,右侧显示原始图像的最大梯度叠加S.C. Belete等人医学信息学解锁25(2021)1006696-KK表3不同数据集的soft-max预测输出比较数据集范围平均值标准差测试数据集0.70分布数据集外0.24Maxx freedom数据集0.21-0.82 0.48 0.17表4不同软最大预测截止值对图像防止过度拟合。未对确认或测试数据集完成数据扩充。3.7. 性能度量模型性能评价是理解和开发机器学习算法的重要步骤.准确性是最常用的指标,给出正确预测与不正确预测的比率。真阳性+真阴性在训练过的分布中进出准确度=正面+负面(1)软-最大截止测试数据集中正确被拒绝的测试数据集百分比分布数据集MaxX Freedom数据集的百分比不正确F1分数给出了召回率和精确度的调和平均值(PPV:阳性预测值,TPR:真阳性率)。分类不正确分类F1评分=2×PPV×TPR(二)分类0.51000.0048.5333.330.7598.411.690.0513.330.9094.445.560.010.000.9588.8911.110.000.00已经)转换为灰度,保留三个通道用于预构建的ResNet架构的功能。每个图像在被提供作为输入之前被归一化。更新了基于ImageNet构建的网络的标准归一化,以反映此数据集中使用的图像。计算数据集的代表性子集的平均值和标准差,给出平均值0.191,标准差为0.253。3.6. 数据增强数据扩充用于增加数据集并提高模型的通用性,从而降低过度拟合训练数据集的风险。每个关节的X线片总数相对较低,每个类别约40首先,将数据集以50:25:25的比例随机分为训练、验证和测试。然后,离线数据增强仅应用于训练数据集,为每个原始图像生成一个增强图像(表2)。采用了以下增强技术PPV+TPR将绘制受试者工作特征(ROC)曲线,用于结果的二分,并计算曲线下面积(AUC)。3.8. 显着性映射对CNN和神经网络的主要批评之一是,它们代表了决策的很难或不可能确切地理解一个复杂的、由数千个权重组成的深度网络是如何做出分类决策的。显着性图识别输入图像上的区域,CNN使用这些区域来做出决策,并突出显示最重要的区域。它可以提供系统底层逻辑的可视化摘要3.9. 分布外检测在卷积神经网络的输出上运行软最大激活函数。soft-max函数通过计算该神经元的输入的指数并除以所有神经元的输入的总和来重新缩放输出,使得激活总和为1并且都位于0和1之间。激活函数可以写成[32]:I. 随机水平翻转:沿水平方向轴,应用于50%的增强图像。二. 高斯模糊:用高斯核模糊的图像。斯坦-y=g(h)=exp(hK)∑(三)标准偏差 高斯核 随机分配在0.0(无模糊)和0.5(轻度模糊)之间。三. 高斯噪声:从正态分布添加到N(0,s)的噪声,其中s是针对每个单独图像采样的,并且在0.0和0.2 ×255之间。还利用在线数据增强,将5到5μ m的随机旋转应用于训练数据。在线增强允许图像在每个批次之间以不同的方式显示,表5软最大值输出被视为概率或置信度的近似值预言的可信度。将测试数据集的soft-max输出与由训练分布之外的图像组成的两个数据集进行比较。第一个(名为“非分销样本集”)由171张身体其他部位(例如胸部、踝关节、骨盆)的X线片组成,而第二个(名为“MAX X FREEDOM样本集”)由15张带有MAX X FREEDOM植入物的膝关节AP X线片组成。其目的是开发一种软最大截止值,允许拒绝训练分布之外的图像。利用CNN自动检测骨科植入物的论文总结纸置换术植入物X线片数量CNN结果Kang等人,髋29170(数据扩充用于简单CNN(2个卷积层,最多1AUC:0.992020增加到3606)池,2个FC层)Yi等人,2019年膝关节2 374(用于增加至3080的数据增强)ResNet-152 AUC:1.0Borjali等人,2020Hip 3 252 DenseNet精度:100%本文膝关节7(8类,包括假体“)588(用于增加到936的数据增强)ResNet-18准确度:100% F1评分:1.0AUC:1.0Nk=1 exp(hK)S.C. Belete等人医学信息学解锁25(2021)10066974. 结果验证结果用于帮助选择优化器。虽然Adam和逐步SGD表现合理,但具有0.001的固定学习率和0.9的动量的简单SGD提供了最稳定的性能,具有快速下降的损失和跨时期的提高的准确性。因此,对于学习率为0.001且动量为0.9且没有衰减的网络SGD。绘制了学习曲线,绘制了训练(图3)和验证数据集(图4)在各个时期的损失和准确度,以帮助评估模型训练和性能。在10个时期中,训练和验证数据集中的损失都迅速下降。曲线显示在模型训练的时期内没有过度拟合的证据。对于训练集和验证集,准确率迅速接近100%,并保持稳定在这个水平。最终选择的模型是在验证集上具有最佳准确度的模型4.1. 测试结果在hold-out测试数据集上评估选定的最终训练ResNet-18模型。在训练过程中,模型在任何时候都看不到这个数据集。共有126幅图像组成了来自八个类别的测试数据集。一个正确分类的测试图像和算法输出的例子如图所示。 五、该模型在分类所有假体模型和无假体模型时显示出100%的准确性,如混淆矩阵所示(图6)。该模型的F1得分为1.0。为了计算AUC分数,使用一对所有方法对分类问题进行二分。每个二分法的AUC评分均为1.0。4.2. 显着性图获得显着图,以确定图像的哪些区域对其分类很重要(图1)。7)。它们主要证明了植入物的轮廓对于分类很重要,在大多数情况下,最大权重显示了植入物的轮廓。对于没有假体的图像,关节线和骨皮质边缘有助于分类。4.3. 超出物体检测范围没有官方框架来定义一个代表性的图像数据集,这些图像数据集不属于CNN训练的分布。根据定义,它包括任何和所有图像,这些图像不会被正确分类为一个训练类的AP X射线。为了提供最严格的挑战,选择了与训练数据集相似的图像。创建了两个数据集以测试分布检测,其中一个数据集由171个身体其他部位的X线片(胸部X线片、骨盆X线片、髋关节X线片和踝关节X线片)和膝关节侧视图组成,这些数据集被宣布为分布数据集。第二个数据集由MaxX Freedom膝关节植入物数据集的15个AP X线片组成;模型训练中不包括植入物。CNN输出从其输出转换为soft-max能力”。具有最高概率的类由CNN给出作为其预测。我们记录了测试数据集中每个图像的soft-max输出以及分布外数据集和MaxX Freedom数据集。表3中给出了每种方法的范围、平均值和标准差。测试数据集中的图像被正确分类。根据定义,其他数据集的所有结果都是假阳性。可以清楚地看到,训练分布内的图像(即,测试数据集)具有显著更高的平均softmax输出。然而,在范围的下端是与其他数据集的范围交叉的值表4显示了不同截止值对测试数据集准确性的影响以及不在CNN训练分布0.95的临界值正确拒绝所有这些图像不是CNN训练识别的类别之一。 最近对一些分布外检测技术的回顾发现,设置软最大阈值是更有效的技术之[33](见表5)。最重要的是避免对未经培训的植入物进行错误分类。因此,必须选择相对严格的截止值。测试发现,0.95的截止值产生了合理的结果,拒绝了从其他类型的X射线(例如胸部X射线)到膝关节AP X射线的训练分布之外的一系列图像,用于CNN未接受训练的关节置换术(MaxXFreedom.本研究表明,所选CNN架构实现了所选骨科植入物的卓越性能。一个原因可能是植入物的几何特征具有典型的几何形状,并且可以通过CNN容易地识别。今后的工作可在若干方面改进和发展这项研究。手动分割可以被自动分割技术(如YOLOv3)取代[26]。数据集可以在大小和纳入NHS使用的所有植入物以及可能来自其他国家医疗保健系统方面进行改进。本研究从规模和范围上证明了该项目的可行性和可能性。5. 结论本研究介绍了基于ResNet-18架构的CNN的训练和测试,该架构可以准确和自动区分用于全膝关节置换和无假体的七类植入物。两名临床医生,包括一名高级或心理咨询师,指导数据清理和数据预处理。这是一种保障措施,因此可以确保使用临床上值得信赖的数据集来训练算法。下一步是开发和部署一种算法,该算法基于类似的原理,但在规模和范围上有所扩展。扩展系统的部署可以节省临床医生的时间,并减少因缺乏植入物识别而导致手术延迟、翻修手术延长和失血量增加伦理声明本研究的英国数据的伦理批准已获得NHS批准(参见IRAS项目ID:264110/1400,使用人工智能识别骨科植入物的品牌和型号,申办方:Luton Dunstable University Hospital NHS Foundation)。&印度数据集的伦理批准已获得印度医学科学研究所伦理委员会的批准(IEC-496/2019年8月2日,RP-32/2019)。竞合利益作者声明,他们没有竞争的经济利益或个人关系,可能会影响本文报告的工作。确认作者要感谢伦敦大学学院健康信息学研究所和卢顿邓斯特布尔大学医院NHS基金会。&引用[1] 巴尔·J,麦克唐纳·SJ,伯恩·RB。 全膝关节置换翻修术的术前评估。临床骨科相关 研究 2006;446 :40-4 。https://doi.org/10.1097/01 的 网站 。blo.0000218727.14097.d5.[2] Wilson NA,Jehn M,York S,Davis CM.翻修型全髋关节和膝关节置换术植入物识别:使用唯一器械识别的意义2012年AAHKS成员调查结果。关节成形术杂志2014;29(2):251-5。https://doi.org/10.1016/j.arth.2013.06.027。[3] Glyn-Jones S,et al. Osteoarthritis.柳叶刀2015;386(9991):376-87。网址://doi. org/10.1016/S0140-6736(14)60802-3。S.C. Belete等人医学信息学解锁25(2021)1006698[4] Vina ER,Kwoh CK.骨关节炎的流行病学:文献更新。Curr OpinRheumatol2018;30(2):160-7. https://doi.org/10.1097/BOR.0000000000000479网站。[5] NJR。“2020年第17次年度报告:英格兰、威尔士、北爱尔兰和马恩岛的国家关节登记处”,NJR 17。 Annu Rep 2019;2019.[6] Price AJ,et al.膝盖置换手术 柳叶刀2018;392(10158):1672-82。网址://doi. org/10.1016/S0140-6736(18)32344-4.[7] [10]张文辉,张文辉.全膝关节置换实践的影响:骨关节炎倡议数据的成本效益分析。第356章. https://doi.org/10.1136/bmj.j1131网站。[8] Kane RL,Saleh KJ,Wilt TJ,Bershadsky B.全膝关节置换术的功能结局。J.Bone Jt.外科-系列A 2005;87(8):1719-24。https://doi.org/10.2106/JBJS.D.02714。[9] Cheung A,Goh SK,Tang A,Keng TB.全膝关节置换术的并发症。Curr Orthop2008. https://doi.org/10.1016/j.cuor.2008.07.003网站。[10] Stirling P,Middleton S,Brenkal I,Walmsley P.翻修型全膝关节置换术与初次全膝关节置换术。伯恩湾开放2020;1(3):29-34。[11] 吴伟杰,王伟杰,王伟杰.全膝关节置换翻修术。骨科知识更新:髋关节和膝关节重建2018;5。[12] [1] Wilson N,BroatchJ, Jehn M,Davis C.植入式器械识别的时间、成本和失败的国家预测:考虑使用唯一器械识别。医疗保健2015;3(4):196-201。https://doi.org/10.1016/j.hjdsi.2015.04.003。[13] 埃文斯JT,沃克RW,埃文斯JP,布洛姆AW,塞耶斯A,怀特豪斯先生。膝关节置换术持续多久?对随访超过15年的病例系列和国家登记报告进行系统性综述和荟 萃分 析 柳 叶刀 2019;393 (10172 ): 655-63 。 https ://doi.org/10.1016/s0140-6736(18)32531-5.[14] Yong TM,Young EC,Molloy IB,Fisher BM,Keeney BJ,Moschetti WE.同期双侧全膝关节置换术的长期植入物存活率和失效模式关节成形术杂志2020;35(1):139-44。https://doi.org/10.1016/j.arth.2019.08.011.[15] [10] RossD,Erkocak O,Rasouli MR,Parvizi J. 手术时间与全关节置换术中的失血量和输血需求直接相关。Arch. 伯恩湾外科2019;7(3):229-34。https://doi.org/10.22038/abjs.2019.28534.1736网站。[16] Krizhevsky A,Sutskever I,Hinton GE.使用深度卷积神经网络进行ImageNet分类。Commun ACM 2017;60(6):84-90. https://doi.org/10.1145/3065386.[17] 放大图片作者:Jakib S,Ahmed A,KabirJ, Ahmed H. 卷积神经网络概述:其架构和应用。ResearchGate;2018[在线].可查阅https://www.researchgate.net/publication/329220700。[18] Nicholson Price W.大数据和黑盒X医疗算法。《科学翻译医学》2018;10:471。https://doi.org/10.1126/scitranslmed.aao5333网站。[19] 拉伊EX plainable AI:从黑盒到玻璃盒。 J Acad Market Sci 2020;48(1):137-41. https://doi.org/10.1007/s11747-019-00710-5网站。[20] 放大图片作者:J. J.可视化深度神经网络决策:预测差异分析。 2017年。[21] 放大图片作者:Hendrycks D.用于检测神经网络中错误分类和分布外示例的基线。[Online].可用网址:arxiv.org/abs/1610.02136。[22] Karimi D,Gholipour A.用卷积神经网络改进医学图像分割中的校准和分布外检测。arXiv,[Online]. 可用,http://arxiv.org/abs/2004.06569; 2020年。[23] Esteva A等人,皮肤科医生用深度神经网络对皮肤癌进行分类。Nature 2017;542(7639):115-8. https://doi.org/10.1038/nature21056网站。[24] Howard JP,et al.使用神经网络的心律设备识别。JACC临床电生理学2019;5(5):576-86。https://doi.org/10.1016/j的网站。 jacep.2019.02.003。[25] Borjali A,Chen AF,Muratoglu OK,Morid MA,Varadarajan KM.使用深度卷积神经网络在平片上检测全JOrthop Res 2020;38(7):1465-71。https://doi.org/10.1002/jor.24617.[26] Kang YJ,Il Yoo J,Cha YH,Park CH,Kim JT.基于机器学习的髋关节置换术设计识别。J.矫形外科Transl. 2020;21:13-7. 网址:http://doi.org/10.1016/j.jot.2019.11.004[27] Yi PH等人,&使用深度学习对膝关节置换术进行自动检测分类。膝关节2020;27(2):535-42。https://doi.org/10.1016/j的网站。 knee.2019.11.020。[28] 作者:J.J. T,J.J.关于训练递归神经网络的困难。 2013年。[29] 何克,张X,任S,孙杰,深度残差学习图像识别。2016.https://doi.org/10.1109/CVPR.2016.90网站。[30] 李新,庞涛,熊波,刘伟,梁平,王涛。基于卷积神经网络迁移学习的糖尿病视网膜病变眼底图像分类。2018. https://doi.org/10.1109/CISP-BMEI.2017.8301998网站。[31] 金玛·迪德里克巴·吉米·雷随机优化的一种方法。第三届国际学习表征会议,ICLR 2015 -会议跟踪程序。ICLR; 2015年。https://arxiv.org/pdf/1412.6980.pdf网站。[32] 斯蒂芬侯爵。机器学习:数学的视角北京:人民出版社;2015. p. 81岁。[33] ShafaeiA,Schmidt M,Little JJ. 分布外样本检测器的偏差较小的评估。2020年。
下载后可阅读完整内容,剩余1页未读,立即下载
![application/x-rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![.pdf](https://img-home.csdnimg.cn/images/20210720083646.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![rar](https://img-home.csdnimg.cn/images/20210720083606.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
![zip](https://img-home.csdnimg.cn/images/20210720083736.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)