基于ResNet网络模型的手术切口常见特征的识别

目的 近年来由于加速康复外科及日间手术在外科领域的发展,使得患者平均住院日缩短,术后手术切口需居家康复,为及时发现伤口存在的问题,预防或减轻患者出院后的焦虑,本研究利用深度学习的方法对手术切口常见并发症的特征进行分类,期望实现以患者为主导的手术切口常见并发症的早期识别.方法 收集2021年6月-2022年3月某三甲医院手术后患者的切口图像1 224张,根据并发症特征进行分类整理,并将其按8∶1∶1的比例分为训练集、验证集和测试集,使用4种卷积神经网络分别进行模型的训练与测试.结果 通过多种卷积神经网络的训练,并在基于300张手术切口图像测试集的基础上进行模型性能的测试,4种ResNet分类网络...

Full description

Saved in:
Bibliographic Details
Published in四川大学学报（医学版） Vol. 54; no. 5; pp. 923 - 929
Main Authors 赵春林, 胡诗琪, 贺婷婷, 袁邻雁, 杨雪, 王晶, 陈潇, 梁智敏, 郭雨辰, 李平, 李玲利
Format Journal Article
LanguageChinese
Published 四川大学华西医院 胸外科/四川大学华西护理学院 成都 610041%西南石油大学电子信息(计算机技术)学院 成都 610500%四川大学华西医院/四川大学华西护理学院 成都 610041 20.09.2023
Subjects
Deep learning
并发症
图像分类
Complications
深度学习
Surgical incisions
手术切口
Image classification
Online AccessGet full text
ISSN1672-173X
DOI10.12182/20230960303

Cover

More Information
Summary:目的 近年来由于加速康复外科及日间手术在外科领域的发展,使得患者平均住院日缩短,术后手术切口需居家康复,为及时发现伤口存在的问题,预防或减轻患者出院后的焦虑,本研究利用深度学习的方法对手术切口常见并发症的特征进行分类,期望实现以患者为主导的手术切口常见并发症的早期识别.方法 收集2021年6月-2022年3月某三甲医院手术后患者的切口图像1 224张,根据并发症特征进行分类整理,并将其按8∶1∶1的比例分为训练集、验证集和测试集,使用4种卷积神经网络分别进行模型的训练与测试.结果 通过多种卷积神经网络的训练,并在基于300张手术切口图像测试集的基础上进行模型性能的测试,4种ResNet分类网络模型SE-ResNet101、ResNet50、ResNet101、SE-ResNet50的手术切口分类平均准确率分别为0.941、0.903、0.896、0.918,精确率分别为0.939、0.898、0.868、0.903,召回率分别为0.930、0.880、0.850、0.894,其中以SE-Resnet101网络模型切口特征分类平均准确率最高,达到0.941.结论 将深度学习和手术切口图像相结合的方式,能通过手术切口图像对手术切口的问题特征进行有效识别,最终有望实现患者智能终端手术切口自检.
ISSN:1672-173X
DOI:10.12182/20230960303