深度学习下主流染色体分类算法的性能评估
目的 染色体分类是医学影像处理的具体任务之一,最终结果可为医生提供重要的临床诊断信息,在产前诊断中起着重要作用.深度学习由于强大的特征表达能力在医学影像领域得到了广泛应用,但是基于深度学习的大部分染色体分类算法都是在轻量化私有数据库上得到的不同水准的分类结果,难以客观评估不同算法间的优劣,导致缺乏对算法的临床筛选标准,因此迫切需要在大规模数据库上对不同算法开展基于同样数据级的性能评估,以获取具有客观可对比性的性能数据,这对于科研成果的转化具有重要意义.方法 本文基于广东省妇幼保健院提供的染色体数据,构建了包含126453条染色体的临床数据库,精选6个主流染色体分类模型在该数据库上展开对比实验与性能评估.结果 在本文构建的大规模染色体临床数据库上,实验和分析发现,参评模型分类准确率均达到92％以上,其中MixNet模型提升后分类效果最好,为98.92％.即使分类性能落后的模型在本数据集上训练也得到明显改善,准确率从86.7％ 提升至92.09％,相比早期报告的性能提升了5.39％.结论 开展实证研究实验发现,数据库规模大小是影响染色体分类算法能否取得理想分类效果的重要因素之一.对于染色体分类任务而言,残差神经网络是比较合适的网络结构,但结果方面缺乏可解释性等原因,导致与高精度临床应用要求还存在差距.基于深度学习技术的染色体分类研究还需要进一步深入开展.
医学影像处理、深度学习、染色体分类、残差神经网络、分类评估
28
TP399(计算技术、计算机技术)
国家重点研发计划;国家社会科学基金;中国高校产学研创新基金新一代信息技术创新项目
2023-02-24（万方平台首次上网日期，不代表论文的发表时间）
共19页
570-588
