基于深度学习的X线造影中肾上腺血管关键帧识别算法.pdf

文章编号：1671-7104(2024)02-0138-06基于深度学习的X线造影中肾上腺血管关键帧识别算法【作者】陶慧敏1,2，黄淼1，刘琮3，刘永田4，胡志华1，陶莉莉1，张淑平11上海第二工业大学智能制造与控制工程学院，上海市，2012092上海第二工业大学计算机与信息工程学院，上海市，2012093上海商学院物联网工程系，上海市，2014004山东第一医科大学附属青州医院泌尿科，青州市，262500【摘要】原发性醛固酮增多症的分型诊断需进行肾上腺静脉取样，肾上腺静脉出现的帧称为关键帧。目前，关键帧的选取依赖于医生肉眼判断，耗时费力。该研究提出基于深度学习的关键帧识别算法。首先，采用小波去噪和多尺度血管增强滤波的方法，保留肾上腺静脉的形态特征。接着，结合自注意机制，得到改进的识别模型ResNet50-SA。与常用的迁移学习相比，新模型在准确率、精确度查准率、召回率、F1和AUC上都达到97.11%，优于其他模型，可帮临床医生快速识别肾上腺静脉中的关键帧。【关键词】迁移学习；自注意机制；小波变换；关键帧识别；肾上腺血管造影【中图分类号】R445；R814.43【文献标志码】Adoi:10.12455/j.issn.1671-7104.240040Deep Learning-Based Key Frame Recognition Algorithm forAdrenal Vascular in X-Ray Imaging【Authors 】TAOHuimin1,2,HUANGMiao1,LIUCong3,LIUYongtian4,HUZhihua1,TAOLili1,ZHANGShuping11School of Intelligent Manufacturing and Control Engineering,Shanghai Polytechnic University,Shanghai,2012092SchoolofComputerandInformationEngineering,ShanghaiPolytechnicUniversity,Shanghai,2012093DepartmentofInternetofThingsEngineering,ShanghaiBusinessSchool,Shanghai,2014004UrinarySurgery,ShandongFirstMedicalUniversityAffiliatedQingzhouHospital,Qingzhou,262500【Abstract 】Adrenalveinsamplingisrequiredforthestagingdiagnosisofprimaryaldosteronism,andtheframesinwhichtheadrenalveinsarepresentedarecalledkeyframes.Currently,theselectionofkeyframesreliesonthedoctorsvisualjudgementwhichistime-consumingandlaborious.Thisstudyproposesakeyframerecognitionalgorithmbasedondeeplearning.Firstly,waveletdenoisingandmulti-scalevessel-enhancedfiltering are used to preserve the morphological features of the adrenal veins.Furthermore,byincorporating the self-attention mechanism,an improved recognition model called ResNet50-SA isobtained.Comparedwithcommonlyusedtransferlearning,thenewmodelachieves97.11%inaccuracy,precision,recall,F1,andAUC,whichissuperiortoothermodelsandcanhelpcliniciansquicklyidentifykeyframesinadrenalveins.【Key words】transferlearning,self-attentionmechanism,wavelettransform,keyframerecognition,adrenalangiography0引言引言肾上腺皮质分泌过多的醛固酮，会致使患者患上原发性醛固酮增多症（primaryaldosteronism,PA）。PA是继发性高血压最常见的病因，中国新诊断的高血压患者中PA比例至少为4%1。醛固酮过量会显著增加心血管疾病和脑卒中的风险2。PA的主要原因是醛固酮生成腺瘤（aldosteroneproducingadenoma,APA）和双侧肾上腺皮质增生症（bilateraladrenalhyperplasia,BAH）3。临床专家为准确判断PA的病因是APA还是BAH，要对患者进行肾上腺静脉采血（adrenalveinsampling,AVS）。整个AVS手术过程在数字减影血管造影（digitalsubtractingangiography,DSA）的引导下进行4。DSA收稿日期：2024-01-18基金项目：国家自然科学基金(62003205,62203291)；中国博士后科 学 基 金(2021M690481)；上 海 市 自 然 科 学 基 金(20ZR1440300)作者简介：陶慧敏，E-mail:通信作者：刘永田，E-mail:ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能138可获得注射造影剂后消除骨与软组织影像的纯血管X线帧流。X线减影过程中，因造影剂充盈整个血管需要一段时间，血管结构会逐帧显示，医生需不间断地观察X线图像，才能发现肾上腺血管出现的帧，这被称为关键帧。为了解决当前关键帧完全依赖临床专家人工选取费时耗力的问题，本研究考虑采用自动化的方法来识别关键帧。目前，已有学者针对视频文件中包含特定内容的关键帧的自动识别问题进行了相关研究并获得了一定的研究成果5。传统的关键帧检测算法有基于聚类的关键帧提取算法6和基于视频内容的关键帧提取算法7。但上述算法是基于前后多帧对比，计算量大，关键帧识别效果不佳。由于肾上腺血管X线图像中包含各种噪声，例如：量子噪声、电子噪声和重建噪声等，对关键帧的特征识别影响较大，所以对原始X线图像进行去噪处理尤为重要。常见的去噪算法主要包括空域滤波和频域滤波2种。以中值滤波8、均值滤波9、双边滤波10为代表的空域算法受到原理限制，血管的边缘细节特征信息会被掩盖，去噪效果不理想。频域滤波中的小波变换可以得到图像不同分辨率和不同空间尺度下的分解子带11，能更好地保留支血管与主血管之间的关联信息，但会降低血管与背景的对比度，增加对血管细节特征的提取难度。文献12提出一种多尺度增强滤波器，能够对曲线型血管进行增强，从而明显改善曲线结构的可视化效果。但上述的单一滤波器不能对肾上腺血管背景处的噪声达到满意的去噪效果，需进一步寻求有效识别策略。为克服医学影像标注数据的稀缺问题，迁移学习方法能够先在大规模图像数据集上进行预训练，再把学习到的知识迁移到目标任务，从而达到降低目标任务所需训练数据数量的目的13。大量的迁移学习算法以残差网络为基础进行改进，其中包括EfficientNet14、AlexNet15、VGG1616、SqueezeNet17、DenseNet18、ResNet5019等。然而，大多数迁移学习方法主要从整个图像中学习特征，高维细节特征学习能力较差。为解决这一问题，EKAMBARAM等20基于卷积长短记忆的长期注意力模块和基于Transformer的短期注意力模块之间进一步嵌入了图像到补丁的对比学习，明显优于现有的方法。ZHANG等21将自注意机制用于图像生成，获得图像更高层的细节特征。WEI等22提出了一种结合卷积神经网络和注意力模块，来提取细胞图像特征并突出显示感兴趣区域的注意力图进行微核识别。综上，迁移学习与自注意力机制相结合来解决肾上腺血管X线造影的关键帧识别问题的应用较少。针对上述问题，提出一种基于迁移学习和自注意机制融合的深度学习算法。首先，建立相应的肾上腺血管造影数据集；其次，采用小波去噪和多尺度滤波对帧数据进行预处理，提出基于自注意力机制改进的ResNet50网络。对比实验显示，所提出模型的指标均超过其他迁移学习模型。本研究所提出的算法可为临床医生从X线帧流中识别肾上腺血管关键帧，提供可靠的自动化辅助提示。1方法方法1.1数据集整理数据集来自20192021年接受肾上腺血管造影术患者的影像，患者年龄在4556岁。在整个AVS手术过程中，患者屏气，给予碘化造影剂行静脉注射，使用X线对患者的左右两侧肾上腺血管从不同角度进行拍摄，将得到视频影像保存为肾上腺血管造影数据集。该数据集经过整理后包括2种肾上腺血管，分别是左侧肾上腺血管、右侧肾上腺血管。共采集到463个患者的血管造影过程，其中包含关键帧1387张，非关键帧1384张。1.2数据增强为了避免过拟合和类不平衡问题，通过采取随机组合、强度变化、旋转、水平和垂直方向翻转以及平移的方法对训练数据集进行多尺度数据增强。数据增强使用Torch内置的Compose函数来执行。由于肾上腺血管的关键帧和非关键帧分类不平衡，所以采用上述数据增强的过采样方法平衡每个类别的肾上腺血管的图像数量。增强后的训练集包含关键帧1040张，非关键帧1038张，测试集包含关键帧347张，非关键帧346张（16001200像素，每个通道24位深度）。1.3数据预处理肾上腺血管的图像不仅含有一种噪声，在图像处理过程中，如果只针对单一的噪声进行去噪，效果不能达到预期。采用小波阈值去噪方法，在一定程度上解决了边界模糊的问题23。经过小波变换后，有效信息分布在较大的小波系数中，特征和噪声可以被分离，小波阈值表示如式(1)所示：Wj,k=Wj,k,?Wj,k?0,?Wj,k?(1)Wj,kjk是通过阈值处理过后得到的小波系数，是噪声图像的第 尺度下的第 个小波系数，为选择阈值。去噪后图像中多余的噪声基本可以去除。但是，血管的边缘和分支点的清晰度下降。肾上腺血管中包含各种各样的支血管，为了恢复各种宽度的线路结构，以消除线形结构和造影剂不均匀的影响，引入了多尺度滤波器。多尺度滤ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能139波器的输出由式(2)(4)计算得到：L(x;r)=exp(x2+y22r2)(2)RL(x;r,f)=d2dx2G(x;r)L(x;r)(3)ML(x;r)=maxfRL(x;r,f)(4)(x,y)L(x;r)r,fG(x;r)RLML式(2)中，血管结构用3D曲线来表示，曲线上点的坐标为，为高斯截面的给定值。式(3)中为常数，为高斯滤波的标准差。式(4)中为单一尺度滤波响应，为多尺度滤波响应。进行多尺度滤波后如图1所示，过滤后的图像显示，多尺度滤波明显改善了小分支的血管与支血管的连续性。(a)原图非关键帧(a)Original non-keyframe(b)原图关键帧(b)Original keyframe(c)多尺度非关键帧(c)Multi-scale non-keyframe(d)多尺度关键帧(d)Multi-scale keyframe 图1多尺度滤波图Fig.1Multi-scalefilterplot2提出提出ResNet50-SA模型模型为提高现有迁移学习模型对肾上腺静脉采血X线造影中关键帧的识别能力，提出了一种基于自注 意 机 制（self-attention,SA）改 进 的 ResNet50网络模型。模型基于ResNet50网络结构，引入自注意机制模块来替代中间卷积层。训练时采用迁移学习方法，以降低对训练数据量的需求。本研究所提模型的任务为对输入的肾上腺血管造影图像进行二分类，即关键帧和非关键帧，改进模型的分类模型内部结构如图2所示。2565656512282810241414204877从图2中可以看出，本研究所提的改进模型结构 在 ResNet50网 络 结 构 的 基 础 上，把 每 一 个Bottleneck模块的第二个的卷积层用自注意机制模块代替进行高层的特征学习，Bottleneck_1模块共有3个的卷积块；Bottleneck_2模块共有4个的卷积块；Bottleneck_3模块共有6个的卷积块；Bottleneck_4模块共有3个的卷积块，最后将全连接层修改为二分类。接下来，对自注意层和全连接层的参数进行训练。第一阶段，加载除了全连接层参数之外的预训练模型的全部参数，全连接层的初始参数按照泽维尔初始化选取。第二阶段，冻结全连接层的全部参数，对卷积层进行训练。第三阶段，先冻结卷积层对全连接层训练。接着使用优化器对参数进行更新，卷积层中参数不固定，梯度进行更新。最后对全连接层和卷积层进行整体训练。2.1模型参数网络使用交叉熵作为模型的损失函数24，优化器可以选择SGD，初始的学习率为0.001，训练Bottleneck_1Bottleneck_2Bottleneck_3Bottleneck_477Conv6411Conv6411Conv25611Conv12811Conv51211Conv51211Conv25611Conv1 02411Conv2 04833Max poolAvgpoolFC2Self-attentionSelf-attentionCHWySelf-attentionSelf-attentionSelf-attention卷积图2模型整体结构图Fig.2OverallstructureofthemodelChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能140代数为200，衰减系数为0.1，划分batch之前打乱顺序，batch_size设定为4，定义线程为2。2.2训练环境和实现在模型学习时使用的硬件为NVIDIARTX306016GB，内存1TB，开发工具为运行在Windows11系统上的Python3.7.1。此外，模型学习还使用了Torch1.10、CUDA 11.6、cuDNN 8.3.1，使 用Matplotlib和Pandas包进行了可视化。3结果结果利用所提的ResNet50-SA模型在肾上腺血管数据集上进行多次训练，设置损失函数的收敛精度为0.001，当损失函数达到收敛精度时，模型停止训练。实验结果分为2个部分：与现有经典的迁移学习模型（包括：EfficientNet_b0、AlexNet、VGG16、SqueezeNet1_1、ResNet50）进行对比实验，用于说明所提模型的有效性；利用消融实验分析模型各部分对分类结果的影响。3.1评估指标研究肾上腺血管造影图像的关键帧和非关键帧 的 二 分 类 任 务，利 用 分 类 得 到 的 真 阳 性（TP）、假阳性（FP）、真阴性（TN）和假阴性（FN）的结果来计算准确率（Accuracy）、精确度查准率（Precision）、召回率（Recall）和F1四个性能指标的值，从而达到评估网络的分类性能的目的25。准确率、精确度查准率、召回率和F1的计算如式(5)(8)所示：Accuracy=TP+TNTP+FP+TN+FN(5)Precision=TPTP+FP(6)Recall=TPTP+FN(7)F1=2PrecisionRecallPrecision+Recall(8)3.2与经典的迁移网络比较将本研究所提出的网络与6种不同的经典模 型 EfficientNet_b026、AlexNet27、VGG1628、SqueezeNet1_129、ResNet5030（包含有无多尺度滤波两种情况）进行对比，使用在ImageNet31数据集上预训练得到的参数对网络进行初始化，并在肾上腺血管造影数据集上进行训练，采用相同的收敛精度，量化分类的结果如表1所示。如表1所示，本研究所提的ResNet50-SA模型在Accuracy、Precision、Recall、F1和AUC指标上的表现均优于其他6种对比模型。所提模型的准确率图如图3(a)所示。训练过程中的准确率在训练集和验证集上较为拟合。从图3(b)中训练过程的损失率可知，所提的模型在训练集和验证集上的损失率下降较为明显，本研究所提模型中的损失率较低。从图3(c)中0为非关键帧，1为关键帧的混淆矩阵可知，在测试阶段中有335个关键帧被正确分类为关键帧，12个关键帧被错误分类为非关键帧。由图3(c)中混淆矩阵与其他对比模型混淆矩阵图可知，本研究所提的对关键帧的正确分类率为96.54%，均高于对比模型的正确分类率（93.65%、94.23%、94.81%、95.67%、95.96%）。在图4中可知，以假阳性率和真阳性率作为X轴和Y轴做出ROC曲线，本研究所提的模型AUC值较大，且AUC下的面积为最大。所提ResNet50-SA模型的AUC值为97.11%，相比于之前的6种分类模型有明显提高。3.3消融实验消融实验分析预处理（小波去噪和多尺度滤波）和自注意机制模块对分类性能的影响。为研究小波去噪和多尺度滤波预处理对关键帧分类精度的影响，选取ResNet50为基准进行消融实验。在自主构建的肾上腺血管数据集上进行相应预处理操作，以ResNet50的模型训练。对比结果如表1所示，其中ResNet50的AUC为96.97%，对比未加预处理的数据集，AUC指标值提高了0.29%。为研究自注意模块对整体分类结果的影响，由图5给出的基于小波去噪和多尺度滤波ResNet50表1经典分类模型对比Tab.1Comparisonofclassicalclassificationmodels研究模型预处理迁移学习准确率（%）精确度查准率（%）召回率（%）F1（%）AUC（%）EfficientNet_b0无ImageNet94.9594.9894.9594.9494.95AlexNet无ImageNet95.8295.8695.8295.8195.82VGG16无ImageNet96.3996.4496.4096.3996.39SqueezeNet1_1无ImageNet96.5496.5596.5496.5396.54ResNet50无ImageNet96.6896.6796.6896.6896.68ResNet50多尺度滤波ImageNet96.9696.9796.9796.9696.97ResNet50-SA多尺度滤波ImageNet97.1197.1297.1197.1197.11ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能141与图3(c)给出的基于预处理数据ResNet50-SA模型的混淆矩阵实验结果对比可知：对关键帧的分类正确率无影响，对非关键帧的分类正确率提高了0.3%。从图4的对比可知，ResNet50-SA中AUC值比ResNet50的AUC值提高了0.14%。4结论结论本研究主要采用基于小波去噪和多尺度血管增强滤波的深度学习模型，来解决肾上腺血管关键帧的识别问题。采用小波去噪和多尺度滤波的方法增强了树状型血管的显现效果。将自注意机制引入迁移学习模型中，提高了对肾上腺血管关键帧和非关键帧的分类精度。在与EfficientNet_b0、AlexNet、VGG16、SqueezeNet1_1、ResNet50的对比实验结果和消融实验结果可知，本研究所提ResNet50-SA模型可以有效提升分类精度，可为临床医生从X线帧流中发现肾上腺血管出现的关键帧，并提供可靠的自动化辅助提示。下一步将研究基于深度学习的关键帧中肾上腺血管分割问题。003373351293002502001501005011真实标签预测标签图5预处理的ResNet50混淆矩阵Fig.5PreprocessedResNet50confusionmatrix参考文献XUZ,YANGJ,HUJ,etal.PrimaryaldosteronisminpatientsinChinawithrecentlydetectedhypertensionJ.JAmCollCardiol,2020,75(16):1913-1922.1HANNEMANN A,MEISINGER C,BIDLINGMAIERM,et al.Association of plasma aldosterone with themetabolicsyndromeintwoGermanpopulationsJ.EurJEndocrinol,2011,164(5):751-758.2REINCKE M,BANCOS I,MULATERO P,et al.Diagnosis and treatment of primary aldosteronismJ.LancetDiabetesEndocrinol.,2021,9:876-892.3CHAY,KIMJT,PARKCH.etal.Artificialintelligenceandmachinelearningondiagnosisandclassificationofhip fracture:systematic reviewJ.J Orthop Surg Res,2022,17:520.4RAMESH M,MAHESH K.Efficient key frameextraction and hybrid wavelet convolutional manta rayforagingforsportsvideoclassificationJ.ImagingSciJ,2023,71(8).5HONGZ,JIEWW,TAOW,etal.Key-frameextractionbasedonHSVhistogramandadaptiveclusteringJ.MathProblEng,2019,2019(12):1-10.6丁锐鑫,陈元睿.内容的视频检索中关键帧提取算法分析J.信息与电脑(理论版),2020,32(4):50-51.7张彬.肺部CT图像滤波及肺结节分割性能验证滤波效8(c)ResNet50-SA的混淆矩阵(c)Confusion matrix for ResNet50-SA003383351283002502001501005011真实标签预测标签trainval1.00.90.80.70.60.50.40.30.20.10020 40 60 80 100 120 140 160 180 200损失率trainval1.00.90.80.70.60.50.40.30.20.10020 40 60 80 100 120 140 160 180 200准确率(a)ResNet50-SA的训练过程的准确率(b)ResNet50-SA的训练过程的损失率代数/n代数/n(a)Training process of ResNet50-SA accuracy(b)Training process of ResNet50-SA loss图3预处理+ResNet50-SA的分类性能分析Fig.3Classificationperformanceanalysisofpreprocessing+ResNet50-SA1.00.80.60.40.201.00.80.60.40.2EfficientNet_b0(AUC=0.949 5)AlexNet(AUC=0.958 2)VGG16(AUC=0.963 9)SqueezeNet1_1(AUC=0.965 4)ResNet50(AUC=0.966 8)ResNet50-Sato(AUC=0.969 7)ResNet50_SA(AUC=0.971 1)真正率假正率图47组对比实验的ROC曲线Fig.4ROCcurvesforsevensetsofcomparisonexperimentsChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能142果的研究D.郑州:郑州大学,2021.陈王镱.基于深度学习的X光图像采集系统设计及降噪算法研究D.杭州:杭州电子科技大学,2020.9赵爱玲.工业X射线图像增强算法研究D.太原:中北大学,2021.10李景玉,张荣芬,刘宇红.基于小波变换的多尺度图像融合增强算法J.光学技术,2021,47(2):217-222.11SATO Y,NAKAJIMA S,SHIRAGA N,et al.Three-dimensionalmulti-scalelinefilterforsegmentationandvisualizationofcurvilinearstructuresinmedicalimagesJ.MedImageAnal,1998,2(2):143-168.12黎英,宋佩华.迁移学习在医学图像分类中的研究进展J.中国图象图形学报,2022,27(3):672-686.13黄敏,马淑娅.EfficientNet网络的肺炎X射线图像分类J.生物医学工程研究,2023,42(1):50-57.14LAAVANYA M,VIJAYARAGHAVAN V.ResidualLearning of Transfer-learned AlexNet for ImageDenoisingJ.IEEETransSmartProcessComput,2020,9(2):135-141.15SASHIKANTAP,KUMARSD,SRIKANTAP.Anoveltransfer learning technique for detecting breast cancermammograms using VGG16 bottleneck featureJ.ElectrochemSocTrans,2022,107(1):733-746.16MICHAIL T,THOMAS P,VASILIS M.An improvedSqueezeNetmodelforthediagnosisoflungcancerinCTscansJ.MachLearnAppl,2022,10(8):1000399.17PANCY,LIANLY,CHENJY,etal.FemurTumorNet:Bone tumor classification in the proximal femur usingDenseNetmodelbasedonradiographsJ.JBoneOncol,2023,42(7639):1000504.18ISLAMF,RAHMANHM,NURJAHAN,etal.Anovelmethod for diagnosing Alzheimers disease from MRIscansusingtheResNet50featureextractorandtheSVMclassifierJ.InternationalJournalofAdvancedComputerScienceandApplications(IJACSA),2023,14(6):1233-1242.19EKAMBARAMD,PONNUSAMYV,NATARAJANTS,et al.Artificial Intelligence(AI)Powered PreciseClassification of Recuperation Exercises for Muscul-oskeletalDisordersJ.TraitementduSignal,2023,40(2):9874043.20ZHANG H,GOODFELLOW I,METAXAS D,et al.Selfattention generative adversarial networksC/Proce-edingsofthe36thInternationalConferenceonMachineLearn-ing.LongBeach:PMLR,2019:12744-12753.21WEIW,TAOH,CHENW,etal.AutomaticrecognitionofmicronucleusbycombiningattentionmechanismandAlexNetJ.BMCMedInformDecisMak,2022,22(1):22138.MITICHEL,A.B.HOUDAADAMOU-MITICHEANDH.NAIMI,Medical image denoising using dual treecomplex thresholding wavelet transformC/2013 IEEEJordanConferenceonAppliedElectricalEngineeringandComputing Technologies(AEECT).Amman,Jordan,2013:1-5.23KURIANNC,MESHRAMPS,PATILA,etal.Samplespecific generalized cross entropy for robust histologyimage classificationC/2021 IEEE 18th InternationalSymposiumonBiomedicalImaging(ISBI).Nice,France,2021:1934-1938.24LIN H,CHEN H,DOU Q,et al.ScanNet:a fast anddensescanningframeworkformetastasticbreastcancerdetectionfromwhole-slideimageC/2018IEEEWinterConference on Applications of Computer Vision(WACV).LakeTahoe,NV,USA,2018:539-546.25MANTHAT,ESWARAREDDYB.AtransferlearningmethodforbraintumorclassificationusingEfficientNet-B3modelC/2021IEEEInternationalConferenceonCom-putation System and Information Technology for Sust-ainableSolutions(CSITSS).Bangalore,India,2021:1-6.26AGARWAL A,PATNI K.Lung cancer detection andclassification based on Alexnet CNNC/2021 6thInternationalConferenceonCommunicationandElectronics Systems(ICCES).Coimbatre,India,2021:1390-1397.27ZAMANIDOOSTY,ALAMI-CHENTOUFIN,OULD-BACHIRT,etal.Efficientregionproposalextractionofsmall lung nodules using enhanced VGG16 networkmodelC/2023IEEE36thInternationalSymposiumonComputer-Based Medical Systems(CBMS).LAquila,Italy,2023:483-488.28HOSSAINI,PUPPALAS,TALUKDERS.Collaborativedifferentiallyprivatefederatedlearningframeworkfortheprediction of diabetic retinopathyC/2023 IEEE 2ndInternationalConferenceonAIinCybersecurity(ICAIC).Houston,TX,USA,2023:1-6.29TALAATFM,EL-SAPPAGHS,ALNOWAISERK,etal.ImprovedprostatecancerdiagnosisusingamodifiedResNet50-baseddeeplearningarchitectureJ.BMCMedInformDecisMak,2024,24(1):23.30CHEN Z.Study of transferability of ImageNet-BasedPretrained model to brain tumor MRI datasetC/2022International Conference on Machine Learning andIntelligent Systems Engineering(MLISE).Guangzhou,China,2022:87-91.31ChineseJournalofMedicalInstrumentation2024年48卷第2期医 学 人 工 智 能143