基于深度学习和M型超声的张力性气胸检测

张力性气胸是灾害救援、交通事故以及战创伤环境下的常见伤，需要及时救助。常用的X光、CT等诊断设备由于体积大、重量重、转运困难，不适用于救援现场。超声设备方便携带，适用于救援环境。但超声图像噪声大、分辨率低，上手难度大，影响诊断效率。文中研究了深度学习模型对M型超声下肺超声典型征象进行识别分类的效果。使用超声设备，建立肺部模拟模型，采集5种M模式下肺超声典型特征图像并建立数据集。使用MATLAB获悉更多深度学习工具箱，搭建GoogLeNet和VGG19两种深度学习模型，并使用M型肺超声典型图像进行训练。GoogLeNet和VGG19网络对M型肺超声典型特征图像的整体识别准确率分别为0.923 1和0.938 5，GoogLeNet以Docetaxel配制及VGG19网络对5种M型超声典型特征图像的识别准确率比较高，VGG19虽然识别准确率优于GoogLeNet，但VFilter mediaGG19模型比GogLeNet大更多。通过研究两种深度学习网络对5类M型超声的图像分类效果，证明了深度学习模型在M型超声图像分类识别领域具有广阔的应用前景。