简介：

简介：摘要：本文分析了口腔放射科照片质量的控制方法，并提出更好的控制方法。方法采用随机方法，从2017年1月至2019年12月从我们的X线照片中选择了4,500个样本，并且每年总共调查1,500个样本，观察评估结果。结果，X线照片评估的质量逐年提高，而废照片的比例逐年下降。2019年降至0.47％，较2017年（3.27％）和2018（1.87％）年大幅下降。与2019年相比差异有统计学意义（P

简介：摘要目的对基于深度学习的ResNet50-OC模型彩色眼底照片质量多分类的效果进行评估。方法纳入2018年7月在南京医科大学附属明基医院收集的彩色眼底照片PD数据集及EyePACS数据集，临床医师根据眼底图像的成像质量将其大致分为质量较好、曝光不足、曝光过度、边缘模糊和镜头反光5类。在训练集中，每个类别包含1 000张图像，其中800张选自EyePACS数据集，200张选自PD数据集；在测试集中，每个类别包含500张图像，其中400张选自EyePACS数据集，100张选自PD数据集。训练集总计5 000张图像，测试集总计2 500张图像。对图像进行归一化处理和数据扩增。采用迁移学习方法初始化网络模型的参数，在此基础上对比当前深度学习主流分类网络VGG、Inception-resnet-v2、ResNet和DenseNet，选取准确率和Micro F1值最优的网络ResNet50作为分类模型的主网络。在ResNet50训练过程中引入One-Cycle策略加快模型收敛速度，得到最优模型ResNet50-OC并将其应用于眼底照片质量多分类，评估ResNet50与ResNet50-OC对眼底照片进行多分类的准确率和Micro F1值。结果ResNet50对彩色眼底照片质量多分类准确率和Micro F1值明显高于VGG、Inception-resnet-v2、ResNet34和DenseNet。ResNet50-OC模型训练15轮对眼底图像质量多分类准确率为98.77%，高于ResNet50训练50轮的98.76%；ResNet50-OC模型训练15轮对眼底图像质量多分类的Micro F1值为98.78%，与ResNet50训练50轮的Micro F1值相同。结论ResNet50-OC模型可以准确、有效地对彩色眼底照片质量进行多分类，One-Cycle策略可减少训练次数，提高分类效率。