#论文阅读&CTG The Use of Convolutional Neural Networks in Biomedical Data Processing

DOI	10.1007/978-3-319-64265-9_9
所属期刊	ITBAM 2017
论文发表时间	2017年07月26日
记录时间	2023年01月03日
记录人	Troye Jcan

---

The Use of Convolutional Neural Networks in Biomedical Data Processing

一、Datasets

  CTU-UHB，552条数据，包括46例剖腹产和506例阴道分娩，以pH值≤7.15为病理（112例），pH值大于7.15为正常（439例），舍弃了No.4004样本（在FFT处理时出现错误）。
  仅使用FHR和UC，没有添加临床信息

二、Data Processing

  使用FHR和UC的后14400个信号作为输入，使用w0分别为{4, 8}的Morlet小波（或称Gabor小波）进行连续小波变换，将得到的二维灰度图重新采样为小尺寸（2496）和大尺寸（48192），因此，每个样本中都可以获得四个两种不同分辨率的二维灰度图。
  最终，正常类样本为1756例，病理类样本为448例。按2:1的比例划分训练集和测试集。

三、Model Framework

网络层 / 超参数	参数设置
Conv1	filters=5，kernel=(16, 8)
Conv2	filters=10, kernel=(8, 4)
Conv3	filters=20, kernel=(8, 4)
Dense	units=200
activation	relu
learning_rate	0.003
learning_rate decay	0.95
Optimizer	Adam

四、Methodology

  In the paper we are applying continuous wavelet transform (CWT) to the UC and FHR signals with different levels of time/frequency detail parameter and in two different resolutions. The output 2D structures are fed to convolutional neural network (we are using Tensorflow framework) and we are using the cross entropy function as a criterion to be minimized during the learning process.
  本文使用连续小波变换应用于不同时间/频率细节参数水平的FHR和UC信号，输出的二维灰度图被输入至卷积神经网络中，并使用交叉熵函数作为学习过程中的最小化准则。

五、Results

  Accuracy=0.941

六、Contributions

  找到了准确率为0.941的模型超参数设置（如三所示），同时研究了网络的各种组织结构、处理后图像的不同子采样参数和各种参数，结果对Dense层的units值很敏感（units=200），一定程度上对学习速率和Conv层的filters值很敏感（并未发现任何明确值）。

七、Conclusion

  On the testing dataset (with pH threshold at 7.15) we have achieved the accuracy of 94.1% which is a promising result that needs to be further studied.
  在测试数据集上达到了94.1%的准确率，这是一个很有希望的结果，需要进一步研究。

如有问题，请及时反馈