关键词：

DOI	10.1007/978-3-319-91186-1_25
所属期刊	CSOC2018 2018
论文发表时间	2018年05月17日
记录时间	2023年01月04日
记录人	Troye Jcan

---

Fetal Hypoxia Detection Based on Deep Convolutional Neural Network with Transfer Learning Approach

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≤7.05为病理（44例），pH值大于7.05为正常（508例），仅使用最后15min的信号。

  仅使用FHR，没有添加UC信号和临床信息。

二、Data Processing

  将FHR中的缺失段大于15s的片段删除，使用三次Hermite样条插值来修复较小的缺失段，之后在不损失可变性的情况下使用标准的中值滤波器来处理FHR。考虑到局部和全局的异常值，使用Romano提出的异常值检测算法（Outliers Detection and Processing in CTG Monitoring）。由于使用了非线性变换，因此去除了信号趋势（detrend the signal）以保留FHR的动态特性。

  为了将信号转换为彩色光谱图图像以输入DCNN中，本文采用了极低频（very low frequency, VLF, 0-0.03Hz）、低频（low frequency, LF, 0.03-0.15Hz, 指向胎儿成熟）、中频（middle-frequency, 0.15-0.50Hz, 指向携带胎儿运动和母体呼吸的迹象）和高频（high frequency, HF, 0.50Hz-1Hz，受副交感神经系统波动的影响）的短时傅里叶变换（Short Time Fourier Transform, STFT），将FHR处理为四种不同频率的亚频率谱图。所得的亚谱图的shape为（675, 532, 3），resize为（227, 227, 3）后输入DCNN中。

  本文使用CTU-UHB数据库，正常508例，病理44例。没有增加样本数量，没有说明数据集划分及数据量情况。

三、Model Framework

  使用AlexNet的预训练模型作为模型框架，权重为使用120w张图像训练成的1000分类。模型包括五个卷积层、三个全连接层和部分ReLU层、Norm层和Pooling层。

  微调AlexNet时，设置的超参数如下：

Parameter	Value
Mini batch size	10
Maximum epoch	4
learning rate	0.0001
Validation frequency	5
Optimizer	SGDM
Optimizer momentum	0.9
Optimizer weight decay	0.0005

四、Methodology

  本文提出一种基于深度卷积神经网络（Deep convolutional neural network, DCNN）的FHR信号的正常和异常分类方法。

五、Results

*Quality Index：$$QI=\sqrt{Sensitivity\ast Specificity}$$

No.	Accuracy(%)	Sensitivity(%)	Specificity(%)	Quality index(%)	AUC	Training Time(s)
1	92.12	53.84	95.39	71.67	0.81	38
2	96.34	53.84	100	73.38	0.84	48
3	96.97	69.23	99.34	82.93	0.93	45
4	96.36	69.23	98.68	82.65	0.86	52
5	93.33	53.84	96.71	72.16	0.83	37
6	90.9	53.84	94.07	71.17	0.76	35
7	92.72	15.38	99.34	39.09	0.78	38
8	95.75	53.84	99.34	73.13	0.86	36
9	81.81	69.23	82.89	75.75	0.82	18
10	96.97	69.23	99.34	82.93	0.91	80
Avg.	93.32	56.15	96.51	72.48	0.84	42.7

六、Contributions

  通过文献研究可以看到自动CTG分析的主要趋势依赖于一组构成预处理、特征变换（包括特征提取与特征选择）和分类的过程，而其中使用卷积神经网络来确定胎儿的不良结局的做法并不常见。综合《 The use of convolutional neural networks in biomedical data processing.》的94.1%准确率来看，使用DCNN是一种检测胎儿缺氧的有效工具。

七、Conclusion

  根据实验结果，平均准确率、敏感性、特异性分别达到了93.32%、56.15%和96.51%。由于数据分布不平衡，特异性优于敏感性，因此QI和AUC更能体现不平衡的效果。平均QI和AUC分别为72.84%和0.84。因此，本文在DCNN检测胎儿缺氧方面取得了令人鼓舞的结果。

八、Note

  整体框架：

如有问题，请及时反馈

论文阅读笔记：multi-labeledrelationextractionwithattentivecapsulenetwork（aaai-2019）

论文信息作者：XinsongZhangShanghaiJiaoTongUniversityPengshuaiLiShanghaiJiaoTongUniversityWeijiaJiaUniversityofMacau&ShanghaiJiaoTongUniversityHaiZhaoShanghaiJiaoTongUniversity论文来源：AAAI-2019 查看详情

[论文阅读](21)s&p21survivalism:systematicanalysisofwindowsmalwareliving-off-the-land(经典离地攻击(代码片段)

《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。由于作者的英文水平和学术能力不高，需要不断提升，所以还请大家批评指正，非常欢迎大家给我留言评... 查看详情

ndpi的论文阅读和机制解析

nDPI:Open-SourceHigh-SpeedDeepPacketInspectionWirelessCommunications&MobileComputingConfer2014背景根据端口号来识别协议类型，但大于某个值以后，端口号动态变化http协议会携带一系列其他页面内容，防火墙若根据端口号判断，则其他页面可以通... 查看详情

论文阅读—anewconstructiveheuristicdrivenbymachinelearningforthetravelingsalesmanproblem

ANewConstructiveHeuristicDrivenbyMachineLearningfortheTravelingSalesmanProblem摘要主要思想作者目的:ML和优化技术之间的成功交互CL&ML的背景核心创新点原文的分支方法基于CLs的统计探索研究选择最有希望的边确定边的检查顺序ML-Constructive包括... 查看详情

kd3a论文阅读笔记

...zedDomainAdaptationviaKnowledgeDistillation》是一篇被ICML2021接收的论文，论文作者来自浙江大学CAD&CG国家重点实验室。这篇文章提出一个对来自多个源域的模型进行知识蒸馏来构建可迁移的共识知识，并可应用于联邦学习的无... 查看详情

为什么读文献？如何去读！

...为不太明白高效学习的各位。 知乎： 为什么要读论文？目的是什么？大部分情况下，我们读论文，是要解决一个问题，或者了解一个知识。在这种情况下，相对于这篇论文本身，更重要的是要解决的问题/要了解的知识... 查看详情

论文阅读-iclr2019-attention,learntosolveroutingproblems

ATTENTION,LEARNTOSOLVEROUTINGPROBLEMS!摘要主要思想作者目的方法准备基于注意力的编码器解码器-关键-两次attention强化学习-训练模型的方法REINFORCE实验设置结果对比TSP的改进对比不同基线的指针网络Ptr-Net（有监督）总结备注参考文献摘... 查看详情

论文阅读-姿态识别

记录论文阅读，希望能了解我方向的邻域前沿吧粗读第一篇ATTENDTOWHOYOUARE:SUPERVISINGSELF-ATTENTIONFORKEYPOINTDETECTIONANDINSTANCE-AWAREASSOCIATION翻译：https://editor.csdn.net/md?not_checkout=1&spm=1001.2014.3001.5352&articleId=129070593无代... 查看详情

[论文阅读]darts

[论文阅读]DARTS[论文阅读]DARTS 查看详情

用沐神的方法阅读pytorchfx论文(代码片段)

【GiantPandaCV导语】torch.fx对于PyTorch来说确实是一个比较好的工作，因为它消除了一些动态图和静态图的Gap。比如在图改写方面，torch.fx让PyTorch想做一些其它静态图框架的算子融合优化非常容易。并且torch.fx让后训练量化和... 查看详情

论文阅读｜深读graphsage：inductiverepresentationlearningonlargegraphs

目录前言简介Abstract1Introduction2Relatedwork3Proposedmethod:GraphSAGE3.1Embeddinggeneration(i.e.,forwardpropagation)algorithm3.2LearningtheparametersofGraphSAGE3.3AggregatorArchitectures4Experiments4.1Inductivelearningonevolvinggraphs:CitationandRedditdata&&4.2Generalizingacrossgraphs... 查看详情

每周cv论文推荐基于gan的图像修复值得阅读的文章

欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。图像修复（补全）是一个非常基础的图像处理领域，也是一个难度较大... 查看详情

[论文阅读](10)基于溯源图的apt攻击检测安全顶会总结(代码片段)

《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。由于作者的英文水平和学术能力不高，需要不断提升，所以还请大家批评指正，非常欢迎大家给我留言评... 查看详情

论文阅读|《用蚁群算法求解作业车间与agvs无路径冲突的集成调度问题》

《AnAntColonyAlgorithm(ACA)forsolvingthenewintergratedmodelofjobshopschedulingandconflict-freeroutingofAGVs》Computer&IndustrialEngineering/20151摘要    问题：            JSP+考虑无路径冲突的AGV࿰ 查看详情

如何阅读论文

如何阅读论文李沐1.第一遍：文章主要讲什么1.1看整体1.2看图表2.第二遍：文章每一部分讲什么3.第三遍：真正读懂吴恩达1.1系统阅读论文集1.2论文至少要看三遍1.2.1第一遍，仔细阅读论文中的标题、摘要和关键词... 查看详情

如何阅读论文

如何阅读论文李沐1.第一遍：文章主要讲什么1.1看整体1.2看图表2.第二遍：文章每一部分讲什么3.第三遍：真正读懂吴恩达1.1系统阅读论文集1.2论文至少要看三遍1.2.1第一遍，仔细阅读论文中的标题、摘要和关键词... 查看详情

我的读论文经验总结！

...阅读。本文是自己做科研的一些经验总结，，将论文阅读分为从小白到大师四个段位，以及实用tips，期待帮 查看详情

论文阅读记录:automaticimagecolorizationsig16

sig论文阅读记录LettherebeColor!:JointEnd-to-endLearningofGlobalandLocalImagePriorsforAutomaticImageColorizationwithSimultaneousClassification(siggraph2016)论文简介论文主页：http://hi.cs.waseda.ac.jp/~iizuka/p 查看详情