#论文阅读&CTG Fetal Hypoxia Detection Based on Deep Convolutional Neural Network with Transfer Learn

Posted 2023-01-06 Troye Jcan

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