近日，蘇州心銳醫療科技有限公司完成超千萬元人民幣天使輪融資，由北極光創投獨家投資，為加速高分子瓣膜的臨床轉化、普及和推廣。

心臟瓣膜病是我國常見的一種結構性心臟病。根據Frost Sullivan數據，2018年全球約有2.09億患者患有心臟瓣膜疾病，每年造成約260萬人死亡，中國心臟瓣膜病的發病率為2.5％~3.2％，2018年患者超過2700萬人，其中超過75歲的老年人發病率高達13.3%，且隨著人口老齡化趨勢的增加，瓣膜疾病的發病率逐年上升。

對于嚴重的瓣膜性心臟病患者，更換人工心臟瓣膜是最為有效的治療手段，目前臨床瓣膜選擇時所需要綜合考慮的因素中，最主要的有兩個：瓣膜衰敗及抗凝。

那么關于人造心臟瓣膜的檢測，目前主要是通過測試機器，實時采集心臟瓣膜開閉周期視頻，通過人工觀察判斷各冠瓣開閉幅度是否正常，并以此來判斷人造心臟瓣膜是否合格。但是肉眼觀察并無準則化的評判標準，可能會出現一個樣本在不同的檢測員判定出不同的結果；其次，肉眼長時間觀察會非常疲勞，檢測效率低且可能出現漏檢等情況。

CooVally | 快速篩選可用AI模型?coovally.com/

所以，本次采用CooVally對人造心臟瓣膜缺陷檢測進行實驗訓練，其中，最好的一次訓練mAP高達到0.999！檢測流程如下圖所示。

登入平臺后，上傳心臟瓣膜檢測相關的數據集，數據集圖片數量318張。

標簽類別包含4種，共計1113個。

訓練開始

• 進入數據集后，選擇對應的標簽進行數據分析。

• 在模型配置中設置好參數，此次訓練采用Mask R-CNN算法對大量缺陷圖片進行訓練，總共訓練了10次，其中每次迭代20次，接下來等待訓練結果。

• 訓練結束后，可以查看到關于此次訓練的信息總覽，可以看到此次訓練共耗時1小時25分，其中7次訓練的mAP打到了0.98以上，剩下的3次訓練不理想，平臺提早終止了訓練，避免造成不必要的資源和時間的浪費。

來看看一些其他的實驗信息吧。

在數據詳情中，可以看到標簽分布的扇形比例圖，各個標簽比例及數量一目了然。

在實驗結果中，可以看到每次迭代的詳細指標，在第5次后，基本達到收斂效果。

而訓練損失也隨著訓練發生變化，逐漸變為越來越接近X軸的水平直線，說明訓練收斂，效果越來越好。

最后，選擇訓練mAP最好的一次進行模型轉換。

在部署的時候，可以云端或者邊端進行模型部署，此次我選擇的是云端部署，其實不管是哪種部署，對最終產生的結果并沒有什么改變。

模型部署成功后，便可以上傳圖片進行識別了！識別成功率99%以上！

所以在CooVally，從數據上傳到模型部署僅需要3步便可以完成，而且在訓練時我還可以看看書或寫寫文章。

CooVally不僅內置了多種模型類型，而且還可以幫助用戶快速篩選可用的AI模型，使用戶不必浪費過多的時間在模型篩選上。

CooVally | 快速篩選可用AI模型?coovally.com/

你也值得擁有！

總結

以上是生活随笔為你收集整理的基于CooVally的人造心脏瓣膜缺陷检测【Mask R-CNN】的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。