基于Coovally的人造心脏瓣膜缺陷检测【Mask R-CNN】

近日，苏州心锐医疗科技有限公司完成超千万元人民币天使轮融资，由北极光创投独家投资，为加速高分子瓣膜的临床转化、普及和推广。

心脏瓣膜病是我国常见的一种结构性心脏病。根据Frost Sullivan数据，2018年全球约有2.09亿患者患有心脏瓣膜疾病，每年造成约260万人死亡，中国心脏瓣膜病的发病率为2.5％~3.2％，2018年患者超过2700万人，其中超过75岁的老年人发病率高达13.3%，且随着人口老龄化趋势的增加，瓣膜疾病的发病率逐年上升。

对于严重的瓣膜性心脏病患者，更换人工心脏瓣膜是最为有效的治疗手段，目前临床瓣膜选择时所需要综合考虑的因素中，最主要的有两个：瓣膜衰败及抗凝。

那么关于人造心脏瓣膜的检测，目前主要是通过测试机器，实时采集心脏瓣膜开闭周期视频，通过人工观察判断各冠瓣开闭幅度是否正常，并以此来判断人造心脏瓣膜是否合格。但是肉眼观察并无准则化的评判标准，可能会出现一个样本在不同的检测员判定出不同的结果；其次，肉眼长时间观察会非常疲劳，检测效率低且可能出现漏检等情况。

CooVally | 快速筛选可用AI模型​coovally.com/

所以，本次采用CooVally对人造心脏瓣膜缺陷检测进行实验训练，其中，最好的一次训练mAP高达到0.999！检测流程如下图所示。

登入平台后，上传心脏瓣膜检测相关的数据集，数据集图片数量318张。

标签类别包含4种，共计1113个。

训练开始

• 进入数据集后，选择对应的标签进行数据分析。

• 在模型配置中设置好参数，此次训练采用Mask R-CNN算法对大量缺陷图片进行训练，总共训练了10次，其中每次迭代20次，接下来等待训练结果。

• 训练结束后，可以查看到关于此次训练的信息总览，可以看到此次训练共耗时1小时25分，其中7次训练的mAP打到了0.98以上，剩下的3次训练不理想，平台提早终止了训练，避免造成不必要的资源和时间的浪费。

来看看一些其他的实验信息吧。

在数据详情中，可以看到标签分布的扇形比例图，各个标签比例及数量一目了然。

在实验结果中，可以看到每次迭代的详细指标，在第5次后，基本达到收敛效果。

而训练损失也随着训练发生变化，逐渐变为越来越接近X轴的水平直线，说明训练收敛，效果越来越好。

最后，选择训练mAP最好的一次进行模型转换。

在部署的时候，可以云端或者边端进行模型部署，此次我选择的是云端部署，其实不管是哪种部署，对最终产生的结果并没有什么改变。

模型部署成功后，便可以上传图片进行识别了！识别成功率99%以上！

所以在CooVally，从数据上传到模型部署仅需要3步便可以完成，而且在训练时我还可以看看书或写写文章。

CooVally不仅内置了多种模型类型，而且还可以帮助用户快速筛选可用的AI模型，使用户不必浪费过多的时间在模型筛选上。

CooVally | 快速筛选可用AI模型​coovally.com/

你也值得拥有！