颈动脉斑块的超声仿真及系统实现

根据对颈动脉斑块几何形状、组织特征及声学特性的分析,提出基于FIELD II颈动脉斑块血管的超声仿真方法,并利用MATLAB中的图形用户界面设计开发超声仿真系统。以基于元球的隐式曲面造型技术对斑块血管进行三维几何建模,以空间位置伽马随机分布的散射点对其进行组织建模,超声仿真并建立仿真系统。对系统仿真的超声图像进行统计分析,与模型预设值及临床B超图像进行比较,结果充分验证了本文仿真方法及仿真系统的有效性。     

超声检测颈动脉粥样硬化与冠心病相关性研究

目的探究超声检测颈动脉粥样硬化与冠心病相关性。方法选取胸痛入院的拟诊为冠心病的患者100例,行颈动脉彩色多普勒超声检测与行冠状动脉造影检测。冠脉狭窄程度在50%以上,72例为冠心病组,健康者28例为对照组。统计两组患者IMT的值、斑块出现情况及斑块总积分,并计算颈动脉粥样硬化超声诊断冠心病的诊断符合情况。结果与对照组患者相比,冠心病组患者颈动脉分叉处、颈总动脉及颈内动脉IMT均有显著增加(P 0. 01);双侧斑块及总板块发生率显著升高(P 0. 01),斑块总积分显著升高(P 0. 01)。经确诊为冠心病的患者72例中,有58例出现颈动脉斑块,经颈动脉多普勒超声诊断确诊,超声诊断的符合率为80. 56%。结论颈动脉粥样硬化及冠心病的发生存在一定的相关性,通过超声检测颈动脉粥样硬化情况对于诊断冠心病具有一定临床价值。     

超声评价颈动脉粥样斑块与脑梗塞的临床价值

目的探讨超声评价颈动脉硬化斑块特．董与脑梗塞发生的相关性。方法选200例脑梗塞患者进行颈动脉超声检查，了解有无颈动脉粥样硬化斑块并确定其大小、范围、斑块形态、内部回声特点，随机体检者200例作为对照组，分析斑块与脑梗塞发生的相关性。结果颈动脉粥样斑块两组比较差异有统计学意义（P〈0.05）。结论超声评价颈动脉粥样斑块特点对于预防脑梗塞发生有重要的价值。     

基于卷积神经网络的白带中白细胞的自动检测

作为妇科常规的检查项目,白带常规检查有着相当广泛的应用,在临床检验中具有非常重要的地位。鉴于白带中白细胞在临床医学中的重要意义和现行检测方法的诸多不足,对白细胞的自动检测技术进行研究。依托于白带自动检测仪,与本地医院进行协作,采集得到白带显微图像。对滤波增强后的图像进行分割,建立样本库,基于卷积神经网络完成特征提取和分类,最终采用交叉验证证实该方法的有效性。在白细胞的自动检测中,对于由2万个样本组成的数据集,运用该方法实现95%的敏感性、84%的特异性、89.5%的准确率,达到医学临床检验的要求。将数字图像处理技术和卷积神经网络综合应用于医学显微图像中白细胞的检测,解决特征表达的关键问题,验证白细胞自动检测的可行性,实现检测质量和检测效率的提升。     

颈动脉斑块与同型半胱氨酸、脂蛋白（a）和超敏C反应蛋白的关系

目的 探讨颈动脉斑块与血清同型半胱氨酸(Hcy)、脂蛋白(a)[LP(a)]、超敏C反应蛋白(hsCRP)的变化的关系.方法 应用颈动脉超声检查将299名患者分成有颈动脉斑块组和无颈动脉斑块组,采用全自动生化分析仪测定患者血清中Hcy 、LP(a)、hsCRP的水平.结果 有颈动脉斑块组患者血清中Hcy 、LP(a)、hsCRP的水平比无颈动脉斑块组的患者明显增高,有显著性差异(P<0.01).结论 Hcy、LP(a)、hs-CRP作为颈动脉斑块形成的独立危险因素具有重要临床意义.     

能谱CT成像与颈部血管超声评价颈动脉狭窄的对比研究

目的 探讨能谱CT成像与颈部血管超声在颈动脉狭窄评价中的应用价值。方法 纳入2016年6月—2021年6月河南省驻马店市中心医院数字减影血管造影（DSA）确诊为颈动脉狭窄的缺血性脑卒中（IS）患者289例,其中男159例、女130例,年龄43~82（61.7±8.0）岁。患者均行能谱CT和颈部血管超声检查,以DSA诊断结果为金标准,比较能谱CT及颈部血管超声诊断颈动脉狭窄程度的一致性;比较2种检查方法对不同程度颈动脉狭窄的诊断效能;比较2种检查方法对颈总动脉易损斑块的检出率。结果 以DSA诊断结果为金标准,能谱CT及超声检测颈动脉狭窄程度Kappa值分别为0.844、0.882,均具有较好的一致性;除了颈部血管超声诊断颈动脉轻度狭窄的灵敏度较低、能谱CT诊断颈动脉轻度狭窄的阳性预测值较低外,能谱CT及颈部血管超声对不同程度颈动脉狭窄的诊断均具有较高的准确率、灵敏度、特异度、阳性预测值及阴性预测值。在颈总动脉上,DSA共检出易损斑块1 672个;颈部血管超声检出876个,其中软斑块384个、表面不规则斑块80个、溃疡斑412个,易损斑块检出率为52.39%（876/1 672）;能谱CT检出367个,均为软斑块,易损斑块检出率为21.95%（367/1 672）。血管超声易损斑块检出率高于能谱CT,差异有统计学意义（χ²=509.00,P<0.001）。结论 能谱CT成像与颈部血管超声均能准确判断颈动脉狭窄程度,超声可能在颈总动脉易损斑块评估中更具价值,临床应用时可将两种方式联合使用。     

89例老年人颈动脉彩色多普勒超声检查结果分析

目的 探讨老年人颈动脉的病变情况及彩色多普勒超声表现特点和意义.方法 对89例60岁以上老年人,进行双侧颈动脉彩色多普勒超声检查,将其是否有病变和病变程度以及超声表现进行总结分析.结果 89例受检老年人中,颈动脉粥样硬化者77例,检出率86.5%,颈动脉粥样斑块形成但无明显血管狭窄者64例,其中软斑13例,硬斑20例,混合斑5例,2或3种斑块同时存在者24例.斑块形成伴血管狭窄(＞50%)者13例,其中硬斑4例,混合斑1例,软斑1例,2或3种斑块同时存在者7例.结论 60岁以上老年人颈动脉硬化有较高的发病率,粥样斑块以2或3种斑块同时存在者居多.2或3种斑块同时存在的多发性斑块患者,易发生血管狭窄.彩色多普勒超声能够较为准确地判断颈部动脉狭窄的程度和范围,而且可以判断斑块的形态和性质,它已成为诊断颈动脉疾病和选择治疗方案的重要检查手段[1].     

代谢综合征与颈动脉粥样硬化斑块形成的相关性分析

目的探讨代谢综合征(MS)与颈动脉粥样硬化斑块形成的关系。方法将368例住院病人分为MS组、高危MS组和非MS组,应用血管彩色超声检测颈动脉粥样硬化程度,对各组进行相关性分析。结果MS组、高危MS组和非MS组的颈动脉粥样硬化斑块形成率分别为54.75%、33.21%和12.04%;三组颈动脉中重度狭窄率分别为48.65%、40.54%和10.81%;三组颈动脉闭塞率分别为70.59%、29.41%和0%,MS组和高危MS组较非MS的颈动脉粥样硬化程度呈显著增高(P<0.05)。MS的患病分布即具备诊断条件的个数与颈动脉粥样硬化程度相关。结论代谢综合征及高危代谢综合征人群是颈动脉粥样硬化斑块形成的危险群体,颈动脉超声检测可作为脑血管病一级预防的预测手段。     

基于卷积神经网络和多信息融合的三维乳腺超声分类方法

乳腺肿瘤超声图像的自动分类对于提高医生的工作效率和降低漏诊率具有十分重要的意义。新型的三维乳腺超声数据包含更多的可用于诊断的信息,但由于超声成像机理导致不同方向上的图像表现不同。针对该种乳腺超声数据,利用卷积神经网络结构的灵活性和自动学习的特性,提出3种改进的卷积神经网络模型,使其分别可以接受横截面图像输入、横截面和冠状面的双图像输入、图像和文本信息同时输入,并研究不同信息的融合对于提升乳腺肿瘤自动分类准确率的影响。在研究中,采用880幅图像(良性401幅,恶性479幅)及其标注信息进行5折交叉验证实验,得到各模型的准确率及AUC。实验结果表明,设计的模型可以适应图片与文本信息的输入,多信息融合的模型比只接受图像输入的模型准确率提升2.91%,达到75.11%的准确率和0.829 4的AUC。这些模型的提出,为多信息融合的卷积神经网络分类应用提供参考。     

超声造影时间-强度曲线量化分析阿托伐他汀干预颈动脉斑块的研究

目的:通过超声造影时间-强度曲线量化分析阿托伐他汀对颈动脉斑块的影响。方法:86例颈动脉斑块患者,随机分为两组,阿托伐他汀组(每天20mg阿托伐他汀口服)及对照组(口服等剂量安慰剂)各43例,斑块总计125个,随访观察约1年,常规超声观察颈动脉斑块类型,超声造影结合时间-强度曲线观察斑块内造影剂灌注情况,使用声学定量分析软件(SonoLiver)对图像进行脱机分析,计算斑块达峰时间(TTP)、最大峰值强度比(IMAX)、曲线下面积(AUC),并进行组间比较,量化分析阿托伐他汀对颈动脉斑块的影响。结果:治疗前两组各指标差异无统计学意义(P0.05)。治疗后,阿托伐他汀组颈动脉软斑数量较治疗前减少,斑块内TTP、IMAX、AUC均较治疗前升高或降低,且差异均有统计学意义(P0.05或P0.01)。对照组治疗前后各指标差异均无统计学意义(P0.05)。结论:颈动脉超声造影时间-强度曲线分析结果可为临床采用阿托伐他汀治疗颈动脉斑块提供重要参考价值。     

基于联合决策卷积神经网络的光学相干断层扫描图像自动分类

光学相干断层扫描(OCT)技术能实现视网膜的高分辨率三维层析成像,对视网膜疾病类型的诊断和发展阶段的分析具有至关重要的作用。临床基于 OCT 图像的视网膜疾病诊断主要依靠眼科医生对图像中病变结构的分析,这一人工分析过程不仅耗时而且易产生主观的误判。研究视网膜疾病的自动分析和诊断技术将极大减轻眼科医生的工作量,是实现高效诊疗的有效途径。针对视网膜OCT图像自动分类,构建一种联合决策的卷积神经网络分类模型。该模型利用卷积神经网络从原始输入OCT图像中自动地学习不同层级的特征,同时在网络多个卷积层上设计多个决策层,这些决策层能够根据网络中不同尺度的特征图分别对OCT图像分类,最后模型融合所有决策层的分类结果做出最终决策。在Duke数据集(3 231张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型对正常视网膜、视网膜年龄相关性黄斑变性和视网膜黄斑水肿的平均识别准确率达到94.5%,灵敏性达到90.5%,特异性达到95.8%。在HUCM数据集(4 322张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型的平均识别准确率达到89.6%,灵敏性达到88.8%,特异性达到90.8%。充分利用卷积神经网络中丰富的多层级特征,能够有效地对视网膜OCT图像实现准确的分类,为临床上视网膜疾病的辅助诊断提供技术支撑。     

基于计算机视觉的点刺标注与检测

目的：智能化地识别点刺在舌体不同区域的分布情况。方法：首先利用LoG算子对舌体图像进行卷积运算，对舌体上的斑点进行初步检测；随后利用人工交互的方式微调点刺标注，并训练卷积神经网络模型Fast-RCNN。结果：将同一舌象仪采集的240张图像作为训练集，60张图像作为测试集，达到了90.78%的召回率，优于已有的方法。结论：本文提出的数据预标注与人工微调方法将细粒度的点刺标注变为了可能。在精确到点刺个体的数据集基础之上，本文引入卷积神经网络进行亚像素级的点刺分布检测，其结果可为中医临床诊断提供客观化、定量化、自动化的参考依据。     

基于深度学习的颈动脉超声图像内中膜厚度测量

目的 颈动脉血管内中膜厚度(IMT)是衡量动脉粥样硬化程度的重要标准.一般采用人工标定进行测量,该过程耗时且繁琐,由此提出一种总体性能较好的全自动分割(AS)算法.方法 该算法首先利用卷积神经网络(CNN)识别出颈动脉血管远端,进而提取包含颈动脉内膜、中膜部分的感兴趣区域(ROI).采用基于堆栈式自编码器(SAE)构造的模式分类器将ROI中的像素进行分类.最后利用分类区域的面积信息和位置信息对分类结果进行甄别,运用曲线拟合提取边界完成测量任务.结果 针对本研究所用图像库中的84幅颈动脉超声图像进行实验,金标准(GT)由两名专家4次测量的平均值产生,其与AS之间的绝对误差和标准差为(13.3±20.5) μm,协方差系数为0.990 7.结论 实验结果表明,此算法总体性能较好,能够实现超声颈动脉血管内中膜全自动、快速、准确分割,从而满足临床需要.     

基于CNN和频率切片小波变换的T波形态分类

心电实时监控是心血管疾病防治的重要手段。心电图中T波的变化是心肌缺血和心脏猝死等疾病的重要表征,T波形态自动识别是心电远程监控中一个重要问题。由于实时监护用心电的强噪声背景影响,传统的T波特征提取与分类算法遭遇瓶颈。提出一种结合切片频率小波变换和卷积神经网络的T波形态识别算法,包括:自动定位R波波峰位置与T波终点位置,从而确定一个包含有T波的片段;对该片段做频率切片小波变换,将生成的时频图像输入卷积神经网络,完成T波的形态分类。频率切片小波变换将信号转换到时频域上,呈现心电信号的时频能量分布特征;卷积神经网络的隐含层通过对时频图像进行3次卷积、激活与池化,完成时频图像的3次特征提取,这些特征具有平移、缩放不变性。使用欧盟ST-T数据库中的12 830个片段,采用3折交叉验证法来训练和测试卷积神经网络模型,最终使基于心拍的分类准确率达到97.34%,F1测度达到96.97%;基于样本实验的分类准确率为84.80%,F1测度为83.30%。模型在QT数据库测试的分类准确率为87.83%,F1测度为85.38%,泛化性能良好。对比其他T波分类算法(如决策树、支持向量机等),基于心拍实验的分类准确率提高1%～5%。研究结果证明,针对6类形态T波进行分类设计的算法不仅在分类准确率上有所提升,在鲁棒性和泛化性能方面也表现良好。另外,算法模型也适用于其他多种生理信号的分析,在医学图像分析领域也有一定的指导意义。     

颈动脉斑块的流固耦合数值模拟

目的 提出一种基于真实颈动脉狭窄患者的双向流固耦合计算方法,用于分析不同类型颈动脉斑块在病变处的血流动力学参数以及斑块自身的变形和应力变化。方法 对颈动脉中度狭窄病人CT血管造影数据进行3D建模,分离出颈动脉血管壁模型和斑块模型,并进行瞬态流固耦合计算。模拟颈动脉粥样硬化的早期到形成斑块,将斑块类型分为增厚斑块、脂质斑块、混合斑块和钙化斑块,其中增厚斑块视为无斑块的情况,代表血管内膜-中膜的增厚,并对不同斑块类型的狭窄颈动脉进行对比分析。结果 不同类型斑块对整体血流流动影响不大,但是脂质斑块病变处的壁面剪切应力低于其余斑块;以增厚斑块作为对照,斑块出现会抑制动脉的扩张,其中脂质斑块最为明显;钙化斑块有最高的平均结构应力,相反脂质斑块平均结构应力则是最低。结论 本文所提出的计算方法能够同时对流体和固体区域进行分析。研究结果有助于更好理解不同斑块类型对于颈动脉病变处的影响。     

Automatic Active Contour-Based Segmentation and Classification of Carotid Artery Ultrasound Images

In this paper, we present automatic image segmentation and classification technique for carotid artery ultrasound images based on active contour approach. For early detection of the plaque in carotid artery to avoid serious brain strokes, active contour-based techniques have been applied successfully to segment out the carotid artery ultrasound images. Further, ultrasound images might be affected due to rotation, scaling, or translational factors during acquisition process. Keeping in view these facts, image alignment is used as a preprocessing step to align the carotid artery ultrasound images. In our experimental study, we exploit intima–media thickness (IMT) measurement to detect the presence of plaque in the artery. Support vector machine (SVM) classification is employed using these segmented images to distinguish the normal and diseased artery images. IMT measurement is used to form the feature vector. Our proposed approach segments the carotid artery images in an automatic way and further classifies them using SVM. Experimental results show the learning capability of SVM classifier and validate the usefulness of our proposed approach. Further, the proposed approach needs minimum interaction from a user for an early detection of plaque in carotid artery. Regarding the usefulness of the proposed approach in healthcare, it can be effectively used in remote areas as a preliminary clinical step even in the absence of highly skilled radiologists.     

基于人工神经网络的癫痫棘波检测方法

脑电癫痫特征波的自动提取对于患者的诊断具有重要的意义。提出一种时频分析与Jensen函数相结合的方法进行棘波检测，然后提取出棘波的波形特征，并通过人工神经网络进行进一步的判决，从而降低棘波检测的误检率。在对真实的癫痫脑电信号（EEG）的仿真实验中，该方法取得了较好的结果。     

乳腺肿瘤超声图像中感兴趣区域的自动检测

由于斑点噪声、伪影以及病灶形状多变的影响,乳腺肿瘤超声图像中肿瘤区域的自动检测以及病灶的边缘提取比较困难,已有的方法主要是由医生先手工提取感兴趣区域(ROI)。本研究提出一种乳腺肿瘤超声图像中感兴趣区域自动检测的方法,选用超声图像的局部纹理、局部灰度共生矩阵以及位置信息作为特征,采用自组织映射神经网络进行分类,自动识别乳腺肿瘤区域。对包含168幅乳腺肿瘤超声图像的数据库进行识别的结果表明:该方法自动识别ROI的准确率达到86.9%,可辅助医生提取肿瘤的实际边缘以及进一步诊断。     

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。     

基于深度学习的危及器官自动勾画软件系统DeepViewer在放疗中的应用及评估

目的:将一款基于深度学习的危及器官自动勾画软件系统DeepViewer应用于临床,实现自动勾画肿瘤患者治疗计划中危及器官的功能。方法:DeepViewer使用改进后的全卷积神经网络U-Net来实现自动勾画患者CT扫描部位所包含的危及器官,并使用Dice相似性系数（DSC）对比分析这22种危及器官自动勾画与手动勾画的差异。结果:11种危及器官DSC平均值在0.9以上,5种危及器官DSC平均值为0.8~0.9,5种器官DSC平均值为0.7~0.8,视交叉DSC平均值最低,为0.676。总体结果表明DeepViewer系统能够较准确地自动勾画出危及器官,特别是左、右肺、膀胱、脑干等器官,已基本满足临床需求。结论:DeepViewer软件系统可以实现放疗肿瘤患者危及器官的自动勾画,准确性较高。同时,DeepViewer系统勾画完毕后,可以通过网络系统自动传输RTStructure DICOM3.0文件,无需其他操作,能极大地提高临床医生工作效率,降低治疗计划流程中的勾画总时间。