基于卷积神经网络的房颤患者导管消融术后复发预测

通过采集患者术前的基础病史信息、影像检查信息、生化检查信息等资料,利用统计学和卷积神经网络相结合的方法对导管消融术预后情况进行预测。本研究中纳入了121例经射频消融手术治疗后的房颤患者,利用深度学习,先将生化检查的60个指标通过调整结构与参数建立3个房颤复发预测模型,复发预测精度最高为0.7（95%CI:0.536~0.864）。然后,将基础病史资料特征信息、影像检查信息进行统计学筛选和数据标准化处理,根据P值将差异性最大的10个特征与生化检查的60个特征融合,进行多因素跨模态的深度学习,建立3个深度模型,得到的房颤复发预测模型最高准确率为0.8（95%CI:0.657~0.943）。通过多组实验发现,深度模型并非越复杂越好,在样本量有限的情况下,选取合理的模型复杂度,并纳入多种模态特征可以获得更高的预测精度。     

卷积神经网络放疗计划剂量预测:两种解码器对比

目的:拟建立卷积神经网络放疗计划三维剂量分布预测模型,比较种两解码器对网络性能的影响。方法:实验数据包括80例早期鼻咽癌的放疗计划,并随机分为训练集（70例）和测试集（10例）。基于VGG16卷积神经网络,分别采用插值和反卷积两种解码器,建立两种网络结构:插值解码VGG16网络（IVGG16）和反卷积解码VGG16网络（DVGG16）,用于端到端的放疗计划剂量预测。评价模型准确性指标主要包括外轮廓、靶区及危及器官（OAR）的平均绝对误差（MAE）,并分别记录两个网络的训练时间和预测时间。结果:使用两种解码器均可以较准确地预测患者三维剂量分布。IVGG16和DVGG16的外轮廓MAE分别为（5.48±0.46）%和（5.42±0.34）%,差别无统计学意义;靶区的预测值均较准确,MAE均低于2.63%,两种解码器没有统计学意义;两个网络均可以较准确预测OAR的剂量分布。脊髓PRV和甲状腺的MAE,DVGG16较IVGG16分别下降11.8%和15.6%（P=0.029, 0.034）,其余OAR的MAE差别无统计学意义。IVGG16和DVGG16模型训练时间分别为14.8 h和24.6 h,每例平均预测时间分别为（6.6±1.0） s和（28.7±3.9） s。结论:采用插值和反卷积两种解码器预测得到的放疗剂量在整体上具有相当的效果。反卷积解码器对部分OAR剂量分布预测准确性略优,但模型训练和预测的效率有待提高。     

基于运动量的神经网络心率预测器的设计及对比研究

目的 利用神经网络建立有效的基于运动量的心率预测模型,分析运动量与心率变化之间的关系.方法 通过对运动量信号进行不同分析（预处理）,并采用不同的神经网络的结构及学习算法,单步或多步预测方式建立了6个预测模型,然后利用采集到的真实数据进行测试,并对各模型结构框架及预测结果进行了对比.结果 建立的模型平均预测误差均保持在一个很小的范围内.结论 利用神经网络建立心率预测模型可有效地反映运动量如何影响心率变化.对比结果表明,在单步预测中,利用神经网络拓扑增强技术（neuro-evolution of augmenting topologies,NEAT）建立的心率预测模型可达到最佳的预测效果,而多步预测利用Adams-Bashforth技术得到的预测结果是最好的.     

基于时间序列数据增强的运动想象脑电多尺度特征提取分类

基于运动想象脑电（MI-EEG）的脑机接口（BCI）可以实现人脑与外部设备的直接信息交互。本文提出了一种基于时间序列数据增强的脑电多尺度特征提取卷积神经网络模型，用于MI-EEG信号解码。首先，提出了一种脑电信号数据增强方法，能够在不改变时间序列长度的情况下，提高训练样本的信息含量，同时完整保留其初始特征。然后，通过多尺度卷积块自适应地提取脑电数据的多种整体与细节特征，再经并行残差块和通道注意力对特征进行融合筛选。最后，由全连接网络输出分类结果。在BCI Competition IV 2a和2b数据集上的应用实验结果表明，本模型对运动想象任务的平均分类正确率分别达到了91.87%和87.85%，对比现有的基准模型，该方法具有较高的正确率和较强的鲁棒性。该模型无需复杂的信号预处理操作，具有多尺度特征提取的优势，具有较高的实际应用价值。     

基于深度学习的心血管疾病风险预测模型

心血管疾病的准确预测对其预防工作有着重大的意义,本文提出一种基于电子病历数据挖掘的模型研究心血管疾病的风险预测。该模型利用循环神经网络等技术对患者的历史电子病历数据进行表征学习,不仅能有效捕获电子病历数据中的时序特征,而且其特征工程无需人工干预。此外,在循环神经网络上嵌入的关注机制从每个患者的数据学到了一个上下文向量,该向量能有效增强深度模型的拟合能力和可解释性。为了进一步提高心血管疾病风险预测的准确性,该模型融合了多种类型的临床数据,包括诊断编码序列、实验室数据以及人口学统计数据。该模型利用多个子模块进行表征学习,不仅能充分考虑到数据之间的差异性,还能考虑到它们之间潜在的关联性,最终提高心血管疾病风险预测的性能。实验结果表明,在心血管疾病风险预测的性能方面,该模型相比最新的几种方法具有较高的召回率、F1值和AUC值,其分别可达0.814 9、0.737 8和0.837 5。     

基于双通道神经网络的疾病文本分类方法

医疗疾病文本的准确分类对医疗信息化的发展具有重要的推进作用,本研究提出一种基于双通道学习的神经网络模型研究疾病文本分类方法。该模型分别使用卷积神经网络和双向长短期记忆网络对患者输入的疾病症状文本进行局部特征以及时序特征学习。此外,在双向长短期记忆网络上引入自注意力机制区分特征对类别预测的贡献值,增强模型的学习能力和可解释性。为使两个通道提取到的特征能够共同决定分类结果,该模型将两种特征进行拼接融合,最后利用softmax分类器得到最终的分类结果。实验结果表明,在疾病文本分类的性能方面,该模型相比其他分类模型具有较高的精确率、召回率和F1值,分别可达90.61%、90.48%和90.51%。     

基于卷积神经网络检测颈动脉斑块

提出一种基于卷积神经网络的自动检测超声图像颈动脉斑块的方法。通过超分辨生成对抗网络提高超声图像质量,并采用高斯混合模型算法结合先验知识自动提取感兴趣区域;最后采用卷积神经网络实现颈动脉有无斑块的自动检测。使用上海市奉贤区中心医院提供的数据集,自动检测颈动脉是否有斑块,模型准确度、敏感度、特异度分别达到94.11%、96.30%、91.67%。实验证明基于卷积神经网络检测颈动脉斑块结果和真实值有很高的一致性,且鲁棒性好。     

卷积神经网络的原理及其在医学影像诊断中的应用

利用卷积神经网络快速高效地对医学影像数据进行分析和处理可以实现医学影像数据快速分类、定位等操作,提高医学诊疗的效率。本研究从卷积神经网络的背景和原理入手,介绍各种类型的卷积神经网络的应用场景和一些常用的卷积神经网络模型,包括残差卷积神经网络、U-net、循环卷积神经网络等及其在医学影像诊断中的应用,最后针对卷积神经网络和人工智能技术讨论了其未来的展望和挑战。     

基于微区域PM2.5浓度卡尔曼插值预测模型的研究

目前颗粒物(尤其是PM2.5)污染问题日趋严重,人们对其关注度越来越高。本文提出一种结合三次样条插值方法的卡尔曼预测模型并将其应用于微区域校园环境PM2.5浓度的预测,以及实现PM2.5浓度的插值模拟图,模拟PM2.5的空间分布。本文实验基于实验室已搭建的环境信息监测系统服务器数据,其PM2.5浓度数据预测值和实际值通过Wilcoxon带符号秩检验后,双侧渐进显著性概率为0.527,远大于显著性水平α=0.05。同时,与神经网络模型预测方法(BP预测)和支持向量机预测方法(SVM预测)对比,卡尔曼预测模型的结果更理想,其日均值PM2.5浓度数据预测值和监测值的平均绝对误差(MEA)为1.8μg/m3,平均相对误差(MER)为6%,相关系数R为0.87。实验结果表明:卡尔曼预测模型能有效地用于PM2.5浓度预测,结合样条插值方法可以较好地模拟PM2.5的空间分布及局部污染特征。     

基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。     

基于Group-Depth U-Net的电子显微图像中神经元结构分割

针对电子显微（EM）成像存在边界有损、模糊不均匀以及神经元结构本身轮廓纹理复杂难以定位的问题，提出一种深层卷积神经网络模型Group-Depth U-Net，以实现EM图像中神经元结构的自动分割。该模型采用更加深层的U-Net架构作为骨架网络，以获取更加丰富的图像特征信息；同时采用分组卷积网络结构，使模型更加高效、防止过拟合，从而提高分割的准确性与效率。公开的数据集实验表明该模型相比U-Net达到了更好的分割准确率。     

基于3D-RA图像的颅内动脉瘤自动检测算法

颅内动脉瘤检出率低、破裂后致死率高,是一种严重威胁人类生命健康的高发性脑血管疾病。针对二维卷积神经网络在动脉瘤诊断中对先验知识利用不足问题,基于3D-RA序列图像成像特点,提出一种基于光流可变形卷积的颅内动脉瘤检测算法。采用稠密光流算法获取序列图像之间的光流信息作为先验知识,结合光流信息改进二维卷积计算过程,提出光流可变形卷积模型,从而建立序列图像间的像素级联系。此外,结合光流可变形卷积和标准卷积组成编码模块,实现图像重要特征提取。以北京天坛医院360例临床3D-AR颅内血管造影数据为样本集,测试结果表明:所提方法正确率为0.978 7、精确率为0.983 6、召回率为0.974 7、F1分数为0.979 1、AUC为0.992 4、mAP为0.982 2;与传统网络U-net、Attention U-net相比,该网络对颅内动脉瘤检测更准确;与原有可变形卷积模型相比,光流可变形卷积模型利用光流作为先验知识,提高了网络性能。     

基于人工脉冲神经网络的门诊静脉采血智能预约平台设计

基于人工脉冲神经网络建立新型门诊静脉采血智能预约平台。在数据源整合处理模块中,基于脉冲神经网络设计局部递归的人工脉冲神经网络,实现多类型预约数据源的整合处理。在序列特征挖掘模块中,利用多层双向LSTM网络建立PDCA模型,提取门诊静脉采血预约数据的形态特征和语义特征,通过多层双向LSTM网络融合序列特征实体信息。在预约模块中,门诊静脉采血智能预约主要通过自助设备与互联网来完成,通过JavaScrip编写自助设备与互联网页面的门诊静脉采血预约程序。平台数据库由多种数据表构成,具体包括医生信息表、预约时间点分配表等。平台性能测试结果显示,设计平台的数据库每秒查询率更高,最高可达到54239次,信息抽取准确率最高为98.60%。     

基于主成分分析-神经网络的非编码RNA预测

预测非编码RNA对认识其调控功能具有重要意义。选择单核苷酸和二核苷酸出现频率作为神经网络分类特征,运用主成分分析方法降低输入数据的维数,去除数据间的相关性,采用Levenberg-Marquardt算法改善网络训练速度。对数据集的测试结果表明,此方法对细菌混合ncRNA的预测精度达到81.3%,对原核生物tRNA的预测精度达到93.3%,表明该方法能有效预测原核生物ncRNA。预测结果还发现两种古细菌的ORF序列在序列特征上与其它细菌和古细菌存在差别。     

基于新型双输入卷积神经网络的肌电模式识别

针对双臂协同运动中蕴含的运动信息量大,难以充分解读且识别率不高的问题,提出一种新型的双输入卷积神经网络（ND-CNN）模型。首先,根据双臂运动的特点,分别设计数据整理和模型输入两种策略。然后,利用两个结构相同、参数共享的特征提取层提取信号本身的特征和信号之间的差别特征。最后,利用所提取的两类特征实现双臂协同动作的识别。在自主设计的双臂实验中,将ND-CNN与其余3种先进的神经网络对比。实验结果表明,本文所提的ND-CNN模型在识别精度和可靠性上优于其他网络模型,能够对双臂肌电动作有效识别。     

基于双谱分析—BP神经网络的ICU急性低血压发生预测模型研究

目的:ICU中,急性低血压的发生严重威胁着患者的生命安全,能够及时准确地对其预测具有重要临床意义。为了提高医生对患者发病提前判断的准确性,本文研究了一种基于双谱分析和BP神经网络的急性低血压发生的预测模型。方法:应用双谱分析提取动脉血压数据特征,构建特征向量,利用BP神经网络训练出分类预测模型,实现对急性低血压发生的提前预测。结果:经过不断的优化调整,本文最终构造了一个三层的BP神经网络预测模型,具有良好的自动预测能力。结论:实验表明,本方法能达到比较好的分类预测效果,可为ICU中急性低血压发生的提前预测和干预提供辅助参考。     

Neural network-based prediction of missing key features in vertical GRF-time recordings

Ground reaction force (GRF) time recordings are frequently corrupted due to faulty stepping on a force platform during gait, and this results in the loss of valuable data and the need for additional data acquisition. This paper proposes a new approach based on artificial neural networks for the estimation of lost key gait parameters using the available features of an affected GRF-time trace. GRF-time plots were recorded using a force platform during normal walking of 14 young and 13 elderly individuals. Back-propagation neural network models were developed using features extracted from 466 vertical GRF-time characteristics that would be unaffected as inputs, and the likely affected gait features (e.g. stance time (ST), push-off force, (Fmax2) and push-off time (Tmax2)) as output. Performance of the models in predicting ST, Fmax2 and Tmax2 were tested using data from 30 new gait trials. The neural network model predicted the missing STs with 96.5% (+/-2.6%) accuracy (r>0.9). Accuracy of the ST prediction deteriorated when push-off force/time data were unavailable for the prediction model. Fmax2 and its time were reconstructed with an accuracy of 95.7% (+/-2.8%) and 97.6% (+/-1.7%) respectively. These results suggest that an artificial neural network may be applied to estimate missing ST, Fmax2 or Tmax2 information using features from an affected vertical GRF-time plot, and the method shows good promise for reconstructing gait forces from a corrupted force-time trace.