失眠舌象特征的量化研究

目的 已知失眠患者的舌象多伴有相应的特征性变化,本文主要对失眠患者舌象特征进行量化研究.方法 首先从较典型的气虚血瘀型和心火亢盛型失眠症着手,提取失眠患者与健康人群舌象的颜色特征、Tamura纹理特征和舌体边缘的齿痕特征,然后分析两组舌象特征之间的差异.结果 失眠组舌色R、G、B值和舌体齿痕数与健康对照组相比有显著性差异(P＜0.01),纹理特征对比亦差异显著(P＜0.05).结论 失眠组舌象的颜色、纹理、齿痕特征参数,能够为辅助临床诊断提供客观参考依据,具有临床参考价值.     

基于中医舌象特征的痤疮证型分类的初步研究

目的舌诊是中医诊断痤疮的有效途径,目前中医通过观察舌象来确定痤疮患者的证候类型。由于痤疮患者众多,完全基于人工诊断的效率较低。本文提出一种基于图像处理的痤疮证型识别方法来辅助中医诊断。方法首先,分别提取舌象的颜色、纹理和齿痕特征,然后使用贝叶斯网络建模,找出特征与特征,特征与证型之间的关系,其中将齿痕提取算法进行改进,将计算凸包面积改进为找到每个凸包的关键点,最后使用该算法对舌象进行齿痕数量提取,并与中医诊断结果相比较。结果对比医生诊断结果,基于图像处理的痤疮证型自动分类,分3类的正确率达83.87%,并直观地表示出特征与特征,特征与证型之间的关系。结论使用图像处理的方法进行痤疮证型的识别具有可行性,对计算机辅助痤疮诊断的发展有一定帮助。     

基于深度学习的舌象自监督聚类

目的：解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法：基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征的同时尽可能区分非同类实例;随后利用高斯混合模型对网络提取的特征向量进行聚类。结果：在无需引入先验知识的情况下,利用300张舌象仪采集的无标签图像取得了52.54%的聚类纯度。结论：该方法一定程度上将医疗工作者从费事费力的数据标注工作中解放出来。除应用于自动化舌象分类外,该方法还可进一步针对不同病症的特殊舌象症候群进行聚类分析,其提取的舌象特征也可为舌体分割、舌色分类、苔质分区等下游任务提供预训练的参考。     

基于支持向量机的中医舌图像质量评价研究

目的在中医舌诊客观化研究实践中,现有舌象仪所采集的大量舌图像不符合临床诊察要求,这将直接影响到舌象分析的最终结果。本文主要是对舌图像质量评价进行研究,为临床上图像的准确挑选提供帮助。方法首先分析中医诊断学中望舌的标准,提取基于自然场景统计的特征、纹理、颜色和几何特征,然后通过支持向量机(support vector machines,SVM)进行分类,并通过分类准确率验证此方法能否为临床上图像的准确挑选提供帮助。结果提取的舌象特征可以较好地完成对舌图像质量的评价,并且能准确挑选出临床上能使用的舌图像。结论中医舌图像的质量评价具有可行性,这一方法将有望应用在新一代的舌象采集装置中,为中医舌图像辅助分析提供高质量的参考数据。     

一种2型糖尿病中医证型的舌图像识别方法

舌诊是2型糖尿病辨证方法之一,为降低因外界光线、医生经验等因素造成的临床2型糖尿病舌象诊断误差,提出一种2型糖尿病中医证型的舌图像识别方法。首先,通过色差校正,获得校正后舌象图像;其次,基于不同颜色空间特性,运用快速K均值聚类方法分离图像背景区域与舌体区域,再对舌体区域图像运用Ohta色度阈值法分离出舌质区域和舌苔区域;然后,根据2型糖尿病3种证型的舌象特征,提取舌体、舌苔及舌质区域的颜色、裂纹和胖大特征值;最后,使用随机森林作为分类器训练识别数据,并与支持向量机的方案进行对比。通过对218例数据训练识别,得出随机森林方法平均识别准确率为90.37%,比支持向量机方法提高了10.74%。结果表明,在2型糖尿病中医证型分类识别方面,随机森林方法更准确,且提出的舌图像识别方法可以实现2型糖尿病的中医证型识别。     

多标记学习在中医舌象分类中的研究

目的中医舌诊中,一幅舌象对应舌色、苔色和苔厚等多个类别,而且舌象的多个类别间存在一定的相关性。传统的数据挖掘技术无法利用这些相关性同时进行建模,本文拟探索用多标记学习方法解决舌象这种多标记数据的分类问题。方法首先对舌象进行苔质分离,分别提取舌质和舌苔的颜色特征,再对舌苔图像分块,提取每一块的纹理特征,随后通过多标记学习算法(multi-label learning by exploiting label dependency,LEAD)进行分类。最后将LEAD的分类结果和ML-k NN的结果进行对比,评价指标为汉明损失(Hamming loss)、平均精度(average precision)和(-评估)(-evaluation)。结果相对于SVM等传统的单标记学习算法,LEAD可以将多个类别同时赋予一幅舌图像,而且在三个指标上的分类效果均优于ML-k NN。结论多标记LEAD算法用于舌象分类能够使得对舌象的描述更全面、准确,可以辅助中医进行舌诊。     

一种具有自校正的舌象歪斜自动分析方法

本文对原有的舌象歪斜分析方法进行了分析,针对其中的不足,提出了一种具有自校正的舌象歪斜自动分析方法。比较和分析了现有中轴提取方法,事实证明这些方法均不适用于舌象的中轴提取。为了克服原有方法利用面积对称寻找中轴可能造成找到错误中轴的问题,在文章中设计了一种利用形态对称分析提取中轴的算法,该算法具有自动校正舌根部位的边界的能力,提高了中轴分析的准确程度。提出了一种借助舌象的变异色调分量进行嘴角分析的方法。在对比实验中,该方法较原有方法有更高的准确性,并且效率较原有方法更高。     

基于多尺度特征增强的小样本计数

目标物体计数是计算机视觉领域的重要研究方向。针对小样本计数中存在的样本与查询图像目标物体尺寸不一致、目标物体分布不均匀的问题,该文提出了多尺度特征增强计数算法。首先,基于特征金字塔构建自上而下的特征融合网络。在各级尺度上对查询图像中和样本相似度较高的区域进行样本特征增强,随后送入上一级特征匹配。然后,将各级增强后的查询特征送入回归器中,得到各级密度图。最后,求和,生成高质量的密度图。该文在 FSC-147 和 CARPK 数据集上进行测试。实验结果表明,该文所提模型的性能优于大多数其他方法,有效改善了目标物体大小变化造成的计数精度低的问题。     

超声图像融合专家知识的EfficientNet卵巢包块良恶性诊断方法

目的 提出一种基于深度网络特征融合的分类方法，以提高良恶性分类的准确率，辅助医生提高术前诊断卵巢包块良恶性的准确率。方法 纳入深圳市人民医院943幅经活检、手术病理等证实的患者术前卵巢超声图像，按照6∶2∶2的比例随机设置训练集、验证集和测试集。首先，提取医生勾画的感兴趣区域（region of interest,ROI）即包块图，用微调后的EfficientNet网络提取其深度特征；然后用基于Chan-Vese模型的水平集方法得到包块边缘轮廓图，再用微调后的EfficientNet网络提取其深度特征；接下来将包块图的深度特征和边缘轮廓图的深度特征分别归一化后并拼接为融合特征；最后，将融合特征输入到全连接层分类器中，将超声图像分为良恶性。结果 本文提出的超声图融合专家知识的EfficientNet卵巢包块良恶性诊断方法在测试集上的准确度、特异度、敏感度和曲线下面积分别为0.81、0.78、0.88、0.91，全部优于当前主流的深度学习方法。结论 该特征融合网络能够取得较好的分类效果，一定程度上能够为临床诊断卵巢包块的良恶性提供参考。     

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。     

基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

基于卷积神经网络的P300事件相关电位分类识别

针对脑机接口系统中P300电位识别正确率不高的问题,提出一种基于改进卷积神经网络的P300事件相关电位分类识别方法。通过将传统卷积神经网络中第二个串行连接的卷积层改为3个并行连接的卷积层,可加大网络宽度,提升网络对P300信号特征提取的能力;将提取的特征经全互连层组合后,采用sigmoid函数构建P300事件相关电位分类器。针对脑机接口竞赛数据中靶刺激与非靶刺激数据量不平衡的问题,采用过抽样方式,对含有P300事件相关电位的脑电数据做部分平均来增加数据量,其训练集和测试集样本量分别为25 500和18 000。采用Adam优化方法,有监督地训练这种改进的卷积神经网络。结果表明,相比传统的卷积神经网络,该方法在实验次数大于11次时,字符识别正确率均高于95%,这对于脑机接口的应用具有重要的意义。     

基于浅层与深层特征融合的胃癌前疾病识别

胃癌前疾病识别对降低癌变风险及胃癌发病率具有重要意义。提出一种基于胃镜图像浅层特征与深层特征融合的胃癌前疾病识别方法。首先,根据胃镜图像性质,手工设计75维浅层特征,包含图像的直方图特征、纹理特征以及高阶特征;然后,基于构建的Resnet、GoogLe Net等卷积神经网络,在其输出层前添加一个全连接层作为图像的深层特征,为保证特征权重一致,全连接层的神经元数目设计为75维;最后,串联图像的浅层与深层特征,使用机器学习分类器,识别胃息肉、胃溃疡和胃糜烂等3类胃癌前疾病。对每种疾病收集了380张图像,并以4:1的比例划分为训练集和测试集,然后基于该数据集,分别采用传统机器学习、深度学习、特征融合等3种方法进行模型训练和测试。模型在测试集上的结果显示,所提出的特征融合方法识别准确率高达95.18%,优于传统的机器学习方法(74.12%)和深度学习方法(92.54%)。所提出的方法能够充分利用浅层特征与深层特征,为医生提供临床决策支持以辅助胃癌前疾病诊断。     

基于深度学习结合解剖学注意力机制的肺结节良恶性分类

肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义。为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度。此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化。解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征。本文方法在LIDC-IDRI数据集上进行验证。实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940。由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用。     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

基于多尺度功能脑网络融合特征的抑郁症分类算法

【摘要】提出一种多尺度功能脑网络融合特征的抑郁症分类方法，具体思想包括:首先通过精细化脑区，建立4种不同尺度的脑网络；然后对每种尺度的脑网络分别提取局部特征和全局特征，并将多种尺度脑网络的特征进行有效融合并降维；最后使用支持向量机对患者脑部功能磁共振影像进行分类。试验结果表明，分别提取局部特征和全局特征，并进行有效融合，可以提升识别效果；空间尺度减小会得到更多有效特征，进而能够有效提升分类结果；多尺度特征融合也可以在很大程度上对分类结果起到积极作用。与传统单一大尺度脑网络方法相比，本研究提出的方法获得了更加优秀的试验结果，识别率可达88.67%，充分验证了本研究提出方法的有效性和可行性，并为抑郁症患者的临床诊断与治疗提供生物学依据。     

基于X光吞咽视频的舌运动轨迹仿真研究

为提高吞咽障碍患者的食物吞咽质量,须深入研究口腔环境下食物吞咽的舌运动规律;基于口腔吞咽的X-光运动 视频,通过提取特征图像开展舌吞咽运动的规律研究,采用3种不同的方法开展舌运动轨迹方程的仿真研究。结果表明, 舌运动是由舌根点和运动点组成,即舌根点轨迹类似于椭圆,而舌运动点的轨迹类似于往复运动的直线;多元非线性曲线 快速拟合法、Lsqnonlin 优化5 次多项式函数和BP神经网络法3 种方法的拟合方程的轨迹跟原始轨迹的相关系数分别为 0.85、0.87和0.91,发现神经网络模型更适用于天然舌运动轨迹的研究,这将为功能食品研发和吞咽仿生装置设计提供技 术参考。