基于耦合的卷积-图卷积神经网络的阿尔茨海默病的磁共振诊断方法

目的 针对已有方法未利用大脑拓扑信息的问题,提出基于耦合的卷积-图卷积神经网络的疾病诊断模型,以实现对阿尔茨海默病及其前驱症状的精确诊断,为临床提供可靠的辅助诊断信息。方法 根据ADNI数据库提供的信息,将MMSE评分在20~26分、同时CDR评分为0.5或1的被试的疾病标签标记为AD组;将MMSE评分在24~30分且CDR评分为0、无抑郁症状、无认知障碍、无焦虑症状的被试疾病标签标记为NC组。本文提出一种耦合的卷积-图卷积神经网络（CCGCN）模型,以组间比较获取的疾病相关区域作为输入,利用卷积神经网络,从大脑磁共振图像的不同区域提取疾病相关的特征,再使用图卷积网络,结合提取到的特征,对区域间拓扑结构进行建模,并在图卷积网络中嵌入图池化操作,从而自适应地学习大脑拓扑结构与疾病诊断任务之间的内在联系。利用ADNI数据集,获得CCGCN模型对阿尔茨海默病及其前驱症状的疾病诊断准确率、灵敏度和特异度,并进行模型结构的消融实验。结果 该模型在阿尔茨海默病的诊断任务上取得了92.5%的准确率、88.1%的灵敏度和96.0%的特异度,诊断精度优于目前最先进的方法;同时在区分进行型轻度认知障碍患者和稳定型轻度认知障碍患者的任务上取得了79.8%的准确率、55.3%的灵敏度和83.7%的特异度;消融实验的结果显示了CCGCN模型各组成成分的有效性。结论 基于耦合的卷积-图卷积神经网络的疾病诊断模型利用了原始图像的结构和拓扑信息,相比现有方法可以提供更加精确的阿尔茨海默病诊断结果,有望将其应用于临床的辅助诊断中。     

基于深度学习的白内障识别与分级

目的 利用深度学习方法自动提取眼底白内障特征,构建白内障自动分类器,并可视化分析深度网络中间层特征的逐层变换过程。方法 基于临床眼底图像,使用深度卷积神经网络（CNN）从输入数据的原始表示直接学习有用的特征,对比分析CNN自动提取的特征与预定义特征的性能表现。然后利用反卷积神经网络（DN）量化分析CNN各个中间层的特征,进一步研究输入图像中对CNN的预测贡献最大的像素集,探究CNN表征白内障的具体过程。结果 使用深度学习方法构建的分类器在四分类任务中达到0.818 6的平均准确率。与现有的预定义特征集相比,利用深度CNN自动提取的特征集能提供更好的白内障特征表示。CNN中间层特征呈现从低级抽象到高级抽象的分层变换,如梯度变化到边缘,然后到边缘状发散结构的组合,最后到血管和视神经盘信息的高级抽象,这种变换过程与临床检测白内障的诊断标准相吻合。结论 基于深度学习的分类器在性能表现上优于现有分类器。该方法对检测其他眼病也可能具有潜在的应用前景。     

基于粗糙-模糊神经网络的焊接图像缺陷识别

针对焊接图像缺陷识别中提取的特征受噪声干扰比较严重以及现有的识别算法准确率低的问题,提出了一种基于粗糙模糊神经网络的缺陷识别算法。该算法充分利用了粗糙集的属性约简、模糊集的处理不精确数据以及神经网络的自学习、对任意函数逼近的优点,有效地解决了不确定建模过程中样本数据受到噪声干扰、模型结构难以确定的问题。仿真结果表明:该算法能有效地提高焊缝图像的缺陷识别能力。     

基于迁移学习的全连接神经网络舌象分类方法

目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题,提出一种基于迁移学习的全连接神经网络小样本舌象分类方法。方法 应用经ImageNet海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征,再使用全连接神经网络对特征进行训练分类,将深度学习网络学习到的图像知识迁移到舌象识别任务中。利用舌象数据集进行训练、测试。结果 与典型舌象分类方法K最近邻（KNN）算法、支持向量机（SVM）算法和卷积神经网络（CNN）深度学习方法相比,本实验使用的两种方法（Inception_v3+2NN和Inception_v3+3NN）具有较高的舌象分类识别率,准确率分别达90.30%和93.98%,且样本训练时间明显缩短。结论 与KNN算法、SVM算法和CNN深度学习方法相比,基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间。     

基于近红外自体荧光显像的卷积神经网络在甲状旁腺识别中的应用

目的探讨基于近红外自体荧光显像的卷积神经网络(CNN)自动识别甲状旁腺的应用价值。方法回顾性分析2020年8月至2022年3月在首都医科大学附属北京同仁医院耳鼻咽喉头颈外科接受甲状腺乳头状癌手术的83例患者临床资料, 收集其术中甲状旁腺自体荧光图像共725幅, 同时收集其中10例患者术区的非甲状旁腺荧光显像视频, 截取非甲状旁腺荧光图像共928幅。将甲状旁腺及非甲状旁腺的荧光图像直接作为深度学习的输入特征, 构建用于自动识别甲状旁腺的ResNet 34、VGGNet 16及GoogleNet模型。通过准确率、特异度、灵敏度、精确率、受试者工作特征曲线下面积(AUC)评估不同模型识别甲状旁腺的能力。另外, 采集2022年3至5月行甲状腺手术13例患者的甲状旁腺荧光图像30幅, 非甲状旁腺荧光图像35幅, 对表现最好的CNN模型进行前瞻性测试。结果 83例患者中, 男25例, 女58例, 年龄(46.7±12.4)岁。在二分类(甲状旁腺、非甲状旁腺)中, ResNet 34模型在不同的CNN模型中表现最好, 识别甲状旁腺的准确率、特异度、灵敏度及精确率分别为97.6%、96.3%、99.3...     

基于多模态多示例学习的免疫介导性肾小球疾病自动分类方法

目的 探讨如何利用多模态深度学习方法,联合光学显微镜（OM）、免疫荧光显微镜（IM）及透射电子显微镜（TEM）对应的3种图像进行免疫介导性肾小球疾病分类。方法 基于273例患者的病理图像进行回顾性研究,构建多模态多示例模型对3种免疫介导性的肾小球疾病——免疫球蛋白A肾病（IgAN）、膜性肾病（MN）、狼疮性肾炎（LN）进行分类。该模型采用示例水平的多示例学习（I-MIL）方法挑选患者的TEM图像并与同一患者的OM图像和IM图像进行多模态特征融合。通过该模型与单模态、双模态模型的比较,探究3种模态之间的不同组合形式以及模态特征融合方式的特性。结果 联合OM、IM以及TEM图像建立的多模态多示例模型准确率为（88.34±2.12）%,优于准确率为（87.08±4.25）%的最优的单模态模型,以及准确率为（87.92±3.06）%的最优的双模态模型。结论 本研究成功建立基于OM、IM及TEM三种模态图像的多模态多示例模型,并验证了采用多示例学习结合多模态学习方法对免疫介导性肾小球疾病分类的有效性。     

3D打印技术在股骨远端骨肿瘤的应用

目的：寻找适合识别正常肝、原发性肝癌和肝血管瘤CT图像的特征向量。方法：从一阶统计特征、灰度共生矩阵、灰度行程矩阵三方面提取正常肝、原发性肝癌和肝血管瘤CT图像的纹理特征,然后采用t检验进行特征选择,最后利用神经网络识别系统,把保留的特征作为输入量,对正常肝和原发性肝癌进行识别。结果：所设计的BP神经网络,对正常肝（100±0．00）％、原发性肝癌（91．08±6．96）％,对肝血管瘤（85．76±12．51）％。结论：BP神经网络经设计优化后能达到较高的识别准确率,对于原发性肝癌的计算机辅助诊断具有一定的实际意义和理论价值。     

基于卷积神经网络的基底细胞癌和色素痣的临床图像鉴别

目的：利用卷积神经网络(convolutional neural network,CNN)算法构建基于临床图像的基底细胞癌和 色素痣的智能辅助诊断模型。方法：首先,基于湘雅医学大数据平台构建一个大规模的以中国人种为主的皮肤疾 病临床图像数据集——湘雅皮肤疾病数据集;在此数据集的基底细胞癌和色素痣的子集上评估5种主流CNN模型 (ResNet50,InceptionV3,InceptionResNetV2,DenseNet121,Xception)的分类性能;以热力图的形式分析模型诊断结果 的依据;将最优的CNN分类模型与30名专业的皮肤科医生对100例患者临床图像鉴别进行对比。结果：湘雅皮肤疾病 数据集包含150 223幅带有病变区域标记的临床图像,涵盖543类皮肤疾病,且数据集内每幅图片都包含病理金标准的 支持和患者的病史资料。在由349幅基底细胞癌和497幅色素痣的测试集上,最优的CNN模型为Xception,其分类正确 率可以达到93.5%,其中基底细胞癌和色素痣曲线下面积(area under curve,AUC)分别为97.4%和96.9%。热力图的结果 表明CNN模型能学习到与疾病鉴别相关的特征。Xception模型在鉴别基底细胞癌和色素痣的临床图像的能力与专业皮 肤科医生基本相当。结论：本研究属于首次基于中国人种临床数据集的皮肤肿瘤的辅助诊断研究,证明了CNN模型 具有对于中国人种基底细胞癌和色素痣的鉴别能力,为后续人工智能在皮肤肿瘤中的诊疗应用奠定了扎实基础。     

基于神经网络对CT上腹部脏器边界识别及其临床应用中的检测效能

  目的  探讨基于神经网络模型和不同层面组合对CT上腹部影像主要脏器边界进行识别,并检测其临床实际应用效能。  方法  纳入2018年3月–2019年3月在我院行或包括上腹部增强CT检查且图像质量满足临床诊断要求的病例2 000例,对上腹部8个主要脏器边界层面（肝上下缘、脾上下缘、左肾下缘、右肾下缘、胃下缘和胆囊下缘）进行标注,利用不同神经网络方法和不同层面组合进行模型训练（训练集、验证集和测试集）,获得边界识别的准确率,并通过识别50例临床数据检测其准确率和临床应用效能。  结果  两种模型按照不同权重比例整合的融合模型准确率最高,EfficientNet-b3模型次之,Xception模型最低。各模型中5层图像识别边界的准确率要高于3层图像的准确率,1层图像的准确率最低。融合模型连续5层图像获得肝上缘、肝下缘、脾上缘、脾下缘、左肾下缘、右肾下缘、胃下缘和胆囊下缘的识别准确率分别是91%、87%、92%、85%、92%、95%、76%、74%。融合模型对50例效能检测数据进行识别,获得8个层面准确率为88%、86%、88%、80%、82%、80%、69%、65%;满足临床应用各边界的准确率为98%、98%、95%、98%、99%、98%、80%、77%。  结论  通过增加边界在连续层面的变化逻辑,按照不同权重比例整合的融合模型识别上腹部CT各边界的准确率最高,并在临床实践中获得较高的临床检查效能。     

FastRCNN和CNN技术在三种寄生虫卵形态鉴别中的应用研究

目的 基于卷积神经网络技术,建立常见寄生虫卵的智能识别系统。方法 搭建FastRCNN和CNN网络系统,用已经鉴别的受精蛔虫卵、姜片虫卵、钩虫卵各200张标本显微镜下采集图像,用于系统训练;三种虫卵各100张用于识别测试;再用20张未知名混合虫卵标本进行模拟临床测试。结果 针对3种虫卵,CNN的平均鉴别准确率达到了89%,FastRCNN的平均鉴别检出率达到了99.9%,测试时间分别为53 s和28 s。使用FastRCNN对混合虫卵检测,平均检出率为97%,检测时间79 s。结论 FastRCNN和CNN都能进行大样本量的识别,但FastRCNN的识别能力比CNN更快、更准确。     

基于U型全卷积神经网络的腹部动脉CT图像分割算法研究

目的为了精确分割腹部动脉血管,提出一种基于深度学习的全自动腹部动脉CT图像分割算法。方法采用区域不平衡块生成方法提取CT血管横断面、冠状面和矢状面图像特征,接着采用U型全卷积神经网络对块特征进行训练与分割,最后采用最大体素保留法获得三维血管分割图像。选用120例患者腹部CT血管图像进行网络训练和分割实验,分割结果评价指标采用精确率、召回率和Dice系数。结果基于U型全卷积神经网络能分割全部腹部CT图像大血管和绝大多数小血管。全卷积神经网络中块尺寸s=32所得平均Dice系数、精确率和召回率分别达87.2%、85.9%和88.5%,且与块尺寸s=48和s=64大致相等。基于U型全卷积神经网络所得平均Dice系数、精确率和召回率均优于其他血管分割算法。结论基于U型全卷积神经网络算法的图像分割精度高,是一种可行的腹部CT血管分割算法。     

基于卷积神经网络和超像素的CT图像肝脏分割

肝癌是威胁人类健康的重大疾病之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个重要环节。由于肝脏的个体差异,周围器官的灰度值相似等因素,从CT图像中精准分割肝脏存在一定困难。提出一种结合卷积神经网络和超像素的CT图像肝脏自动分割方法。首先利用卷积神经网络进行目标检测,自动定位肝脏区域,再利用超像素算法对肝脏进行分割,最后进行腐蚀、膨胀、中值滤波等后处理。本文采用3DIRCADb公开数据集对提出的肝脏自动分割算法进行评估和验证,结果表明肝脏自动分割的DICE指标为0.951,VOE指标为0.0917,RVD指标为-0.018,显示出较好的分割精度。     

基于卷积神经网络的智能医疗护理研究

为了提高智能医疗护理水平,减少护理工作量,节约医院成本。提出一种基于卷积神经网络的病人体态行为特征提取算法,该算法采用双网络模型设计,包括病人检测网络模型和病人体态行为特征提取模型,应用该算法到病人体态行为检测系统中,从而实现对病人的识别监控,提高智能医疗护理水平。最后,通过开源框架平台,对病人行为检测系统进行测试,实验结果表明,测试数据集合越大,病人体态行为特征提取精度越高,对病人体态行为类别的平均识别率97.6%,从而验证了系统的有效性和正确性。     

基于级联区域卷积神经网络算法在肾组织病理切片中对肾小球的识别与定位

目的 基于级联区域卷积神经网络(cascade R-CNN)算法开发一种能自动识别肾组织病理切片图像中肾小球的人工智能(AI)系统,帮助病理医师提高计算肾小球个数与识别肾小球的效率.方法 收集2017-2019年3年内在山西医科大学第二医院和山西医科大学附属人民医院行肾穿刺活检术患者的肾脏病理切片,剔除模糊不清、染色质量差的图像,最终得到1 180张质量无明显差异的六胺银(PASM)染色图像.通过高分辨率全视野数字切片(WSI)获得数字化扫描图像,图像数据通过远程病理系统传输到云端并储存.使用cascade R-CNN方法创建训练集(940张图像)和测试集(240张图像),训练集用于训练AI学习识别肾小球,测试集用于测试和评价cascade R-CNN算法识别出肾小球的精确度和召回率.将测试集的病理切片由3名工作年限至少3年的病理医师阅读,计算医师们识别肾小球的精确度与时间.结果 基于cascade R-CNN网络训练完成的深度学习模型识别每张图像肾小球区域时间为(0.20±0.02)s.精确度、召回率分别为93.90％、98.00％,F1值为95.91％.3名病理医师识别每张图像肾小球区域时间分别为(3.57±0.05)、(4.57±0.07)、(3.98±0.02)s,精确度分别为88.08％、89.69％、89.98％,差异均无统计学意义(P均＞0.05).cascade R-CNN算法识别肾小球的精确度高于3名病理医师的平均精确度(89.25％),差异有统计学意义(t=-5.607,P=0.009).结论 cascade R-CNN算法通过高分辨率WSI可快速有效地识别肾小球,能够帮助病理医师提高肾脏疾病的诊断效率.     

Prostate Cancer Risk Prediction and Online Calculation Based on Machine Learning Algorithm

ObjectiveTo build a prostate cancer (PCa) risk prediction model based on common clinical indicators to provide a theoretical basis for the diagnosis and treatment of PCa and to evaluate the value of artificial intelligence (Al) technology under healthcare data platforms.MethodsAfter preprocessing of the data from Population Health Data Archive, smuothly clipped absolute deviation (SCAD) was used to select features. Random forest (RF), support vector machine (SVM), back propagation neural network (BP), and convolutional neural network (CNN) were used to predict the risk of PCa, among which BP and CNN were used on the enhanced data by SMOTE. The performances of models were compared using area under the curve (AUC) of the receiving operating characteristic curve. After the optimal model was selected, we used the Shiny to develop an online calculator for PCa risk prediction based on predictive indicators.ResultsInorganic phosphorus, triglycerides, and calcium were closely related to PCa in addition to the volume of fragmented tissue and free prostate-specific antigen (PSA). Among the four models, RF had the best performance in predicting PCa (accuracy: 96.80%; AUC: 0.975, 95% CI: 0.964-0.986). Followed by BP (accuracy: 85.36%; AUC: 0.892, 95% CI: 0.849-0.934) and SVM (accuracy: 82.67%; AUC: 0.824, 95% CI: 0.805-0.844). CNN performed worse (accuracy: 72.37%; AUC: 0.724, 95% CI: 0.670-0.779). An online platform for PCa risk prediction was developed based on the RF model and the predictive indicators.ConclusionsThis study revealed the application value of traditional machine learning and deep learning models in disease risk prediction under healthcare data platform, proposed new ideas for PCa risk prediction in patients suspected for PCa and had undergone core needle biopsy. Besides, the online calculation may enhance the practicability of Al prediction technology and facilitate medical diagnosis.     

基于3D深度卷积神经网络依据MRI生成伪CT的研究

目的:研究一种依据MRI生成伪CT的方法，从而减少放疗过程中额外CT的使用，降低患者辐射剂量，提高放疗精准度。方法:提出一种基于3D深度卷积神经网络（DCNN）的预测算法，利用单张图像的解剖特征以及相邻图像层之间的关联信息，从而提高了图像特征提取的准确性。采用U-net网络结构，通过编码部分的卷积层、池化层和解码部分的上采样、卷积层，对MRI和对应的CT进行端到端转换的学习。采集13例患者图像数据，应用留一交叉验证的方法，分别对3D DCNN和2D DCNN的伪CT结果与原始CT进行对照比较。结果:提出的3D DCNN算法的平均绝对误差（MAE）为86 HU，远小于2D DCNN的136 HU。结论:3D DCNN算法能更准确的生成伪CT，明显改善了骨骼、空气与软组织之间的误转化。     

基于卷积神经网络的超声影像甲状腺结节良恶性预测研究

目的探讨深度学习在甲状腺结节良恶性鉴别诊断中的应用价值。方法利用卷积神经网络,对2659例匿名患者和480例测试患者的超声甲状腺结节进行图像采集、建模,对甲状腺结节良恶性进行预测,以术后病理结果为标准进行验证。结果超声医师的阳性预期率为84.3%,阴性预期率为90.5%,诊断敏感性为95.1%,诊断特异性为83.1%。深度学习阳性预期率为87.2%,阴性预期率为93.1%,诊断敏感性为97.4%,诊断特异性为87.3%。结论基于深度学习的卷积神经网络的预测方法具有高的诊断敏感性、诊断效率、诊断特异性,能够有效地预测甲状腺超声图像中的结节,并能判定其良恶性。     

深度卷积神经网络技术自动诊断肋骨骨折的CT应用初探

目的:探讨深度卷积神经网络（DCNN）模型在胸部CT图像上对肋骨骨折自动定位和诊断的作用。方法:回顾性纳入2 300例因胸外伤于门急诊初诊、行胸部CT检查的患者图像,其中300例为测试集。应用分割网络、关键点检测网络和骨折检测网络建立DCNN模型,对肋骨骨折定位和诊断进行训练和验证。以高年资医师诊断为金标准,应用?字2分割检验和单因素方差分析比较低年资医师、DCNN模型和在DCNN模型辅助下的低年资医师诊断肋骨骨折的精确率、召回率、F1-score和诊断用时。统计DCNN模型诊断的假阳性和假阴性病例数量。结果:在300例测试集胸部CT图像中,共发现797处肋骨骨折,DCNN模型有22例假阳性病例和62例假阴性病例。低年资医师、DCNN模型和在DCNN模型辅助下的低年资医师诊断肋骨骨折的精确率（χ2=8.85,P=0.012）和召回率（χ2=43.2,P＜0.001）有明显差别。低年资医师诊断肋骨骨折的精确率（94.2%）低于DCNN模型（97.1%）,在DCNN模型辅助下,低年资医师诊断的精确率有所增加（96.4%）,DCNN模型和在DCNN模型辅助下低年资医师诊断的精确率无明显差别（96.4%）。低年资医师诊断肋骨骨折的召回率（84.8%）低于DCNN模型（92.2%）,在DCNN模型辅助下医师诊断的召回率明显升高（94.0%）。低年资医师的诊断用时平均为（155.0±31.9）s,而DCNN模型诊断肋骨骨折仅需（4.8±1.4）s,在DCNN模型辅助下医师诊断用时可缩短至（40.6±7.0）s,三者有明显差别（F=328.1,P＜0.001）。结论:DCNN模型在胸部CT图像上可准确定位、诊断肋骨骨折,显著缩短诊断用时,减少漏诊、误诊率。