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ResNet深度网络的人类蛋白质图谱图像分类方法研究

将基于深度学习的图像分类方法引入人类蛋白质图谱图像分类中，利用ResNet深度网络构建面向人类蛋白质图谱图像分类的深度卷积神经网络，通过混合模式的蛋白质显微镜图像进行验证。结果表明该方法比其他自动分类法具有更高的准确率和精度，大大节约人力和时间。     

基于深度学习的肝包虫疾病图像分类

目的:为了实现新疆高发病肝包虫病CT图像的正确分类,提出一种深度学习的肝包虫病CT图像的自动分类方法。方法:对单囊、多囊和肝囊肿CT图像使用深度学习的分类方法进行分类。首先,构建并优化ResNet-50网络模型,将肝包虫病图像分批次传入网络,然后用交叉熵作为损失函数,最后把网络结构加入对数据的批归一化处理,通过反向传播算法优化参数使损失函数最小化,最终选择训练所得的最优网络。结果:各类别的最佳分类准确率分别为单囊型78.33%、多囊型81.52%、肝囊肿型80.24%。结论:深度学习卷积神经网络的肝包虫病CT图像疾病分类方法可行、合理、且调整后的ResNet-50模型比较适合肝包虫病图像的分类,有望通过深度学习方法对肝包虫病提供辅助诊断及决策支持。     

基于多维度特征融合的深度学习骨龄评估模型

目的 通过基于特征提取的深度卷积神经网络,结合关键区域特征和人口学信息,评估儿童骨龄。方法 自动识别左手X线图像数据,对图像进行预处理,使用基于深度神经网络的X线图像分析方法,实现左手关节骨龄17个关键区域特征的自动提取,再将骨龄影像特征与临床大数据（人口统计、性别）融合训练骨龄评估模型,测试模型的评估效能。结果 使用基于深度学习的特征区域提取方法比传统图像分析方法可以更好地提取特征信息,结合临床信息从另一维度补充了骨龄发育信息。基于多维度数据特征融合的骨龄评估模型检测得到的骨龄平均绝对误差为0.455,优于传统方法和仅端到端的深度学习方法。结论 相较传统的机器学习特征提取方法,基于特征提取的深度卷积神经网络在骨龄回归模型上有更好的表现,结合人口和性别信息可进一步提升基于图像的骨龄预测准确率。     

基于卷积神经网络的肺结节良恶性分类

目的研究基于卷积神经网络的肺结节良恶性分类方法。方法首先对肺部图像数据库联盟(LIDC)中的肺癌CT图像进行分割获得肺结节图像;然后利用卷积神经网络进行特征提取;最后利用Logistic分类器进行模型构建与测试。结果该文所提出方法取得了84.4%的分类结果。结论利用卷积神经网络可以自动提取肺结节特征,辅助医生的临床诊断。     

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。     

手掌静脉识别：基于端到端卷积神经网络方法

目的提出一种基于端到端卷积神经网络的手掌静脉识别方法。方法在构建的手掌静脉识别网络模型中,卷积层和池化 层交替级联提取图像特征,同时通过神经网络分类器进行分类识别,采用包含动量项的随机梯度下降法最小化识别误差,在误 差减小的方向上不断优化模型。采用训练集数据扩展、批归一化、Dropout、L2参数正则化四种方法提升网络的泛化能力。结果 对公共的PolyU库(图像在高约束条件下获取)和自建库（图像在自然条件下获取）中全部500个对象的识别,正确识别率分别达 到99.90%和98.05%,单个样本的识别时间均小于9 ms。结论与传统算法相比,本文方法能够有效提升掌静脉识别在实际应用 中的准确率,为掌静脉识别提供一种新思路。     

重庆市艾滋病综合防治示范区2016至2021年接受抗病毒治疗患者生存分析

为提升智能辅助驾驶系统对路面附着系数估计的准确性与实时性,研究了一种基于视觉信息的路面识别深度学习算法,实现路面附着系数的预估计。设计压缩卷积机制以降低网络运算参数,采用特征图全局平均替换全连接层以提升网络的拟合性能,并构建路面识别深度卷积神经网络DW-VGG。利用自建路面图像数据集对网络进行训练,测试结果表明,基于提出的多层知识蒸馏技术的DW-VGG网络识别精度较高,分类性能评估指标F₁得分为96.57%,并有效降低了网络的运算和内存成本,识别单张图像只需32.06 ms,预测模型只有5.63 M。     

卷积神经网络的发展及其在肿瘤影像学中的应用

肿瘤病死率高,影像学检查对肿瘤的早期诊断、治疗意义重大.随着人工智能深度学习技术的发展,卷积神经网络算法能够自动提取图像特征,快速寻找医学影像图片中的细微病变.计算机辅助检测系统可以帮助医生在肿瘤的早期阶段提高诊断准确率.     

定量磁化率成像中磁化率重建伪影的清除：基于多通道输入的卷积神经网络方法

目的 基于深度学习方法消除定量磁化率成像（QSM）过程中出现的各类磁化率相关伪影。方法 为消除磁化率差异较大的分界面上出现的伪影,本文提出了一种基于多通道输入的卷积神经网络方法（MAR-CNN）,用于单方向偶极子反卷积QSM重建。该方法根据磁化率的阈值与静脉掩膜将原始组织场分成两个分量,与原始组织场拼接作为MAR-CNN的三通道输入。实验将MAR-CNN与三种基于模型的方法,阈值截断k空间除法（TKD）,形态学的偶极子反卷积方法（MEDI）和改进的稀疏线性方程最小二乘法（iLSQR）和一种深度学习方法（QSMnet）进行比较,并使用高频误差范数、峰值信噪比、归一化均方根误差和结构相似性指数进行定量评估。结果 在健康志愿者中,与TKD、MEDI、iLSQR和QSMnet相比,MAR-CNN重建图像的峰值信噪比最高（43.12±1.19）、归一化均方根误差最小（51.98±3.65）。与QSMnet相比,MAR-CNN在所有四个量化指标上都是更优的,且具有显著性差异（P<0.05）。对于仿真的出血患者,MAR-CNN在高磁化率的出血病灶周围产生的阴影伪影更少。结论 本文提出的多通道输入卷积神经网络QSM重建方法可提高定量磁化率重建的准确度并有效消除QSM伪影。     

Three-Category Classification of Magnetic Resonance Hearing Loss Images Based on Deep Autoencoder

Hearing loss, a partial or total inability to hear, is known as hearing impairment. Untreated hearing loss can have a bad effect on normal social communication, and it can cause psychological problems in patients. Therefore, we design a three-category classification system to detect the specific category of hearing loss, which is beneficial to be treated in time for patients. Before the training and test stages, we use the technology of data augmentation to produce a balanced dataset. Then we use deep autoencoder neural network to classify the magnetic resonance brain images. In the stage of deep autoencoder, we use stacked sparse autoencoder to generate visual features, and softmax layer to classify the different brain images into three categories of hearing loss. Our method can obtain good experimental results. The overall accuracy of our method is 99.5%, and the time consuming is 0.078 s per brain image. Our proposed method based on stacked sparse autoencoder works well in classification of hearing loss images. The overall accuracy of our method is 4% higher than the best of state-of-the-art approaches.     

Application of Preoperative CT/MRI Image Fusion in Target Positioning for Deep Brain Stimulation

Objective To explore the efficacy of target positioning by preoperative CT/MRI image fusion technique in deep brain stimulation. Methods We retrospectively analyzed the clinical data and images of 79 cases (68 with Parkinson’s disease, 11 with dystonia) who received preoperative CT/MRI image fusion in target positioning of subthalamic nucleus in deep brain stimulation. Deviation of implanted electrodes from the target nucleus of each patient were measured. Neurological evaluations of each patient before and after the treatment were performed and compared. Complications of the positioning and treatment were recorded. Results The mean deviations of the electrodes implanted on X, Y, and Z axis were 0.5 mm, 0.6 mm, and 0.6 mm, respectively. Postoperative neurologic evaluations scores of unified Parkinson’s disease rating scale (UPDRS) for Parkinson’s disease and Burke-Fahn-Marsden Dystonia Rating Scale (BFMDRS) for dystonia patients improved significantly compared to the preoperative scores (P<0.001); Complications occurred in 10.1% (8/79) patients, and main side effects were dysarthria and diplopia. Conclusion Target positioning by preoperative CT/MRI image fusion technique in deep brain stimulation has high accuracy and good clinical outcomes.     

基于深度学习的脑肿瘤图像分割

人工智能技术在计算机视觉与深度学习领域的应用逐渐增多,自动驾驶、无人机、医学临床诊疗等行业都需要基于深度学习的图像分割技术做支撑。本文对近年来脑肿瘤图像分割方法进行综述：首先介绍了图像分割的传统方法和基于深度学习的方法,然后概述了目前几种典型的针对脑肿瘤图像分割方法,描述其主要进展与可借鉴之处,总结了我们在基于深度学习的脑肿瘤图像分割方面的研究结果,并与典型方法的性能进行对比,最后讨论未来研究方向及面临的挑战。     

Multi-Atlas Based Methods in Brain MR Image Segmentation

Brain region-of-interesting (ROI) segmentation is an important prerequisite step for many computer-aid brain disease analyses. However, the human brain has the complicated anatomical structure. Meanwhile, the brain MR images often suffer from the low intensity contrast around the boundary of ROIs, large inter-subject variance and large inner-subject variance. To address these issues, many multi-atlas based segmentation methods are proposed for brain ROI segmentation in the last decade. In this paper, multi-atlas based methods for brain MR image segmentation were reviewed regarding several registration toolboxes which are widely used in the multi-atlas methods, conventional methods for label fusion, datasets that have been used for evaluating the multi-atlas methods, as well as the applications of multi-atlas based segmentation in clinical researches. We propose that incorporating the anatomical prior into the end-to-end deep learning architectures for brain ROI segmentation is an important direction in the future.     

婴幼儿急性颅脑损伤的特点与治疗(附46例临床分析)

目的 分析总结婴幼儿颅脑损伤的特点与治疗.方法 回顾性分析研究本组46例婴幼儿颅脑损伤患者的损伤类型、临床表现、救治方法和预后状况并总结其相应的特点.结果 (1)本组患儿中闭合性颅脑损伤38例,开放性颅脑损伤8例;(2)主要临床表现为伤后不同程度的意识障碍;(3)手术治疗19例,保守治疗27例;(4)本组患儿经过系统治疗均取得了较好的疗效,除2例(4.3%)重度弥漫性轴索损伤患儿因多器官功能障碍死亡外,其他患儿痊愈38例(82.6%),轻度残疾3例(6.55%),中度残疾3例(6.55%).结论 婴幼儿的颅脑外伤在脑外伤中属于较特殊的一种类型,有与成人不同的特点,同时小儿神经系统处于发育阶段,尚未成熟,其代偿能力和修复能力较强,对颅脑损伤的承受力较大.机体的其他器官生理机能旺盛,不易出现相应的并发症.功能的障碍多为伤后的应激性变化,恢复较快.在日常诊疗过程中应充分考虑其特点并采取有针对性的治疗方法,会取得十分理想的疗效.     

基于数据关联的疾控信息元数据规范设计

通过“分析疾控行业各类数据集的特点来制定标识元数据、复用现有元数据标准组织技术元数据和使用数据关联关系的方式来表述元数据所体现出的业务逻辑关系”这三种方法,来建立包含核心元数据和关联关系元数据的疾控信息数据仓库元数据规范,由3个元数据子集构成。疾控信息元数据库的关联关系是整合疾病预防控制领域各类数据库的重要手段,也是现代关系型数据库的重要衍生,为构建疾控信息数据仓库提供了有效指引。     

李德新教授治疗抑郁症经验撷菁

抑郁症主要是指以显著而持久的情绪低落,活动能力减退,思维与认知功能迟缓为临床特征的一类情感性精神障碍。本病具有患病率高、复发率高、负担率高等特点。中医药对本病的治疗独具特色,且收到较好的疗效。李德新教授立足于中医药范畴研究抑郁症多年,造诣颇深,疗效显著,经验丰富,具有极其重要总结和推广的实际意义。     

Development of distributed image database combined with clinical information in hospital information system

We have developed a distributed image database system composed of the data in our medium-scale PACS that provides diagnostic-quality images and the data in our HIS. INFORMIX software was used to construct the distributed relational database. The data in HIS were retrieved using several programs written in COBOL. Image data in PACS were retrieved using ACRNEMA protocols. The data retrieved from the HIS database involved medication, disease entities, laboratory test results, etc. Therefore, the image data on a given patient can be retrieved by specifying the name of the disease in our database system. Our method offers a practical one to make a global database system to maintain the integrity of the data in the HIS and the PACS. The combination of image data and disease made it quite easy to make a sample database for developing a computer-aided diagnostic system.     

基于几何深度学习的脑形态学研究在阿尔茨海默病诊断中的初步应用

  目的  基于脑表面图形和几何深度学习建立阿尔茨海默病（Alzheimer’s disease,AD）的分类预测模型,并评估其性能。  方法  纳入临床确诊AD患者76例,健康老年人83例,并按4∶1的比例随机划分为训练集和测试集。从受试者的MR成像中三维T1加权高分辨率结构像中构建脑表面图形,进行一系列图形简化操作后将训练集输入几何深度神经网络进行训练,用测试集对训练产生的预测模型进行性能评估,评估参数包括准确率、敏感性和特异性。  结果  在右脑面数为6 000的脑表面图形上训练得到的预测模型取得最佳性能（准确性93.8%,敏感性91.7%,特异性94.1%）。脑表面图形在卷积与池化操作过程中的变化揭示AD患者相较健康老年人存在全脑弥漫分布的脑组织损失。  结论  基于图形数据和几何深度学习的脑形态学分析方法在AD的诊断和鉴别诊断中有较大的发展潜力。