基于时序心脏模型样本均衡方法的心律失常分类

心律失常自动分类作为计算机在临床上的重要应用,可以有效辅助心血管疾病的诊断,但实验中样本不均衡问题严重影响分类精度。目前用于解决样本不均衡问题的主流方法为对抗神经网络,但存在训练不稳定和模式崩溃等问题,且仅依靠数据进行学习,缺乏一定的生理意义。因此提出基于时序心脏模型的样本均衡方法生成心电数据,在2018年中国生理信号挑战赛提供的12导联数据集上进行实验,采用深度残差网络作为分类模型分别对每个导联进行训练,通过极端梯度提升算法实现导联融合。经过样本均衡后,各类F1分数均有提升,左束支阻滞(LBBB)、ST段降低(STD)、ST段抬升(STE)的改善尤其显著,分别由扩增前的0.706、0.684、0.524提升至0.832、0.809、0.618。为验证本方法的通用性,对PTB数据集进行独立测试,分类准确率达到98.64%。实验结果表明,基于时序心脏模型生成仿真数据能够有效改善实验样本不均衡现象。     

融合感受野模块的卷积神经网络视杯视盘联合分割

青光眼是世界第一大不可逆致盲性眼病,早期诊断和及时治疗是预防青光眼致盲的有效措施。眼底图像中的杯盘比是青光眼早期筛查与临床诊断的重要指标。因此,精确的视杯视盘分割是准确计算杯盘比并提高青光眼计算机辅助诊断技术的关键。针对这一问题,在对眼底图像进行极坐标变换的基础上,提出一种融合感受野模块的卷积神经网络Seg-RFNet,以实现视杯视盘联合分割。Seg-RFNet以SegNet框架为基础,使用ResNet50作为编码层,增强图像的特征提取能力,并对编码层进行分支处理,进一步获得更多的深层语义信息;同时在编码层和解码层之间加入感受野模块,模拟人类视觉系统,在增大感受野的同时增强了有用特征的响应。使用MICCAI 2018公开数据集REFUGE中的800张眼底图像对所提出方法与其他方法进行性能验证和比较。结果表明,Seg-RFNet分割视杯和视盘的Jaccard相似度分别0.951 5和0.872 0,F分数达到了0.974 9和0.930 1,与常用的U-Net、SegNet 网络相比,Seg-RFNet具有更好的视杯视盘联合分割精度,为计算杯盘比提供了精确分割基础。     

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。     

基于一维卷积神经网络的糖尿病周围神经病变预测模型研究

为了实现对糖尿病周围神经病变（DPN）的早期预防,辅助医生进行早期诊断与决策,提出了一种基于一维卷积神经网络的DPN预测模型,对原始数据进行了一系列的预处理工作以提高数据的质量,此外数据集的特征维度较高,为了进一步提高预测模型的准确性,进行了主成分分析（PCA）降维处理,通过自主学习数据的特征信息,从中挖掘其有价值的医学信息与规律,来实现DPN的预测。通过支持向量机、BP神经网络和一维卷积神经网络分别建立了DPN预测模型。实验结果表明,一维卷积神经网络模型预测效果优于其他两个模型,其准确率、召回率、F1值、AUC值分别达到了0.983、0.916、0.923、0.98。     

基于3D-ResNet深度影像特征的胆囊癌生存预测模型

建立一个精准的个体化胆囊癌患者生存预测模型,分析、寻找新的胆囊癌预后因素,对于患者预后评估、治疗模式选择、手术患者筛选、术后辅助治疗方案确定及医疗资源合理使用均具有重要意义。本文提出一种基于3D-ResNet提取深度影像特征建立胆囊癌患者生存预后模型的方法,通过迁移学习以及训练3D-ResNet自动提取患者CT的深度特征,并利用提取的深度影像特征,通过Cox比例风险回归模型建立胆囊癌患者的生存预测模型。实验结果表明,基于深度影像特征建立的胆囊癌患者预后因子在预测患者生存时的C指数达到0.734,利用深度影像特征预后因子预测患者的1、3、5年存活率AUC分别达到0.833、0.791、0.813。本方法对胆囊癌预后预测有着良好的指示作用。     

面向医疗护理的视觉监控医院患者跌倒检测

提出一种面向医院患者的视觉监控跌倒检测算法,解决患者由于意外跌倒不能被及时发现的问题,为医护人员快速处理患者跌倒等异常行为提供必要的技术保障。方法:首先,基于深度神经网络模型检测监控图像中人体关节点（如肩部、肘部、腕部、胯部、膝关节等）在图像中的位置,再根据亲和度向量场模型提取人体骨架,最后计算患者躯干、腿部与地面的夹角作为判别性特征,判断监控区域内是否有患者出现意外跌倒。结果:实验结果表明,本文所提算法在实际的医院监护环境中的处理速度高达25帧/s,检测准确率高达96%。结论:该方法能够实时、准确地提取医院环境下患者的行为特征,并针对意外跌倒情况发出警报,为医护人员监测患者跌倒等异常行为提供更准确、方便的计算机辅助医疗护理方法。     

基于神经网络的阿尔茨海默病脑电诊断应用现状EI北大核心CSCD

脑电信号是脑神经电生理活动的总体反映,具有安全、高效、实时、动态等优点。随着机器学习相关研究的开展与推进,基于神经网络的阿尔茨海默病自动诊断正成为脑电分析研究热点。本文从前馈神经网络入手,比较分析了循环神经网络、卷积神经网络和深度信念网络等神经网络模型的结构特性及其在阿尔茨海默病诊断中的性能表现,并探讨了该研究在未来可能面临的挑战和研究趋势,期望为神经网络在阿尔茨海默病脑电诊断的临床应用提供有价值的参考。     

基于超声识别HIFU致生物组织变性

目的 探讨以超声筛选最佳特征向量，结合广义回归神经网络（GRNN）识别强度聚焦超声（HIFU）致生物组织变性的方法。方法 采用HIFU以不同剂量对300个新鲜离体猪肉组织样本进行辐照，获得变性及未变性样本各150个。于辐照前后采集超声声像图，经减影处理获得超声减影图像；以灰度-梯度共生矩阵法及灰度差分统计法提取18个特征参数，经P值显著性检测法及欧氏距离法筛选获得最佳特向量。以300个样本中的198组为训练样本，102组为测试样本。识别训练样本后，以P值显著性检测法剔除的特征向量和欧氏距离最小的2个特征向量为最佳特征向量的对照组，将其分别输入GRNN，以识别组织变性；计算特征向量结合GRNN对测试样本的正确识别率和总识别率。结果 最佳特征向量为梯度分布不均匀性和灰度分布不均匀性，其结合GRNN的总识别率分别为90.20%、91.18%，以2个最佳特征组合并结合GRNN后总识别率为98.04%。P值显著性检测法剔除的特征向量为平均值、对比度，其结合GRNN的总识别率分别为48.04%、75.49%，2以2个最佳特征组合并结合GRNN的总识别率为79.41%。欧氏距离最小的特征向量为能量、小梯度优势，结合GRNN的总识别率分别为88.24%、89.22%，以2个最佳特征组合并结合GRNN的总识别率为89.22%。最佳特征向量组合结合GRNN可明显提高对变性组织的识别率。结论 基于超声减影图像，以灰度分布不均匀性、梯度分布不均匀性与GRNN结合，均可提高对HIFU辐照所致组织变性的识别率；以2个最佳特征组合结合GRNN识别效果更佳。     

ARIMA模型和BP神经网络模型在我国乙型肝炎发病预测中的应用

目的探讨适合全国乙肝发病率的预测模型,为乙肝预测预警系统提供参考。方法应用2004-2012年全国乙肝月发病率数据,分别建立ARIMA模型和BP神经网络模型,利用建立的模型预测2013年1-12月乙肝发病率,采用实际发病率验证与比较两种模型的预测效果,评价指标为平均绝对误差(MAE)、平均绝对误差率(MER)和非线性相关系数(RNL)。结果全国2004-2013年乙肝月发病率在2.79/10万~9.44/10万间波动,序列具有明显的长期趋势。建立的乘积ARIMA(0,1,1)(0,1,1)12模型预测的MAE、MER、RNL分别为0.445、0.065、0.909,BP神经网络模型分别为0.635、0.093、0.872。ARIMA模型预测的平均绝对误差和平均绝对误差率要低于BP神经网络模型(△MAE=-0.190,△MER=-0.028),非线性相关系数要高于BP神经网络模型(△RNL=0.037)。结论 ARIMA模型和BP神经网络模型均适用于我国乙肝发病率的预测,且前者的预测效能和非线性拟合能力略优于后者。     

弥漫性轴索损伤的神经网络研究进展

<正>颅脑损伤(traumatic brain injury,TBI)一般可分为局限性和弥散性脑损伤(diffuse brain injury,DBI)[1]。局限性脑损伤可导致局部神经功能障碍,而弥漫性脑损伤主要造成意识障碍,同时还会引起情感、记忆力、注意力、执行力等认知功能障碍,原因是包括网状激活系统、广泛大脑皮层在内的弥漫性轴索损伤(diffuse axonal injury,DAI)。其中"高水平"的认