深度学习算法在腭中缝成熟度分期中的应用

目的:探讨深度卷积神经网络模型(CNN)在评估锥形束计算机断层扫描(CBCT)影像中的腭中缝成熟度的应用,验证深度学习算法的有效性。方法:在已有卷积神经网络Xception模型的基础上,对模型进行针对性的结构优化,引入了注意力以及多特征融合机制。使用661例CBCT的腭平面截图,图像经预处理后作为训练集,在对网络模型进行训练后,利用20例典型分期样本进行验证,再分别测试38例困难样本(测试集A)和60例平均难度样本(测试集B)的分期准确率。最后将模型与医生的判断结果进行对比分析。结果:所设计的深度神经网络模型在数据集A和数据集B上的准确率分别为0.868和0.916,医生在数据集A和数据集B的准确率分别为0.628和0.850,结论:在病例出现多期性时,深度神经网络模型能够给出更加准确的结论,因此深度神经网络模型能够给医生提供有价值的参考,辅助医生做出正确的诊断。     

基于隐马尔可夫模型-径向基神经网络的表面肌电信号识别

目的：利用隐马尔可夫模型-径向基神经网络（HMM—RBFN）混合模型对7种手指动作进行辨识，探索控制HIT多自由度灵巧手的有效控制策略。方法：8例健康实验对象参加了试验，4例女性，4例男性。每例实验对象按提示完成7种手指动作，每种动作重复50次。通过表面肌电信号（sEMG）采集系统，提取实验对象前臂4块肌肉的sEMG，在对其进行预处理并提取小波变换特征向量后。分别送入HMM模型分类器及HMM—RBFN混合模型分类器进行训练。结果：HMM—RBFN混合模型识别效果和稳定性都大大优于HMM模型，验证了HMM—RBFN混合模型的有效性。结论：①HMM模型在sEMG识别中的效果没有其在语音信号识别中的好，有必要对其进行改进，以便更好的应用于sEMG的识别；②将HMM模型和神经网络组成混合分类器，可以弥补彼此的不足，获得更好的性能。     

基于两种判别模式的肿瘤标志物联合检测对肝癌辅助诊断的价值

目的探讨基于人工神经网络(ANN)判别模式的肿瘤标志物联合检测对肝癌辅助诊断的价值。方法 2009年3月-2010年3月解放军159中心医院和郑州大学第一附属医院门诊、住院患者及体检者140例,分别纳入肝癌组(n=50)、肝良性病变组(n=40)和正常人组(n=50)。采用化学发光免疫检测试剂盒测定血清中甲胎蛋白(AFP)、癌胚抗原(CEA)、糖类抗原125(CA125)的含量,采用可见光分光光度法测定血清唾液酸(SA)水平,采用偶氮砷Ⅲ终点法测定血清中的钙(Ca)含量,以此5种肿瘤标志物作为判别变量,运用Fisher判别分析法及反向误差传播ANN技术,建立肝癌智能化辅助诊断模型。结果本研究建立的Fisher判别分析模型对3组样本判别的灵敏度为46.1%,特异度为98.9%,准确度为79.3%,总的阳性预测值为95.8%,总的阴性预测值为76.7%;而ANN模型对3组样本判别的灵敏度为96.0%,特异度为98.9%,准确度为94.3%,阳性预测值为98.0%,阴性预测值为97.8%。结论多个肿瘤标志物联合ANN技术建立的肝癌诊断模型对肝癌的预测效果优于传统的Fisher判别分析方法,更适用于临床数据的判别分析。     

人工神经网络诊断模型在肝纤维化无创诊断中的应用

目的建立肝纤维化神经网络诊断模型,探索肝纤维化的早期无损伤诊断新方法并对该模型进行临床应用评价。方法选取2008年5月-2011年3月收治的、符合纳入标准的683例经肝组织活检或临床证实为肝纤维化、肝硬化患者的样本进行模型建立及验证,其中慢性乙型肝炎(CHB)导致的肝纤维化504例,其他类型肝病导致的肝纤维化179例,按照纤维化病理分期结果,利用分层随机抽样方法抽取其中134例作为训练组样本,其余样本用于模型的验证,以年龄、天冬氨酸转氨酶(AST)、凝血酶原时间(PT)、血小板计数(PLT)、γ-谷氨酰基转移酶(GGT)、直接胆红素(DBil)作为神经网络模型的输入层指标构建神经网络诊断模型,并对构建好的模型进行评价。结果成功建立了肝纤维化神经网络诊断模型,该模型对各类肝病纤维化诊断的正确率为77.4%,敏感度为76.8%,特异度为77.8%。Kappa一致性检验显示,该模型与肝组织活检的一致性较好(Kappa指数=0.534),其中对CHB导致的肝纤维化诊断的正确率为80.4%,敏感度为79.9%,特异度为80.7%,Kappa指数=0.598,对其他类型肝病导致的肝纤维化诊断的正确率为67.9%,敏感度为64.3%,特异度为69.7%,Kappa指数=0.316。结论作为一种新的实验室无创诊断方法,本研究建立的神经网络肝纤维化诊断模型对CHB导致的肝纤维化的诊断敏感度及特异度较高,具有良好的临床应用价值,但对其他类型肝病导致的纤维化诊断价值有限。     

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。     

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。