基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

ITEAR算法：以纹理能量分析为基础的早期肿瘤图像检测方法

目的：实现计算机自动检测出CT图像中的早期肿瘤。方法：提出一个以纹理能量分析为基础的可以检测出CT图像中早期肿瘤的算法——ITEAR（image registration and texture energy analysis）。该算法首先用互信息量配准方法将PET图像和同一层的CT图像配准,并且利用自适应阈值法将PET图像中的感兴趣区（region of interest,RO1）检测出来,然后应用纹理能量分析方法检测出早期肿瘤的准确位置,接着运用边缘检测方法将其边界提取出来。结果：ITEAR算法能准确定位早期肿瘤,并且能检测出早期肿瘤的边界。结论：ITEAR算法可以令计算机自动制定三维适形放疗计划。     

基于深度森林的产前胎儿监护不平衡多分类判别

采用深度森林框架构建基于不平衡电子胎心宫缩监护数据的多分类判别模型,验证模型有效性,结果表明该模型预测性能较好,极大降低误判率,在产前胎儿健康状况智能评估中有良好应用前景。     

长尾分布下的PET-CT肺癌图像的深度学习网络检测与定位探索

目的:提出一种用于PET/CT图像在长尾分布下的肺癌检测方法,以提高PET/CT图像中的肺癌诊断效能。方法:以YOLOv5作为骨干网络（Backbone）,通过将Backbone与自适应类损失函数（ACSLoss）相结合来构建一个基于自适应类损失函数的YOLO模型（ACS-YOLO）,以此解决PET/CT肺癌图像真实数据集中的长尾分布问题并提高PET/CT图像中的肺癌诊断效能。结果:在Lung-PET/CT-Dx公开数据集上与现存的YOLOv5变体相比,本文提出的ACS-YOLO取得了最好的检测性能,Precision、Recall、mAP@0.5和mAP@0.5:0.95指标最好的值分别为0.960 7、0.948 9、0.970 6和0.558 3。与其他YOLOv5变体相比,ACS-YOLO的检测性能提升约1%~5%,而尾部类别检测性能提升约5%~11%。结论:提出的ACS-YOLO可有效地提高长尾分布下PET/CT图像中的肺癌检测效能,这表明本文提出的方法能够作为现实PET/CT肺癌诊断的辅助工具。     

3D腹部多排电子计算机断层扫描医学图像的非线性扩散滤波分析

目的:对3D腹部多排电子计算机断层扫描(multi-detector computerized tomography,MDCT)图像进行非线性扩散滤波分析,避免低剂量MDCT图像质量改善中3D非线性扩散滤波器需要通过主观经验设置扩散参数的缺点.方法:根据3D非线性扩散滤波器的滤波原理推导扩散参数与体素值变化的依赖关系,根据该依赖关系客观地设置扩散参数值,并将加权均值策略引入非线性扩散滤波当中以抑制点噪声.结果:根据该方法设置的非线性扩散滤波器能够有效地抑制低剂量MDCT图像的量子噪声,并且能够较好地保留小病灶、血管等感兴趣区域的边缘与细节信息.结论:扩散参数与体素值变化的依赖关系可以应用在3D扩散均值滤波器的参数设置当中,使该滤波器能够有效改善低剂量MDCT图像质量.     

基于深度学习的神经网络智能图像识别技术应用于宫颈鳞状上皮内病变细胞学筛查的可行性研究

目的探讨基于深度学习的神经网络智能图像识别技术应用于宫颈鳞状上皮内病变细胞学筛查的可行性。方法选择2017-07～2017-12期间该院经宫腔镜下宫颈组织活检确诊并有宫颈液基细胞学检查结果的体检者共373例,将基于深度学习的神经网络智能图像识别系统(简称智能系统)阅片与人工阅片的宫颈液基细胞学检查结果与阴道镜下宫颈组织活检相对照。结果两种阅片方法对宫颈鳞状上皮内病变的敏感度比较,差异无统计学意义(P 0. 05);智能系统阅片对宫颈鳞状上皮内病变的特异度、符合率显著低于人工阅片,差异有统计学意义(P 0. 05)。结论智能系统有可能为宫颈鳞状上皮内病变细胞学筛查提供又一实用有效的手段。     

基于3D卷积神经网络-感兴趣区域的阿尔茨海默症辅助诊断模型

磁共振(magnetic resonance imaging,MRI)图像的预测分类对早期阿尔茨海默症(Alzheimer′s disease,AD)的诊断非常重要。轻度认知障碍(mild cognitive impairment,MCI)作为AD的一种早期阶段,在诊断时存在大脑脑区萎缩区域不明确,诊断准确率偏低等问题。本研究提出一种基于感兴趣区域(regions of interest,ROI)的3D卷积神经网络(convolutional neural network, CNN)模型来解决AD分类准确率偏低等问题,进而实现对AD的计算机辅助诊断。实验数据均来自ADNI数据库,实验结果表明,基于ROI的3D CNN的AD辅助诊断模型在分类AD vs正常对照(normal control,NC)、MCI转化AD(MCI converted to AD,MCIc) vs NC和MCI未被转化AD(MCI not converted to AD,MCInc) vs MCIc的5折交叉验证平均准确率分别为85.2%、83.9%、68.5%。相比于传统的主成分分析+支持向量机方法和单纯的切片集成方法,本研究方法在AD辅助诊断中取得了更好的分类效果和泛化能力,还可为其他脑疾病诊断提供新思路。     

用于自动识别SPECT心肌灌注图像心脏区域的MRS算法

目的：检测并分割出SPECT心肌灌注图像中的心肌.方法：本文将最佳阈值分割算法、数学形态学腐蚀和轮廓跟踪算法结合起来,开发出用于专门处理SPECT心肌灌注图像的MRS（Myocardial Region Searching）算法.结果：MRS算法可以处理使用DICOM标准的SPECT设备生成的心肌灌注图像,并且可以自动将SPECT心肌灌注图像序列中的心脏区域识别出来.结论：MRS算法独立于灌注药物和药物注过程,并且可以大量减少2D、3D图像重构时的数据量.最后本文还讨论了MRS算法的优点和不足.