深度学习技术在医学影像中的应用

近十年来,人工智能(artificial intelligence,AI)在医学领域发展迅速,很大程度上得益于机器学习(machine learning,ML)技术的发展与进步,而机器学习也成为医学领域创新的新引擎。医学成像领域中,机器学习对图像重组、病变分割、计算机辅助检测(computer-aided detection,CADe)和诊断(computer-aided diagnosis,CADx)等方面的优化产生了积极影响[1,2]。与传统的医学图像分析技术相比,机器学习技术不需要由医学及技术领域专家为特定分析制定明确相关的功能。     

基于实验均方误差F值的基因表达数据最佳聚类评判方法研究

目的 近年来产生了一些用于分析基因表达数据的聚类算法，却很少有关于评价聚类算法方法的研究。本研究的目的是尝试建立一个定量的评价基因表达数据聚类结果的方法。方法 本研究提供了一个系统的评价聚类结果的方法，利用我们提出的实验均方误差F值对几个常见的聚类算法进行比较。结果 利用F值对类质量的评价和利用已有的生物学知识对类进行分析的结果一致。结论 实验均方误差F值可以定量地评判用于基因表达数据的聚类算法。     

基于LVQ的自发脑电信号的分类研究

为了识别在不同思维状态下的自发脑电(EEG)信号，本文用6阶自回归(AR)模型表示EEG信号，用学习矢量量化(LVQ)神经网络作分类器，分别用LVQl和LVQ2．1算法对网络进行训练，并对分类结果进行测试，比较了网络选择不同参数时对分类正确率的影响。研究表明：竞争层神经元数目直接影响了正确率，当选择最佳参数值时分类正确率为62％-83％，因人而异。     

基于多分辨率分析的心电图QRS波检测

从多分辨率分析出发，构造出一个用于心电图R波检测的滤波器，并在此滤波器的基础上提出了一种新的R波检测算法。本文详细论述了滤波器的构造方法和新的R波检测算法的原理及在实现中采用的一些策略，经MIT-BIH标准心律失常数据库验证，该算法对于各种干扰尤其是肌电干扰具有很强的抑制能力。算法实现简单，计算量小，在ECG信号的脱机和实时处理程序中均可使用。     

医院向导系统的设计与实现

文中讨论了医院向导系统的设计与实现技术。该系统能够实现搜索现有科室的信息及求解院内任意两场所间的最短路径,结果以文字和示意图形式显示在屏幕上。系统设计采用了迪杰斯特拉算法和图形函数,以便用户更容易理解。     

药物的定量构效关系的方法学研究——改进的逐步回归算法

在定量的构效关系研究中,多重回归分析选人的参数,多是用穷举所有方程实现的。本文提出一种改进的逐步回归算法,计算实例表明,是个行之有效的方法。     

基于混合遗传算法的心脏病决策支持系统研究

将遗传算法和 BP算法相结合 ,建立了一个基于混合遗传算法的心脏病决策支持系统来鉴别诊断五种常见心脏病 (冠心病 ,高血压性心脏病 ,风湿性心脏病 ,慢性肺原性心脏病和先天性心脏病 )。一个含有 35 2份心脏病的数据库用来构建和测试了该系统。实验结果表明 ,构建的系统对这五种心脏病均有较好的诊断识别率 ,系统的平均识别准确性达 90 .6 % ,各疾病的用户准确性和程序准确性均大于 85 .0 % ,表现出良好的心脏病的临床诊断决策支持能力     

采用修正正交分段线性函数求解时滞系统和卷积的方法

应用修正正交分段线性函数的时滞和反向特性，推导出求解时滞系统和卷积的公式。数字仿真表明，它具有计算简单，精度高的优点。     

神经网络分析方法用于心脏病诊断的研究

神经网络可以很好的拟合任意的非线性函数。我们从 QRS波群的高频三维频谱中提取出一些定量的特征参数 ,用神经网络的方法对这些参数进行有监督的学习训练 ,最终能在由这些特征参数张成的 m维空间中构建出一个 m维的曲面来区分病人和健康人的 QRS波群高频三维频谱 ,从而使得训练后的网络能基于 QRS波群的高频三维频谱自行诊断出病人和健康人     

基于T1WI增强影像组学在鉴别高级别胶质瘤复发与假性进展中的应用价值

目的：探讨基于T1WI（T1 weighted imaging）增强影像组学在术前无创鉴别高级别胶质瘤术后复发与假性进展的应用价值。方法：回顾性分析经病理证实为高级别胶质瘤的104例患者临床及磁共振成像资料,根据二次手术病理或神经肿瘤疗效评估标准（response assessment in neuro-oncology,RANO）将其分为复发组71例,假性进展组33例。按7∶3比例随机分为训练组和验证组。在T1WI增强图像上手动勾画肿瘤实质区的体积作为感兴趣区,用FeAture Explorer软件提取1 648个组学特征。 采用主成分分析（principal component analysis,PCA）及最小绝对收缩和选择算子（least absolute shrinkage and selection operator, LASSO）进行特征处理及筛选,采用支持向量机（support vector machine,SVM）构建影像组学模型。通过受试者工作特征曲线下面积（area under curve,AUC）及校准曲线评估模型的效能。结果：训练组鉴别高级别胶质瘤复发与假性进展的AUC为0.929, 准确率为 0.889,灵敏度为 72.7%,特异度为 100.0%。验证组的 AUC 为 0.853,准确率为 0.813,灵敏度为 90.9%,特异度为 71.4%。校准曲线显示模型预测值与实际值一致性较好。结论：基于T1WI增强影像组学模型具有较好的诊断效能,有助于鉴别高级别胶质瘤术后复发与假性进展。