基于深度学习特征的乳腺肿瘤分类模型评估

目的本文结合深度学习特征（DF）和传统图像特征（HCF）特点,利用多分类器融合的方法建立一个乳腺肿瘤分类模型,并 深入评估和分析不同深度学习网络特征的肿瘤分类性能。方法回顾性分析106例乳腺肿瘤患者的头尾位和内外倾斜位投影 的全数字乳腺成像数据。首先从肿瘤区域提取23维HCF（12维形态及11维纹理特征）,用t检验进行显著性特征选择;然后分别 从3 个卷积神经网络模型提取不同维度DF,在实验中,3 个不同深度学习网络产生了相应DF,分别是AlexNet,VGG16 和 GoogLeNet;最后结合2个投影数据的DF和HCF,采用多分类器的融合模型对特征进行训练和测试,实验重点分析不同DF在 肿瘤分类上的性能。结果结合DF和HCF建立的分类模型比使用单独HCF的分类模型表现出更好的性能;相比于其它网络框 架,DFAlexNet和HCF的结合表现出更高精度的分类结果。结论结合DF和HCF的特征方法建立一个分类模型,对于良恶性乳腺 肿瘤具有优秀的鉴别能力,且泛化能力更强,能作为临床辅助诊断工具。     

人工智能技术在儿童口腔医学中的应用进展

近年来，人工智能在医学领域中的应用越来越广泛，人工智能的子领域机器学习及其分支深度学习和卷积神经网络在儿童口腔医学中已经得到初步应用并获得较好的效果。在儿童口腔影像学方面，深度学习模型可对儿童根尖片、曲面体层片、头影测量片、锥形束CT等口腔影像及数码照片进行智能诊断，主要用于乳恒牙的检测与编号、额外牙的分类与检测、牛牙样牙识别、乳牙下沉检测、牙齿异位萌出分割与检测、腺样体肥大及牙龄评估等。在儿童口腔疾病方面，机器学习能够识别牙菌斑、龋病，并预测低龄儿童龋病，可评估儿童及青少年口腔健康状况。在信息技术高速发展的时代，人工智能技术将助力儿童口腔医学在预防、诊断、治疗、预后预测等多方面的发展。