基于时空图卷积神经网络的蛋白质复合物识别方法

目的 探讨利用时空图卷积神经网络在动态蛋白质网络中挖掘复合物的新方法。方法 文中首先定义了边强度、节点强度和边存在概率等指标对动态蛋白质网络进行建模,然后结合图上的时间序列信息和结构信息,基于希尔伯特-黄变换、注意力机制和残差连接等技术设计了2种卷积算子来对网络中蛋白质的特征进行表示学习,构建得到动态蛋白质网络特征图。最后采用谱聚类来识别复合物。结果 在多个公开生物数据集上的仿真实验结果表明,所提算法在DIP数据集和MIPS数据集上的F值都达到了90%以上,相比于DPCMNE、GE-CFI、VGAE和NOCD等4种识别算法而言,识别效率分别平均提高了约34.5%、28.7%、25.4%和17.6%。结论 运用深度学习技术来处理动态蛋白质网络的性能表现良好,具有普适意义。     

基于卷积神经网络的肺结节良恶性分类

目的研究基于卷积神经网络的肺结节良恶性分类方法。方法首先对肺部图像数据库联盟(LIDC)中的肺癌CT图像进行分割获得肺结节图像;然后利用卷积神经网络进行特征提取;最后利用Logistic分类器进行模型构建与测试。结果该文所提出方法取得了84.4%的分类结果。结论利用卷积神经网络可以自动提取肺结节特征,辅助医生的临床诊断。     

基于U型全卷积神经网络的腹部动脉CT图像分割算法研究

目的 为了精确分割腹部动脉血管,提出一种基于深度学习的全自动腹部动脉CT图像分割算法.方法 采用区域不平衡块生成方法 提取CT血管横断面、冠状面和矢状面图像特征,接着采用U型全卷积神经网络对块特征进行训练与分割,最后采用最大体素保留法获得三维血管分割图像.选用120例患者腹部CT血管图像进行网络训练和分割实验,分割结果...     

基于双线性卷积神经网络模型的阿尔茨海默病自动诊断

目的 探讨基于双线性卷积神经网络(BRNV)模型的阿尔茨海默病(AD)自动诊断.方法 选取AD神经成像倡议(ADNI)数据库中的AD(n=93)、轻度认知功能障碍(MCI,n=76)及正常认知(NC,n=100)受试者的核磁共振图像(MRI)作为数据集,预处理后按照8:2的比例分为训练集和验证集,同时另取ADNI中不同...     

基于卷积神经网络的采血管铝箔帽状态检测方法

目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别。方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型。结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%。结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案。     

基于卷积神经网络的睑板腺形态人工智能分析系统的构建

目的 建立一个基于卷积神经网络(CNN)的人工智能(AI)系统,能够自动识别睑板腺的腺体,并评估睑板腺的各项形态参数.方法 由两位高级职称医师手动标注训练图像中的睑板腺,并使用U-Net网络构建了基于CNN的AI系统,该系统能够自动处理睑板腺图片,识别出睑板腺的单根腺体.选取2020年12月至2021年3月在温州医科大...     

基于深度残差网络的儿科肺炎辅助诊断算法

目的 为丰富儿科肺炎辅助诊断算法,提高医生分析儿科肺炎X线影像图片的效率和质量,提出一种改进的卷积神经网络模型。方法 基于深度残差网络（ResNeXt-50）,融合SE模块建立通道之间的关联,然后在模型构建过程中使用Leaky Re LU激活函数替代ReLU激活函数,并使用组归一化作为归一化方法,最后将预训练好的模型在Chest X-Ray数据集上进行训练测试,并以准确率（Accuracy）、召回率（Recall）以及精确率（Precision）作为评价指标。结果 网络模型的识别准确率、精确率和召回率分别达到了91.19%、89.70%和91.39%。结论 网络模型具有一定的实用性,能够更好地拟合肺炎图像数据集,能有效提升儿科肺炎图像分类的准确性,可作为临床上儿科肺炎的辅助诊断新方法。     

基于卷积神经网络的溃疡性结肠炎证候预测模型研究

目的：基于卷积神经网络建立溃疡性结肠炎证候预测模型,为研究该病种中医临床诊治提供依据。方法：收集北京中医药大学东方医院临床诊断为“溃疡性结肠炎”的9 186例患者的电子病历,利用卷积神经网络和循环神经网络分别构建基于刻下症的证候分类模型,然后利用该模型对测试集进行6种证型诊断分类预测,同时验证其准确性。结果：卷积神经网络的证型预测准确率为88%、召回率为88%,F1值为0.88,循环神经网络的准确率和召回率均为86%,F1值为0.86。结论：卷积神经网络在进行分类预测方面的表现要略优于循环神经网络,而且从时间成本来看具有更好的实用性。该模型不仅为中医临床治疗溃疡性结肠炎辨证规律的研究提供了有益的参考,也是中医治疗溃疡性结肠炎辅助决策系统构建的关键环节。     

基于卷积神经网络的智能医疗护理研究

为了提高智能医疗护理水平,减少护理工作量,节约医院成本。提出一种基于卷积神经网络的病人体态行为特征提取算法,该算法采用双网络模型设计,包括病人检测网络模型和病人体态行为特征提取模型,应用该算法到病人体态行为检测系统中,从而实现对病人的识别监控,提高智能医疗护理水平。最后,通过开源框架平台,对病人行为检测系统进行测试,实验结果表明,测试数据集合越大,病人体态行为特征提取精度越高,对病人体态行为类别的平均识别率97.6%,从而验证了系统的有效性和正确性。     

基于卷积神经网络的人工智能技术在早期胃癌识别中的应用

目的 构建及验证一个用于早期胃癌识别的卷积神经网络模型,旨在提高早期胃癌的检出率.方法 从陆军军医大学西南医院内镜中心数据库收集2016年1月至2020年8月的电子胃镜图片和胃镜检查视频.选取928例患者共5496张包含早期胃癌、良性病变和正常的图片.随机分为训练集(662例患者共4167张包含早期胃癌、良性病变和正常...     

基于卷积神经网络和超像素的CT图像肝脏分割

肝癌是威胁人类健康的重大疾病之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个重要环节。由于肝脏的个体差异,周围器官的灰度值相似等因素,从CT图像中精准分割肝脏存在一定困难。提出一种结合卷积神经网络和超像素的CT图像肝脏自动分割方法。首先利用卷积神经网络进行目标检测,自动定位肝脏区域,再利用超像素算法对肝脏进行分割,最后进行腐蚀、膨胀、中值滤波等后处理。本文采用3DIRCADb公开数据集对提出的肝脏自动分割算法进行评估和验证,结果表明肝脏自动分割的DICE指标为0.951,VOE指标为0.0917,RVD指标为-0.018,显示出较好的分割精度。     

基于膨胀卷积神经网络的中文医疗命名实体识别研究

介绍国内外电子病历命名实体识别研究现状,阐述基于注意力机制和膨胀卷积神经网络的电子病历命名实体识别模型构建方法、结构以及实验环境、具体设计和结果,实验表明该模型具有更好的命名实体识别效果。     

基于卷积神经网络的人参与西洋参饮片鉴别方法研究

目的建立用于中药材饮片真伪鉴别的卷积深度神经网络识别系统。方法构建包含人参与西洋参饮片真伪品的数据集,并通过正交试验对卷积神经网络的学习率、动量系数、批尺寸、权值衰减系数进行优化,确定卷积神经网络区分人参、西洋参饮片的最佳条件。结果建立基于卷积神经网络的人参与西洋参饮片的鉴别的方法,识别准确率达0.909。结论本研究采用卷积神经网络图像识别技术建立了人参与西洋参饮片的真伪鉴别方法,适用于人参与西洋参饮片的快速区分。     

基于卷积神经网络的超声影像甲状腺结节良恶性预测研究

目的探讨深度学习在甲状腺结节良恶性鉴别诊断中的应用价值。方法利用卷积神经网络,对2659例匿名患者和480例测试患者的超声甲状腺结节进行图像采集、建模,对甲状腺结节良恶性进行预测,以术后病理结果为标准进行验证。结果超声医师的阳性预期率为84.3%,阴性预期率为90.5%,诊断敏感性为95.1%,诊断特异性为83.1%。深度学习阳性预期率为87.2%,阴性预期率为93.1%,诊断敏感性为97.4%,诊断特异性为87.3%。结论基于深度学习的卷积神经网络的预测方法具有高的诊断敏感性、诊断效率、诊断特异性,能够有效地预测甲状腺超声图像中的结节,并能判定其良恶性。     

基于深度卷积神经网络的脑部图像疾病类别特征库构建

介绍深度卷积神经网络基本理论,阐述基于深度卷积神经网络的脑部图像视觉特征提取,设计一种适用于脑部疾病图像的分类器,进而实现脑部图像疾病类别特征库构建,为基于脑部图像疾病类别特征库开展临床辅助决策等应用提供可能。     

基于图数据库Neo4J的合著网络研究与实践

科研合作对促进知识交流与科研创新具有重要意义。研究合著网络可以一定程度了解和揭示科研合作关系网络。鉴于关系数据库处理合著网络数据存在较大的局限性,本文着重介绍了图形数据库,并实现了基于图数据库Neo4J的合著网络展示与分析。     

基于深度学习的中孕期胎儿超声筛查切面自动识别

目的本研究利用深度学习方法,基于深度卷积神经网络模型,对中孕期胎儿超声筛查图像的31个标准切面进行自动识别。方法采集孕20~24周胎儿超声筛查切面图像共76260张(包含31个切面),将其划分为训练集68386张,测试集7874张。在Vgg16网络模型上进行模型微调,加载数据集进行训练。将训练好的模型在测试集进行验证。结果该模型对于胎儿超声筛查切面的识别正确率为94.8%。结论该方法能够准确识别胎儿超声筛查图像的每个切面,为胎儿超声图像的自动质量控制解决方案打下了坚实的基础。     

基于CLSTM的步态分类方法

步态分类在人体运动能量消耗评估等应用中具有重要意义,提高分类精度和降低对统计特征的依赖是步态分类的研究热点。采用传统的步态分类方法提取的步态特征用于细分化步态时不能得到较好的效果。考虑到步态的连续性和不同轴之间信号的相关性,本文提出了基于CLSTM的步态分类方法：采用卷积神经网络（CNN）操作,通过计算多轴步态数据提取步态特征;基于长短期记忆（LSTM）构建步态时间序列模型,学习步态特征图时间维度上的长期依赖性。基于USC-HAD数据集的实验结果表明,用此方法提取了步态序列特征,很好地利用了步态时间序列特点,提升了11种步态的分类精度。