基于改进U-Net模型的心电波形分割

基于U-Net框架提出一种新的算法用于心电波形的分割。该方法将一定长度的心电信号作为输入，输出P波、QRS波和T波的分割图像，同时定位各个特征波的起始点和终止点，创新性地提出了多通道空洞卷积加上注意力机制的模型结构，并设计了一种数据增强公式用于增加数据的多样性。本研究提出的方法在LUDB上进行训练测试，在QTDB上验证算法的泛化能力。实验结果表明，所提的算法在LUDB的平均灵敏度、平均阳性预测率、平均F1分数分别为99.41%、98.90%、98.75%；在QTDB的平均灵敏度、平均阳性预测率、平均F1分数分别为98.65%、98.43%、98.23%，这说明本文算法效果更好，并具有优异的泛化性能。     

基于残差网络的肺癌肿瘤突变负荷多分类预测模型

经医学研究发现,肿瘤突变负荷（TMB）与非小细胞肺癌（NSCLC）免疫治疗的疗效呈正相关,并且TMB值对靶向治疗和化疗的疗效也有一定的预测作用。然而,计算TMB值需要借助全外显子组测序（WES）技术,成本较高。对此,本文利用临床常用的数字病理组织切片图像,研究TMB与切片图像之间的关联关系,并据此预测患者的TMB水平。本文提出了一种基于残差坐标注意力（RCA）结构并融合多尺度注意力引导（MSAG）模块的深度学习模型（RCA-MSAG）。该模型以50层残差网络（ResNet-50）为基准模型,并将坐标注意力(CA)融入到瓶颈（bottleneck）模块,用来捕获方向感知和位置敏感信息,从而使模型能够更准确定位和识别感兴趣的位置。然后,通过在网络内添加MSAG模块,使模型可以提取肺癌病理组织切片的深层特征以及通道之间的交互信息。本文实验数据集采用癌症基因组图谱（TCGA）公开数据集,数据集由200张肺腺癌病理组织切片组成,其中高TMB值的数据80张,中TMB值的数据77张,低TMB值的数据43张。实验结果表明,所提模型的准确率、精确率、召回率和F1分数分别为96.2%、96.4%、96.2...     

基于深度学习的儿童肺炎检测模型建立及应用

目的:基于深度学习根据儿童胸部X光正位数字影像构建肺炎自动判别模型,辅助临床诊断,提高影像诊断效率。方法:首先通过选取公开数据集5 856张儿童胸片（肺炎4 273张,正常1 583张）,分为训练集、验证集和测试集,基于Resnet-50神经网络构建儿童肺炎自动判别模型,利用验证集选取最优模型,在测试集上做内部独立验证。进一步收集6家医疗单位共611张儿童胸片（肺炎300张,正常311张）进行外部验证,并根据验证结果对模型进行微调后再次测试,使模型更适合临床使用。结果:基于深度学习技术和公开数据集数据构建儿童肺炎自动判别模型,准确率为98.48%,精确率为99.54%,召回率为98.81%,F1-score为98.86%,AUC为0.999。外部验证初始结果准确率为59.90%,选用部分外部验证数据微调模型后,独立测试准确度提升至85.00%。结论:基于深度学习根据公开数据集构建肺炎自动判别模型具有可行性,准确率达98.48%,在实际临床使用时应根据具体使用条件选取适量数据集对模型进行微调。     

基于时序心脏模型样本均衡方法的心律失常分类

心律失常自动分类作为计算机在临床上的重要应用,可以有效辅助心血管疾病的诊断,但实验中样本不均衡问题严重影响分类精度。目前用于解决样本不均衡问题的主流方法为对抗神经网络,但存在训练不稳定和模式崩溃等问题,且仅依靠数据进行学习,缺乏一定的生理意义。因此提出基于时序心脏模型的样本均衡方法生成心电数据,在2018年中国生理信号挑战赛提供的12导联数据集上进行实验,采用深度残差网络作为分类模型分别对每个导联进行训练,通过极端梯度提升算法实现导联融合。经过样本均衡后,各类F1分数均有提升,左束支阻滞(LBBB)、ST段降低(STD)、ST段抬升(STE)的改善尤其显著,分别由扩增前的0.706、0.684、0.524提升至0.832、0.809、0.618。为验证本方法的通用性,对PTB数据集进行独立测试,分类准确率达到98.64%。实验结果表明,基于时序心脏模型生成仿真数据能够有效改善实验样本不均衡现象。     

一种基于元学习的小样本核磁共振图像分割方法

将深度学习算法应用于核磁共振（MR）图像分割时，必需以大量经标注后图像作为训练集的数据支撑。然而，MR图像的特殊性导致采集大量的图像数据较困难，制作大量的标注数据成本高。为降低MR图像分割对大量标注数据的依赖，本文提出了一种用于小样本MR图像分割的元U型网络(Meta-UNet)，能够利用少量的图像标注数据完成MR图像分割任务，并获得良好的分割结果。其具体操作为：通过引入空洞卷积对U型网络（U-Net）进行改进，增加网络模型感受野从而提高模型对不同尺度目标的灵敏度；通过引入注意力机制提高模型对不同尺度目标的适应性；通过引入元学习机制，并采用复合损失函数对模型训练进行良好的监督和有效的引导。本文利用提出的Meta-UNet模型，在不同分割任务上进行训练，然后用训练好的模型在全新的分割任务上进行评估，实现了目标图像的高精度分割。新的分割方法比起常用的无监督医学图像配准分割方法——体素变形网络（VoxelMorph）、数据增强医学图像分割方法——转换学习数据增强模型（DataAug）和基于标签转移的医学图像分割方法——标签转移网络（LT-Net）三种模型平均戴斯相似性系数（DSC）有一定提高...     

基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。由于在CT影像中肝脏与邻近脏器的灰度值相似性很高,因此对肝脏区域的三维自动分割是一项具有挑战性的难题。为解决精准肝脏分割的问题,提出一种新型的深度全卷积网络结构3DUnet-C2。该结构充分利用肝脏CT图像的三维空间信息,并有效结合肝脏区域的浅层特征和深层特征。特别地,还提出一种新的3DUnet-C2网络训练策略,通过选取清晰图像,并从图像中截取肝脏区域作为样本进行训练的方式,得到初步3DUnet-C2模型权重,并使用该权重来初始化3DUnet-C2的网络参数,从而使网络达到收敛。最后,针对3DUnet-C2网络分割肝脏边界不精准的问题,在原有3DUnet-C2网络模型的基础上,运用三维条件随机场构建3DUnet-C2-CRF模型来优化肝脏分割边界。为了验证所提出三维分割模型的性能,从ISBI2017 Liver Tumor Segmentation Challenge的数据集中选取100张CT图像用于训练、验证和测试,3DUnet-C2-CRF模型在随机选取的20张测试集上的分割准确率的Dice系数为96.9%,高于3DUnet和Vnet模型的Dice系数。实验结果表明,3DUnet-C2-CRF模型具有更好的特征表达能力以及更强的泛化性能,从而可提升模型的分割准确率。     

基于多模态磁共振图像特征选择的脑胶质瘤分割

脑胶质瘤分割通常需要将肿瘤区域细分为多个不同性质的子区域,往往需要使用多种不同模态的磁共振(MR)图像。近年来,基于深度学习的脑胶质瘤分割研究已成为主流。然而,大多数基于深度学习的方法只是将不同模态MR图像(或底层特征)进行通道维度堆叠后输入到分割网络中,并且在特征提取阶段忽略不同性质子区域分割时所需模态特征的差异性,导致分割性能不够精良。本研究提出一种基于多模态MR图像特征选择的两阶段分割框架进行脑胶质瘤分割。一方面,设计多模态特征选择模块并嵌入到分割网络框架中,对当前分割任务所需多模态MR图像特征进行自动提取和有效选择;另一方面,将多个不同性质的病变组织子区域分为两阶段分割任务,利用第一阶段分割任务结果提供第二阶段分割目标的定位信息。本方法和对比方法分别在BraTS2018(训练集285个患者,验证集66个患者)、BraTS2019(训练集335个患者,验证集125个患者)和BraTS2020(训练集369个患者,验证集125个患者)公开数据集上进行了实验。在BraTS2018数据集上,本方法在完整肿瘤、肿瘤核心和增强肿瘤区域的Dice相似系数分别为0.898、0.854和0.818,Hausdorff距离分别为4.072、6.179和3.763;在BraTS2019数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.892、0.839和0.800,Hausdorff距离分别为6.168、7.077和3.807;在BraTS2020数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.896、0.837和0.803,Hausdorff距离分别为6.223、7.033和4.411。对比实验结果表明,所提方法在增强肿瘤区域和肿瘤核心区域的分割性能具有明显优势,特别是增强肿瘤区域分割性能在BraTS2020数据集上最佳。基于多模态特征选择模块的两阶段分割框架,针对每阶段分割目标实现了不同模态MR图像特征的自动和充分学习,取得了理想的分割结果,为计算机辅助肿瘤诊断提供了可能的解决方案。     

基于语音预训练模型的抑郁症识别研究

针对数量日益增多的抑郁症患者群体,本文提出一种通过语音信号有效识别抑郁症的人工智能方法,以提高诊断和治疗效率。首先,通过微调语音到特征向量模型2.0(wav2vec 2.0)的预训练模型对语音进行编码和上下文化,从而获得高质量的语音特征;然后,应用情感障碍分析的公用数据集——绿野仙踪忧虑分析访谈语料库（DAIC-WOZ）数据集验证上述模型。结果显示,在抑郁症识别的二分类任务中,该方法在精确率方面达到了93.96%、召回率达到了94.87%、F1分数达到了94.41%,总体分类准确率达到96.48%。在评估抑郁症严重程度的四分类任务中,精确率均达到92.59%及以上,召回率均达到92.89%及以上,F1分数均达到93.12%以上,总体分类准确率达到94.80%。基于上述结果证明,本文提出的方法在小样本情况下有效提升了分类的准确率,对于抑郁症的识别和严重程度评估效果良好。未来,该方法有望在抑郁症的诊断中起到辅助支持的作用。     

MAUNet:用于皮肤病变分割的轻量级模型

针对当前深度学习分割算法参数数量多和计算复杂度高的问题,提出了一种融合多种注意力机制的轻量级模型MAUNet用于皮肤病变分割。该模型在UNet网络基础上融合深度可分离卷积和门控注意力机制模块,用于提取全局和局部特征信息;融入外部注意力机制模块来增强样本间的联系;利用空间和通道注意力模块分别提取通道和空间特征。以ISIC2017皮肤病公开数据集作为数据源,改进的UNet模型实现特征提取与分类。与基线模型UNet相比,平均交并比和Dice相似性系数分别提高了2.18%和1.28%,同时参数量和计算复杂度仅为基线模型的2.1%和0.58%。实验结果表明该模型在参数数量平衡性、计算复杂度和分割检测性能上均达到了较好的水平。     

基于联合深度网络和形态结构约束的三维医学图像分割方法

医学图像自动分割具有广泛和重要临床应用价值,特别是病灶、脏器的自动分割。基于传统图像处理方法的医学图像分割仅能利用浅层结构模型的浅层特征来识别感兴趣区域,并且需要大量人工干预。而基于机器学习的分割方法在模型建模时存在局限性且缺乏可解释性。本研究提出一种基于Transformer和卷积神经网络结合形态结构约束的三维医学图像分割方法。编码器中利用卷积神经网络和Transformer构建U型网络结构提取多重特征;解码器中采用上采样并通过跳跃连接将不同层次的特征拼接在一起;加入形态结构约束模块,通过提取病灶和脏器等分割目标的形状信息,以增强模型可解释性,并采用最大池化和平均池化操作,对经过卷积神经网络得到的结果进一步提取有代表性的特征,作为形态结构模块的输入,最终提高分割结果的准确性。在公开数据集Synapse和ACDC上利用评价指标Dice相似系数(DSC)和Hausdorff距离(HD)验证所提出算法的有效性。其中,在Synapse数据集上,18例数据作为训练集,12例数据作为测试集;在ACDC数据集上,70例数据作为训练集,10例数据作为验证集,20例数据作为测试集。实验结果表明,在Sy...     

联合免疫分型构建肺腺癌铁死亡相关长链非编码RNA风险评分模型

目的：依据肺腺癌（LUAD）患者铁死亡与长链非编码RNA(lncRNA)之间的相关性，结合免疫分型构建新型风险评分模型以评估LUAD患者的预后。方法：基于生物信息学技术下载TCGA数据库中LUAD样本转录组数据和临床数据，获取来自FerrDb数据库铁死亡相关的基因，通过“caret”包将整理后的504例LUAD样本随机分为50%训练集与50%验证集，采用Pearson相关性分析、单因素Cox回归得到与LUAD预后有关的铁死亡相关lncRNA，利用R软件的“ConensusClusterPlus”包和CIBERSORT软件进行免疫相关分析，LASSO回归分析建立铁死亡相关lncRNA模型，受试者工作特征（ROC）曲线及曲线下面积（AUC）评估预后模型的效能，并通过验证集进行验证。结果：单因素Cox及LASSO回归分析筛选出9个铁死亡相关lncRNA构成的风险评分模型。单因素以及多因素Cox回归分析均显示，本预后模型可以作为一个独立的预后因素（P<0.001），该模型在训练集、内部验证集及外部验证集中均具有较好的预测效能。结论：本研究构建的LUAD患者风险评分模型可作为一种新的独立预...     

基于改进Attention U-Net的胆囊自动分割模型研究

目的 基于多尺度融合注意力机制,提出改进Attention U-Net的胆囊自动分割模型,提高胆囊自动分割模型的性能,以辅助医生进行临床诊断.方法 首先选取2017年1月—2019年12月上海交通大学医学院附属新华医院普外科、吉林大学白求恩第一医院肝胆胰外一科和吉林大学中日联谊医院普外科收治的88例病理诊断明确的胆囊癌患者、28例慢性胆囊炎胆囊结石患者和29例健康对照,构建胆囊分割数据集,然后通过对医学常用深度学习图像分割方法U-Net和Attention U-Net进行分析,提出基于多尺度融合注意力机制改进的Attention U-Net方法,并设计实验对3种方法进行对比评估.结果 提出的改进Attention U-Net方法在验证集上的交并比阈值(IoU)分数、Dice系数、检测精度(Precision)和召回率(Recall)分别为0.72、0.84、0.92、0.79,全部优于传统U-Net和Attention U-Net方法.结论 本文提出了基于多尺度融合注意力机制改进的Attention U-Net模型,其性能优于U-Net和Attention U-Net,证明了本方法中改进的注意力机制可以很好地改善U-Net模型在胆囊影像上的分割结果.     

数字化虚拟中国人女性一号数据图像处理

目的：运用数字化虚拟中国人女性一号数据集，测试图像处理软件对数据集进行三维重建、图像分割及有限元建模效果的可行性。方法：利用等问距抽取、格式转换、图像分割、三维重建、三维显示及有限元建模等方法对虚拟中国人女性一号(VCH—F1)部分数据集进行实验研究。结果：编辑了几种数据版本；实现了图像分割；重构了冠状面图像及矢状面图像；将静态显示制成动画；实现了实时三维显示；建立了基于CT图像的局部有限元模型。结论：虚拟人体女性一号数据集的不同压缩、格式转换能满足形态学三维重建、图像分割、实时三维显示的要求；CT、MRI和切削图像分割重建的骨骼模型可进行有限元建模研究。     

基于持续时间隐马尔可夫模型的心音分割算法

心音分割指对所获取的心音信号按心动周期对收缩期、舒张期等进行分隔,是进行心音分类前的关键步骤。针对不依赖心电图对心音信号直接分割准确度有限的难题,提出了一种基于持续时间隐马尔可夫模型的心音分割算法。首先对心音样本进行位置标注;然后采用自相关估计法对心音的心动周期持续时间进行估计,通过高斯混合分布对样本的状态持续时间进行建模;接着通过训练集信号对隐马尔可夫模型进行优化并建立基于持续时间的隐马尔可夫模型(DHMM);最后使用维特比算法对心音状态进行回溯得出S₁、收缩期、S₂、舒张期。使用500例心音样本对本文算法性能进行测试,平均评估精度分数(F₁)为0.933,平均灵敏度为0.930,平均精确率为0.936。同其他算法相比,本文算法各项性能指标均有明显提升,证实了该算法具有较高的鲁棒性和抗噪声性能,为临床环境下所采集心音信号的特征提取与分析提供了一种新方法。     

"虚拟中国人男性一号"高精度骨骼系统的三维建模

目的：建立人体整体骨骼系统的高精度三维模型，为解剖教学、生理模拟等应用提供三维数据集。方法：采用虚拟中国人男性一号（Virtual Chinese Human Male No．1）的2000万像素的高分辨率切片数据，使用半自动交互方法对全身骨组织进行分割和标识，使用并行三维重建算法对海量的全身骨骼数据进行快速的三维建模。结果：建立了高质量的全身骨骼三维模型；通过初步的细分，实现了单块骨骼的单独与任意组合显示。结论：在高分辨率的切片数据基础上，通过精细分割，建立了高精度的骨骼系统三维模型。     

基于粒子群优化算法的白血病基因表达样本分类研究

目的基于分子生物学的微阵列基因表达数据和智能优化算法对白血病肿瘤样本进行分类研究。方法给出基于粒子群优化(PSO)算法用于分类模型的训练和测试,选取含7129个基因的72个白血病基因表达样本,从中选取包含50、100和200个特征基因的3组数据,在不同基因数条件下分别执行10次分类测试。建立基于K-均值算法的分类模型,在同等条件下验证PSO算法分类性能。使用准确率、精确率、召回率、F1值等机器学习指标及Boxplot和Heatmap图谱用于分析对比。结果PSO算法用于分类测试的数据分别含20例急性淋巴细胞白血病(ALL)和14例急性髓细胞白血病(AML)样本。10次分类结果的平均分类准确率均在90%左右;PSO算法的分类准确率并不稳定,10次分类测试中,准确率的平均值和最优值间存在明显差异;ALL亚型的召回率明显高于AML亚型,均接近100%,但AML亚型的精确率明显高于ALL亚型,均接近100%,F1值可比性不大。K-均值算法与PSO算法类似,分类性能随着基因数的增加而降低;K-均值算法在200基因数条件下分类结果较差,分类稳定性和准确率均出现大幅下降,且低于同等条件下PSO算法分类结果;100个基因数条件下,ALL亚型召回率为100%,高于AML亚型;AML亚型精确率为100%,高于ALL亚型;200个基因数条件下,平均值中ALL亚型召回率和F1值高于AML亚型,AML亚型精确率高于ALL亚型,其最优值的统计学指标差异不大。相同白血病肿瘤样本的不同特征基因数条件下,PSO算法可获得较高准确率的分类结果,但分类稳定性不足,整体上优于K-均值算法。结论PSO算法能够应用于白血病基因表达样本的分类研究。     

基于多任务学习的肝细胞癌分割与病理分化程度预测方法

肝细胞癌（HCC）是最常见的肝脏恶性肿瘤，其中HCC分割和病理分化程度预测是手术治疗和预后评估过程中的两个重要任务。现有方法通常独立地解决这两个问题，没有考虑两个任务的相关性。本文提出了一种多任务学习模型，旨在同时完成分割任务和病理分化程度分类任务。本文所提模型由分割子网和分类子网构成：在分类子网中提出了一种多尺度特征融合方法来提高分类精度；在分割子网中设计了一种边界感知注意力，用于解决肿瘤过分割问题。本文采用动态权重平均多任务损失，使模型在两个任务中同时获得最优的性能。研究结果显示，本文方法在295例HCC患者上的实验结果均优于其它多任务学习方法，在分割任务上戴斯相似系数（Dice）为（83.9±0.88）%，同时在分类任务上的平均召回率为（86.08±0.83）%,F1分数为（80.05±1.7）%。该结果表明，本文提出的多任务学习方法能够同时较好地完成分类任务和分割任务，可为HCC患者的临床诊断和治疗提供理论参考。     

基于非局域注意力和多任务学习的胸部X线片肺实质分割方法

肺实质的准确分割是计算机辅助影像学诊断肺部疾病的关键。随着深度学习技术的发展，基于全卷积网络的图像分割模型取得了很好的效果，但对于边缘模糊和肺实质密度不均匀的情形仍会误分割。针对该问题，本文提出一种基于非局域注意力机制和多任务学习的胸部X线片图像肺实质分割方法。首先，基于残差连接的编-解码卷积网络提取肺实质多层级语义特征信息并预测肺实质边界轮廓；其次，通过非局域注意力机制建立肺实质轮廓与全局语义特征信息之间的相关性并增强轮廓区域特征信息权重；再次，基于增强的特征信息进行多任务监督学习，实现肺实质的准确分割；最后，在JSRT和Montgomery公开数据集上验证了本文方法的有效性和模型泛化能力，对比其他几种代表性的分割模型，其Dice系数和准确性最大分别提高1.99%和2.27%。实验结果表明，通过增强特征信息中边界轮廓的注意力，能有效减少肺实质密度不均匀时的误分割并提高模糊边缘的分割精度。     

计算机辅助诊断模型内部验证方法的定量评价

目的定量比较4种常用的内部验证方法,为评价计算机辅助诊断模型性能时选择验证方法提供参考依据。方法利用Logistic回归模型完成大样本集(n=415)和小样本集(n=76)下的胰腺癌诊断任务,分别采用保持法、k折交叉验证法、留一法和0.632 Bootstrap法共4种内部验证方法,并用诊断的正确率、敏感度、特异度和ROC曲线下面积评价诊断的稳定性、偏倚和运算效率。结果对大、小样本集,0.632 Bootstrap验证方法得到的正确率、敏感度、特异度和ROC曲线下面积的标准误分别为0.012、0.014、0.010、0.010以及0.013、0.014、0.010、0.011,均小于其他验证方法,其他方法均不同程度地高估或低估模型性能。结论考虑验证的简洁有效性,k折交叉验证法在大样本量的情况下即可达到内部验证的最佳效果,在小样本量情况下推荐使用0.632 Bootstrap进行验证。     

基于高精度断层图片数据集的大鼠动脉血管重建

目的基于微米级大鼠断层图片数据集,建立高精度的大鼠动脉血管的三维模型,为各种监测鼠血管组织形态变化的试验提供客观依据。方法采用一套高分辨率大鼠断层切片图像数据集,使用半自动交互方法对动脉血管进行分割,使用改进的移动立方体(marching cube,MC)算法,在一台IBM图形工作站上对80 GByte大小的血管图片数据集进行重建。结果建立了完整的高精度大鼠动脉血管的三维表面模型,能显示出0.4mm大小的微细血管。结论该大鼠动脉血管三维模型可以为观测试验鼠血管组织形态变化提供一个立体的空间比较标准。