基于多尺度注意力机制的三维卷积神经网络肺结节检测算法EI北大核心CSCD

基于电子计算机断层扫描(CT)的肺结节检测的早期筛查是降低肺癌死亡率的重要手段,而近年来三维卷积神经网络(3D CNN)已经在肺结节检测领域取得了成功并不断深入发展。本文提出了一种基于多尺度注意力机制的3D CNN肺结节检测算法。针对肺结节大小和形状各异的特点,设计了一个多尺度的特征提取模块,提取不同尺度的相应特征。通过注意力模块,从空间和通道两个角度挖掘特征间的关联信息,对特征加强。提取出的特征进入类似金字塔的融合机制,使得特征中同时包含深层的语义信息与浅层的位置信息,更利于目标定位与边界框回归。在具有代表性的LUNA16数据集上,相对于目前先进的其他方法,本文方法能够明显地提高检测灵敏度,可为临床医学提供理论参考。     

基于Hessian矩阵与多视图卷积神经网络的纵隔淋巴结自动检测方法

淋巴结检测和分析对于肿瘤的疗效评估、分期具有重要意义.本研究提出一种基于Hessian矩阵与多视图卷积网络纵隔淋巴结自动检测方法.该方法首先确定纵隔部位淋巴结可能存在的区域;然后,基于淋巴结形态特征,构造多尺度增强滤波器,提取候选淋巴结;最后结合CT图像的冠状面、横断面和矢状面信息,设计多视图卷积网络对候选淋巴结进行分...     

基于注意力机制与双向门控循环单元的多导睡眠图睡眠阶段分期方法研究

多导睡眠图(PSG）监测是临床上用于诊断诸如失眠、呼吸暂停等疾病的重要手段。为了解决以手工逐帧视觉判断PSG进行睡眠障碍患者睡眠阶段分期耗时长、耗费精力大等问题,本文提出一种结合卷积神经网络（CNN）与双向门控循环神经网络（Bi GRU）的深度学习算法模型,并设计了一种动态稀疏性自注意力机制以解决门控循环单元（GRU）网络对长距离信息难以获得准确向量表示的问题。本文采集来自上海精神卫生中心143例睡眠障碍患者整晚PSG数据并结合开源数据集153例睡眠障碍患者整晚PSG数据,选取其中的6个脑电（EEG）信号通道、2个眼电（EOG）信号通道与单个下颌肌电（EMG）信号通道等共9个通道的电生理通道信号进行模型训练与测试评估。经交叉验证后得到的分期准确率为（84.0±2.0）%,一致性检验值为0.77±0.50,优于医师间评分的一致性检验值0.75±0.11。实验结果表明,本文算法模型在不同人群中具有较高的分期效果并具有普适性,对于协助临床医师进行快速、大规模PSG睡眠自动分期具有重要研究意义。     

基于特征编码和卷积神经网络的注意力状态检测

列车运行安全与列车驾驶员的注意力状态密切相关,为了快速准确检测驾驶员的注意力状态,提出一种基于特征编码和卷积神经网络(FECNN)的注意力状态检测方法。对从Kaggle数据集上下载的5名参与者的脑电图数据,用快速独立成分分析(FastICA)和小波滤波方法进行去噪,从中提取微分熵(DE)特征,并进行最大最小归一化;然后将DE特征编码成对应的矩阵,转化为对应的彩色图,标上对应的状态类别。将数据预处理后的彩色图作为卷积神经网络的输入,通过对模型参数的不断优化,得到分类精度较好的注意力状态检测模型。对提取DE特征和没有提取DE特征的10个样本进行实验,平均检测精度分别为95.10%±2.88%和93.12%±3.38%,高于传统的DNN模型和LeNet-5模型,并且模型更具有稳定性。所提出的FECNN模型,可为注意力状态检测提供一种新的思路,在驾驶员疲劳检测系统的开发方面具有一定的应用价值。     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

多导睡眠图仪选择性监测与分析系统的研制

针对传统多导睡眠图仪在监测过程中粘贴电极多、患者负荷大、信号缺失后无法分析等问题,研制一款信号可选择的多导睡眠监测与分析系统.该系统能针对不同患者的需求,可繁可简地获取患者的监测信号;也可在电极脱落造成信号缺失的情况下,利用数据挖掘及信息融合技术和专家知识,从心率变异性及相关信号时频域耦合关系中提取睡眠呼吸障碍的疾病诊断信息.实验表明:该系统与多导睡眠图仪在诊断结果方面无明显性差异.在一定程度上弥补了传统多导睡眠图仪的不足,简化了诊断程序,降低了患者的检查负荷,已在医院得到初步应用,有望进一步推广.     

基于多尺度特征融合与反向注意力的COVID-19病灶分割

针对新型冠状病毒肺炎（COVID-19）分割问题中感染区域具有高变异性以及病灶与背景对比度低等问题,提出一种基于多尺度特征融合与反向注意力的COVID-19感染分割网络。首先,利用残差网络作为主干网络进行特征提取,并使用全局上下文聚合策略对不同层次特征进行融合得到粗略的分割结果;其次,在网络瓶颈处添加多尺度特征融合模块,利用空洞卷积与多核池化增强网络分割不同尺度病变的能力;最后,设计一种级联结构的反向注意力模块,利用互补区域的细节特征增强背景与目标的对比度。本文方法在COVID-19 CT分割测试集上的准确率、特异性、灵敏度分别达到0.714、0.700和0.958,误检和漏检区域明显减少,细小病灶的分割能力显著提升。     

多项睡眠图联合长程视频脑电图观察未治疗的28例癫癎患者睡眠结构和呼吸事件的变化

目的:探讨成人癫癎患者药物治疗前睡眠结构和睡眠呼吸事件的变化。方法:对确诊为癫癎的成人患者28例进行多项睡眠图(PSG)检查,同步行长程视频脑电图(LTV EEG)检查,分析患者的睡眠结构、睡眠呼吸事件情况。结果:本组病人PSG睡眠结构特点表现为各睡眠参数均有不同程度的改变,以REM潜伏期增加、REM睡眠减少为著,浅睡眠明显增多,而深睡眠则无明显差异。其中2例患者无REM睡眠。所有患者夜间觉醒次数均增多,睡眠效率明显下降。但在觉醒时间、周期性腿动和呼吸暂停指数上,并无明显变化。结论:癫癎患者在药物治疗前存在睡眠结构紊乱。     

基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法

阻塞性睡眠呼吸暂停容易引发心血管并发症。作为睡眠呼吸暂停诊断的金标准,多导睡眠仪的检测费用昂贵且影响患者睡眠质量。鉴于心肺高度耦合,心电信号已被广泛应用于睡眠呼吸暂停检测中。然而,大多数基于心电信号的研究专注于人工特征的设计,依赖于专家先验知识。基于深度学习的方法能够减少特征提取过程中的人为因素。提出一种基于自编码器和隐马尔可夫模型的睡眠呼吸暂停检测方法。首先,利用栈式稀疏自编码器,直接从RR间期序列中进行半监督特征学习,先在预训练阶段进行无监督学习,随后在微调阶段引入标签进行有监督学习。然后,构建支持向量机和人工神经网络,分别结合隐马尔可夫模型之后,组成决策融合分类器,隐马尔可夫模型引入片段之间的时间依赖性,决策融合可整合不同分类器之间的优势。基于Physio Net的apnea-ECG数据库70例整夜睡眠数据,实验结果显示:阻塞性睡眠呼吸暂停片段识别准确率、敏感性和特异性分别为84.7%、88.9%和82.1%,个体识别准确率达到100%。基于自编码器的特征提取方法相较于特征工程,能够降低先验知识限制,使特征提取过程更加自动化、智能化。此外,决策融合分类器相较于单一分类器,不仅可提升片段识别准确率,而且能缓解识别结果中敏感性和特异性之间的不平衡性。     

基于谱分析的阻塞型睡眠呼吸暂停研究

目的本文研究发生阻塞型睡眠呼吸暂停时患者的心率功率谱及血压功率谱结构与正常睡眠的差异.方法采用AR模型估计心率及血压的功率谱,并提取低频分量与高频分量的比值(LF/HF)作为特征参数,考察发生阻塞型睡眠呼吸暂停时功率谱结构的变化.结果发生阻塞型睡眠呼吸暂停时LF/HF是正常睡眠时的2～5倍,表明患者在此时的交感神经活动增强,迷走神经活动减弱.     

基于多监督注意力机制神经网络的脑胶质瘤循环肿瘤细胞分割算法

为了提升脑胶质瘤循环肿瘤细胞的分割准确率,解决人工分割中肉眼分辨边界困难、目标占比小和操作流程繁琐等问题,提出一种端到端的像素级分割算法。针对数据特征,提出一种基于多监督机制的混合损失函数用以提升预测区域与目标区域的交并比,同时训练网络向预测正确目标个数的方向收敛;其次,在网络中逐层加入卷积块注意力机制模块,使得网络能在空间、通道层面重点学习数据特征,进一步提升预测准确率;最后,通过采用混合训练的方式,只需一个网络模型就能直接分割出细胞核、细胞质区域,缩减训练流程。实验结果表明,此分割算法对比U-Net网络在召回率、精确率以及Dice系数方面均有显著提升,在细胞核分割方面,分别达到92.20%、86.56%、88.27%;在细胞质分割方面,分别达到89.33%、85.31%、86.33%。     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

基于空洞空间卷积池化金字塔结构和注意力机制的全卷积残差网络磨玻璃肺结节分割方法EI北大核心CSCD

准确分割磨玻璃肺结节(GGN)具有重要临床意义。针对电子计算机断层扫描(CT)图像中GGN边界模糊、形状不规则、强度不均匀等特点导致其分割困难的问题,本文提出一种全卷积残差网络算法,即基于空洞空间卷积池化金字塔结构和注意力机制的残差网络(ResAANet)算法。该网络算法利用空洞空间卷积池化金字塔(ASPP)结构扩大特征图感受野,提取更充分的目标特征,并采用注意力机制、残差连接和长跳跃连接充分保留卷积层提取的GGN敏感特征。首先,用上海市胸科医院收集的565个GGN对ResAANet进行全监督训练、验证,得到稳定的模型;然后,利用收集的另84个GGN和肺部图像数据库联盟(LIDC)公共数据库中145个GGN分别测试模型得到粗分割结果;最后,用连通域分析方法去除假阳性区域得到优化结果。本文所提算法在采集的临床数据和LIDC测试集上的戴斯相似系数(DSC)达到83.46%、83.26%,平均重合度(IoU)达到72.39%、71.56%,切片分割效率达到0.1 s/张。与其他算法相比,本文提出的方法能准确、快速分割GGN,且具有较好的稳健性,可以为医生提供结节大小、密度等重要信息,辅助医生后续的诊断和治疗。     

一种基于多尺度分析的CT图像边缘检测方法

为了准确提取CT图像中解剖组织几何形态特征,提出了一种基于多尺度分析的CT图像边缘检测方法。本文应用多尺度分析中含有尺度因子的平滑函数的负导数作为小波,对CT图像实施小波变换,并检测小波变换的模局部极大值,完成基于模局部极大值的解剖组织轮廓特征表达。本文还讨论了一种模局部极大值点的简单筛选方法,针对CT图像噪声较大的特点,以模局部极大值的均方根乘以一个与尺度有关的因子作为模局部极大值的阈值,在不同尺度上获得了清晰的边缘信息。阈值处理后的模局部极大值图表明,不同尺度下的边缘检测能给出大小不同的物体的边缘信息。本方法能在有效抑制噪声的基础上,准确提取感兴趣解剖组织的几何轮廓特征。     

鼻阻塞模型大鼠下颌骨自噬水平的变化

背景:低氧状态下细胞自噬状态易被激活,而自噬水平对骨代谢的调控作用已经被证明.睡眠呼吸暂停使机体处于间歇低氧状态,而睡眠呼吸暂停诱发的低氧是否影响下颌牙槽骨及牙周膜的自噬水平未见报道.目的:观察机体低氧状态下对大鼠下颌自噬水平的影响.方法:将30只1周龄雄性Wistar大鼠随机分为3组,每组10只,单侧鼻阻塞组、双侧鼻...     

基于子时段呼吸暂停和睡眠阶段的脑网络分析与分类

睡眠分期是评估睡眠质量的基础。然而,睡眠呼吸暂停(sleep apnea, SA)会改变测试者的睡眠结构,进而影响对睡眠分期的准确评估。因此,在评估睡眠质量时,准确检测睡眠呼吸暂停和睡眠分期至关重要。为准确评估睡眠分期,本研究通过研究脑区之间的功能连接,探讨了脑功能连接的相互作用关系。采用锁相值(phase locking value, PLV)在不同时间段上进行特征提取,构建功能连接网络;然后利用多个时间段的PLV进行特征融合,并通过LibSVM(library for support vector machines, LibSVM)结合分类性能优化策略的方法进行睡眠分期。同时,本研究还分析了睡眠呼吸暂停和正常呼吸对脑网络的影响。实验结果显示,睡眠呼吸暂停时的各脑区连通紧密程度大于正常呼吸时,并在子时段数为30时,睡眠分期的分类准确率达到了88.87%,呼吸暂停的检测准确率达到了93.64%。该算法在睡眠分类和呼吸暂停检测方面表现出良好性能,有助于推动脑电睡眠分类和呼吸暂停检测系统的开发和应用。     

基于多尺度边缘分割与混合注意力机制的脊柱CT图像分割

脊柱疾病的前期主要通过计算机断层扫描技术进行筛查与初步判断。为解决脊柱CT图像目前存在的椎骨结构复杂、分割精度不足等问题,提出一种基于3D U-Net框架的脊柱CT图像改进分割网络,通过融合SE残差单元、椎骨边缘分割模型与改进混合通道-空间注意力机制,在VerSe 19、VerSe 20与CTSpine1K脊柱数据集上进行分割训练与测试。多次测试实验结果表明,本文模型在保证分割精度和分割效率有效提高的同时具有较好的泛化性与鲁棒性,在Dice相似系数、豪斯多夫距离与平均表面距离上相较于其他先进网络分割精度更高。本文模型在现有脊柱分割的网络中具有更强的分割性能,可为放射科医生提供有效临床信息。     

基于卷积神经网络和多信息融合的三维乳腺超声分类方法

乳腺肿瘤超声图像的自动分类对于提高医生的工作效率和降低漏诊率具有十分重要的意义。新型的三维乳腺超声数据包含更多的可用于诊断的信息,但由于超声成像机理导致不同方向上的图像表现不同。针对该种乳腺超声数据,利用卷积神经网络结构的灵活性和自动学习的特性,提出3种改进的卷积神经网络模型,使其分别可以接受横截面图像输入、横截面和冠状面的双图像输入、图像和文本信息同时输入,并研究不同信息的融合对于提升乳腺肿瘤自动分类准确率的影响。在研究中,采用880幅图像(良性401幅,恶性479幅)及其标注信息进行5折交叉验证实验,得到各模型的准确率及AUC。实验结果表明,设计的模型可以适应图片与文本信息的输入,多信息融合的模型比只接受图像输入的模型准确率提升2.91%,达到75.11%的准确率和0.829 4的AUC。这些模型的提出,为多信息融合的卷积神经网络分类应用提供参考。     

基于LSTM-CNN的睡眠呼吸暂停与低通气事件实时检测算法研究

睡眠呼吸暂停与低通气综合征(SAHS)严重影响睡眠质量, 是一种潜在的致死性呼吸疾病。为了兼顾对睡眠呼吸暂停与低通气(AH)事件检测的准确率与时间分辨率, 提出一种长短时记忆-卷积神经网络(LSTM-CNN)方法, 实现对AH事件的精准预测;同时基于事件检测结果, 提出一种呼吸紊乱指数(AHI)估计方法, 进而实现对SAHS严重程度的定量评估。选取美国国家心肺血液研究所睡眠健康数据库中54名受试者的腹部位移信号对LSTM-CNN算法进行测试。对于处理得到的超过90万数据片段, 正确率、敏感度、特异度分别为88.6%、88.2%、88.7%;54名被试的AHI预测结果与多导睡眠图(PSG)标注结果相比, 皮尔逊相关指数达到0.98;观察SAHS严重程度诊断结果, kappa系数达到0.95。结果表明, 所提出的方法不仅可以实现对AH事件的高精度检测, 而且可以对AHI指数与SAHS严重程度做出准确估计, 有望用于PSG检测之前SAHS的初步诊断以及成为家用SAHS长期监护工具。     

基于自组织映射神经网络和卷积核补偿的多通道表面肌电信号的盲源分离方法

本文基于已有的卷积核补偿(CKC)方法,提出了一种新的信号分解方法。该方法与自组织映射神经网络相结合,首先找出一个在某一时刻具有发放活动的脉冲序列,其次对这个脉冲序列的一些较大值所对应的时刻利用自组织映射神经网络进行分类,然后利用分类后的时刻所对应的测量信号的值求出最终的一个信号源的发放序列。通过随机混合矩阵合成产生的仿真信号进行测试,表明所提出的方法是有效的。