结合卷积神经网络与图卷积网络的乳腺癌病理图像分类研究

目的乳腺癌的精确诊断对于后续治疗具有重要临床意义,组织病理学分析是肿瘤诊断的金标准。卷积神经网络(convolution neural network,CNN)具有良好的局部特征提取能力,但无法有效捕捉细胞组织间的空间关系。为了有效利用这种空间关系,本文提出一种新的结合CNN与图卷积网络(graph convolution network,GCN)的病理图像分类框架,应用于乳腺癌病理图像的辅助诊断。方法首先对病理图像进行卷积及下采样得到一组特征图,然后将特征图上每个像素位置的特征向量表示为1个节点,构建具有空间结构的图,并通过GCN学习图中蕴含的空间结构特征。最后,将基于GCN的空间结构特征与基于CNN的全局特征融合,并同时对整个网络进行优化,实现基于融合特征的病理图像分类。结果本研究在提出框架下进行了3种GCN的比较,其中CNN-sGCN-fusion算法在2015生物成像挑战赛乳腺组织学数据集上获得93.53%±1.80%的准确率,在Databiox乳腺数据集上获得78.47%±5.33%的准确率。结论与传统基于CNN的病理图像分类算法相比,本文提出的结合CNN与GCN的算法有效融合了病理图像的全局特征与空间结构特征,从而提升了分类性能,具有潜在的应用可行性。     

基于多字典学习框架的肾透明细胞癌预后分析模型

肾透明细胞癌是一种高度异质的肿瘤,具有复杂多变的临床表现.基于病理全切片图像的肾透明细胞癌自动预后分析,可辅助医生做出临床决策,从而达到更好的治疗目的.肾透明细胞癌的组织异构性使得针对预后分析任务的特征提取存在很大的挑战性.提出针对肾透明细胞癌病理全切片图像的多字典学习框架,自适应获取病理全切片图像的有效信息,进行肾透...     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

基于融合多网络深层卷积特征和稀疏双关系正则化方法的乳腺癌图像分类研究

乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(InceptionV3、ResNet-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系(“样本-样本”和“特征-特征”关系)和l_F正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。     

基于深度学习的黑色素细胞病变全流程智能化精准诊断EI北大核心CSCD

黑色素细胞病变发生于皮肤表层,恶性病变即为致死率极高的黑色素瘤,严重危害人类健康,病理组织学分析是其诊断的金标准。本文对黑色素细胞病变病理全切片图像(WSI)进行分类研究,提出一种基于深度学习的黑色素细胞病变全流程智能化诊断方法。首先,基于CycleGAN神经网络对多中心病理WSI进行颜色校正;其次,通过745张WSI构建以ResNet-152神经网络为架构的深度卷积网络预测模块;然后,级联以预测概率平均值计算为核心的决策融合模块;最终,分别采用包含182张和54张WSI的内外部测试集验证所提方法的诊断性能。实验结果显示,所提方法的整体准确率在内部测试集上达到94.12%,在外部测试集上超越90%;采用的颜色校正方式在组织结构保持、伪影抑制方面均优于传统基于颜色统计或染色分离的方式。研究证实了本文所提方法可实现高精度、强鲁棒的黑色素细胞病变病理WSI分类,对推动临床病理人工智能辅助诊断具有重要的指导意义。     

基于三维多视角挤压激励卷积神经网络的肺结节良恶性分类研究EI北大核心CSCD

肺癌是对人类健康威胁最大的肿瘤疾病,早期发现对于患者的生存和康复至关重要。现有方法采用二维多视角框架学习肺结节特征并简单集成多个视角特征实现肺结节良恶性分类。然而,这些方法存在不能有效捕捉空间特性和忽略了多个视角的差异性问题。因此,本文提出三维(3D)多视角卷积神经网络(MVCNN)框架,为进一步解决多视角模型中各视角的差异性问题,在特征融合阶段引入挤压激励(SE)模块,构建了3D多视角挤压激励卷积神经网络(MVSECNN)模型。最后,采用统计学方法对模型预测与医生注释结果进行分析。在独立测试集中,模型的分类准确率和灵敏度分别为96.04%和98.59%,均高于目前已有方法;模型预测与病理诊断的一致性分数为0.948,显著高于医生注释结果与病理诊断的一致性。本文所提方法可以有效地学习结节空间异质性和解决多视角差异性问题,同时实现了肺结节良恶性分类,对于辅助医生进行临床诊断具有重要意义。     

卷积神经网络在肝癌病理切片图像分类中的应用

目的探讨基于卷积神经网络的肝脏组织切片图像正常和病变性分类方法的可行性及应用价值。方法使用一种能够自动学习图像特征并分类的方法,先利用原始的Inception V3模型在肝脏组织切片数据集上进行训练,然后在原始模型的基础上通过微调得到改进的Inception V3模型,最后用改进的模型来实现肝脏组织切片图像正常和病变性两种类型的分类。结果改进后的Inception V3模型对肝脏切片图像的分类结果较佳,平均分类准确率达到99.2%。结论卷积神经网络的肝脏组织切片图像正常和病变性分类方法可行、合理,改进的Inception V3模型的分类效果较好。     

图像融合方法在肝包虫病分型中的应用

探讨图像融合技术在肝包虫病分型中的应用。对正常肝脏、单囊型肝包虫病、肝囊肿CT图像感兴趣区域分别使用传统的预处理和图像融合方法,对融合后的和预处理后的图像提取Tamura和灰度-梯度共生矩阵特征,通过支持向量机和BP神经网络分类模型进行分类,比较两种方法的分类准确率,并对各分类模型进行参数评估。传统预处理方法对肝囊肿CT图像Tamura和混合特征的分类效果优于图像融合方法,最佳分类准确率为98.333%;图像融合方法对单囊型肝包虫病和正常肝脏CT图像不同特征下的分类准确率均高于传统预处理方法,最佳分类准确率分别为99.167%和100%;图像融合方法不同特征不同分类器下的平均分类准确率高于传统预处理方法。将图像融合方法应用于肝包虫病CT图像的分型中具有一定的分类优势,为肝包虫病影像学诊断提供依据,也为后期研发肝包虫病计算机辅助诊断系统奠定基础。     

基于典型相关分析与双模态数据融合的抑郁症辅助诊断

为了充分提取抑郁症患者的磁共振影像信息,提高抑郁症的诊断准确率,本研究将功能磁共振图像与结构磁共振图像作为研究对象,提出一种双模态数据融合的抑郁症分类算法。首先构建4种不同尺度的功能脑网络,提取功能磁共振图像的数据特征,然后使用迁移学习处理的三维密集连接卷积神经网络,提取结构磁共振图像的数据特征,接着使用典型相关分析方法融合两种特征,最后使用支持向量机对融合特征进行分类,从而将受试者识别为健康者或抑郁症患者。实验结果表明,本文提出的方法可获得89.56%的分类准确率与95.48%的召回率,与单模态数据分类相比,基于双模态数据的分类方法具有更好的分类性能。此外,典型相关分析法可以有效融合双模态的图像特征。     

基于自注意力的双通路全脊柱 X 光图像分割模型

全脊柱X光图像（包含脊柱、骶骨及髂骨）分割是目前脊椎疾病智能诊断中首要关键的环节。针对U-Net语义分割算法在全脊柱X光图像多区域分割精度较差的问题,提出一种双通道语义分割算法DAU-Net,通过空间通道与语义通道分别学习空间信息特征与图像语义特征,并在解码器端对两类特征进行融合,获取脊柱X光图像中更精准的分割边界。在空间通道中,使用空洞卷积及残差模块扩大视野域并保留更多远端特征信息。此外,将自注意力机制引入语义通道,并设计不同的自注意力编码与自注意力解码模块构建全局关联信息,实现对多个目标骨骼区域语义分割。实验结果表明,DAU-Net能够有效提高脊柱X光图像上的分割精度,相比U-Net、ResU-Net、Attention U-Net、U-Net++,Dice系数分别提高4.00%、1.90%、4.60%、1.19%。     

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...     

临床结直肠病理切片图像的自动辅助诊断

目的探讨借助深度学习算法进行结直肠病理组织切片的自动辅助诊断。方法收集首都医科大学附属朝阳医院病理科已确诊的92例增生性息肉、61例管状腺瘤、135例腺癌及100例神经内分泌肿瘤的存档病理切片,利用数字显微镜采集1 790张数字病理图像。其中1 530张图像作为训练集,260张图像作为测试集。利用深度神经网络基于训练集训练自动辅助诊断模型,并在测试集上进行测试。结果利用深度学习技术在结直肠病理图像测试集上的整体准确率≥91%,采用该方法对恶性肿瘤的灵敏度可达96. 7%。结论利用深度学习技术对结直肠病理组织切片的自动辅助诊断具有重要意义,不仅可以提高诊断效率,还能够降低漏诊风险。     

边缘先验信息下的多类型肠道息肉图像分类网络

肠道息肉的分级能够为内窥镜医生提供辅助诊断,对需要及时处理的高风险息肉和可以暂缓处理的低风险息肉进行区分。现有的基于深度学习息肉分类算法不能很好地区分类间相似性高的图像,针对息肉分级任务有待改进。提出一个包含边缘检测阶段、边缘特征描述提取阶段以及息肉分类阶段的边缘先验信息下的多类型肠道息肉图像分类网络。首先,在边缘检测阶段的跳跃连接层处,设计并嵌入反向注意力边缘监督模块以更好地捕获息肉边缘细节信息;其次,在内窥镜医生先验知识的指导下分别通过统计息肉边缘像素点个数和凹凸性来表示息肉边缘周长大小和光滑性特征,以此来补充神经网络特征提取的不足;最后,在分类网络的DenseBlock4后加入通道注意力自适应地捕获判别性特征。所构建的数据集来自丽水市人民医院消化内镜中心2018年至2019年的脱敏数据,样本量含1 050幅原始图像。在构建的四分类数据集上进行五折交叉验证,达到了77.29%的总体准确率,相比于已有算法的最好结果提高了6.46%。融合边缘先验信息的分类网络能够有效地对非腺瘤性息肉与低级别腺瘤性息肉、高级别腺瘤性息肉与腺癌这两组类间高相似度的息肉图像进行区分,增加网络的鲁棒性并提高网络的分类性能,在有限的训练数据集下为医生诊断提供辅助意见。     

肺细针吸取微小组织学与细胞学检查诊断价值的探讨

目的探讨经皮细针肺肿块吸取细胞块和微小碎片组织学(简称微小切片)与涂片细胞学的诊断价值.方法对有组织学对比的187例经皮细针(7号) 肺部肿块吸取资料作微小切片组织学与涂片细胞学比较分析.结果 (1)微小切片组的诊断敏感性88.3%,特异性100%,总准确率89.5%;涂片组分别为87.7%、93.8%和88.8%;涂片结合微小切片则分别为91.6%、93.8%和92.0%.(2)微小切片组对恶性肿瘤的组织分型准确率93.3%(83/89),比涂片组的67.9%(91/134)高(P<0.01).对良性病变分类诊断准确率分别为86.4%(19/22)和 60.0%(18/30) (P<0.05).(3)66.3%的病例获取微小组织切片,其免疫组织化学染色结果与术后病理组织切片的相同.结论微小切片组织学和细胞学的诊断准确性均高,两者结合应用将提高诊断准确性,前者对组织分型、分类诊断接近术后病理诊断,有很高的应用价值.     

基于舌图像深度特征融合的中医体质分类方法研究

目的在基于舌图像的中医体质类型分类中,舌图像的类间距小,传统手工特征提取时存在底层特征不能够充分表达舌图像所包含的全部信息等问题。因此本文提出一种基于深度网络特征层融合的体质类型分类方法,以提高体质类型分类的准确率。方法通过比较不同网络模型对舌图像的分类表现,及对不同网络层的特征表达能力的分析,选取将浅层特征与高层语义特征进行融合的方法。该深度特征融合方法基于Alexnet网络进行改进,依据误差权重对各层特征进行融合,并采用983张舌图像,对气虚质、痰湿质和湿热质三种体质类型的分类进行仿真实验。结果相比传统特征提取与原始深度网络,本文方法的准确率由传统分类方法的543%提高到了77%。结论基于深度特征融合的方法将浅层特征与深度特征融合,充分表达了图像的语义信息,对中医辅助辨识、临床、教学和科研具有极其重要的意义。     

肝包虫病和肝囊肿CT图像的分型研究

探讨计算机辅助诊断技术在肝包虫病和肝囊肿CT图像分型中的应用。方法 对单囊型肝包虫病和单发性肝囊肿CT图像感兴趣区域,分别使用传统的预处理方法和图像融合方法,提取原始ROI、预处理后的和融合后的ROI图像Haar小波、DB2小波、Tamura、Gabor滤波器和灰度-梯度共生矩阵特征,通过支持向量机和BP神经网络分类模型分类,比较三种方法的分类准确率,并对各分类模型进行参数评估。结果 从原始ROI图像直接提取的Haar小波、DB2小波、Tamura和GGCM特征的最佳分类准确率均达到了95%以上;融合后的ROI图像五种特征的分类准确率都较高,在90%以上。结论 本研究所使用的方法应用于肝包虫病和肝囊肿CT图像的分型中具有一定的分类优势,为影像学诊断提供依据。     

新疆高发病食管癌图像的特征提取及分类

目的结合灰度共生矩阵和小波变换的纹理分析方法提取新疆哈萨克族高发病食管癌X射线钡剂造影图像的特征,旨在为放射科医生的诊断决策提供具有实际参考价值的辅助信息,提高食管癌诊断的准确率和效率。方法选取2种中晚期食管癌——蕈伞型和缩窄型,以及正常食管图像各100张,利用基于灰度共生矩阵的纹理特征提取方法分别提取食管癌X射线图像的角二阶矩、熵、惯性矩、逆差矩及相关性的方差作为纹理特征,同时使用小波变换对食管癌X射线图像进行二层小波分解,获取其高频子图,并提取高频子图的能量特征作为纹理特征。然后,使用C4.5决策树算法构造一个分类器,对正常食管和中晚期食管癌图像进行分类研究。结果共计提取11维特征,利用单一特征算法进行分类,灰度共生矩阵法分类准确率为64.66%,小波变换法分类准确率为77%。而综合的灰度共生矩阵和小波变换法的分类准确率为81.67%,更适用于正常食管和中晚期食管癌的分类。结论本研究将灰度共生矩阵、小波变换算法与决策树C4.5相结合,对正常食管与蕈伞型和缩窄型食管癌进行特征提取及分析,结果表明本算法分类准确率较高,为开发食管癌的计算机辅助诊断系统奠定了基础。     

人体肺癌组织电导率与CT图像灰度相关性

研究肺癌患者癌变组织的介电特性以及肺部CT图像的图像特征,建立癌变组织电导率与相应患者肺部CT图像灰度特征的对应关系,为肺癌的临床诊断和治疗提供辅助手段和理论依据。肺癌组织和CT图像取自天津医科大学总医院,取手术中切下的癌变组织为样本,控制测试箱温度和湿度模拟人体环境,采用美国Agilent公司的4294A阻抗分析仪,测量肺癌组织的复阻抗特性,计算肺癌组织电导率。采用区域生长法对CT图像进行图像分割,获取癌变组织区域图像的灰度特征,基于统计学方法研究肺癌组织电导率与CT图像灰度间的相关性并建立数学模型。人体肺癌组织电导率与CT图像的灰度值呈正相关,相关性显著,癌变组织在CT图像中的灰度随电导率的不同而变化,可以为人体肺部组织电特性的研究提供基础数据,为电阻抗成像技术提供先验信息。     

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。     

基于小波变换和CNN-LSTM的肺音分类算法

目的：针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络（CNN）-长短期记忆网络（LSTM的混合深度学习肺音分类模型方法。方法：首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果：CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论：提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。