基于迁移学习的胃镜图像识别模型的构建及其在胃癌诊断中的应用

目的 采用迁移学习技术构建胃镜图像识别模型,探讨其对胃癌的诊断价值。方法 收集2 001例胃癌、2 119例胃溃疡、2 168例慢性胃炎患者的普通清晰白光胃镜图像,将其分为训练集图像组（1 851例胃癌、1 969例胃溃疡和2 018例慢性胃炎图像）和测试集图像组（胃癌、胃溃疡及慢性胃炎各150例图像）。选择在ILSVRC（ImageNet Large-Scale Visual Recognition Challenge）赛中的冠军模型VGG19、ResNet50和Inception-V3作为预训练模型,将其改造后进行模型训练,用训练集图像训练上述3个模型,用测试集图像对模型进行验证,整个模型训练过程分成预训练和微调2个步骤。结果 在3个模型中,ResNet50模型验证准确度最高,对胃癌、胃溃疡及慢性胃炎的诊断准确度分别达93%、92%及88%。结论 基于迁移学习技术,利用ResNet50模型建立的胃镜图像识别软件模型可以较准确地区分胃癌与良性胃疾病（胃溃疡和慢性胃炎）。     

基于MATLAB的医学影像数据迁移学习的实现

目的 探讨基于MATLAB实现医学影像数据的迁移学习.方法 以MIMIC公共数据库中的MIMIC-CXR数据库为例,随机选取胸腔积液阳性和阴性的X线图像各500张作为总数据集,采用MATLAB软件基于ResNet网络模型利用迁移学习方法进行多次训练,计算AUC值评估模型训练对胸腔积液影像分类的准确率.结果 本研究使用的...     

基于ResNet网络模型的手术切口常见特征的识别

目的 近年来由于加速康复外科及日间手术在外科领域的发展,使得患者平均住院日缩短,术后手术切口需居家康复,为及时发现伤口存在的问题,预防或减轻患者出院后的焦虑,本研究利用深度学习的方法对手术切口常见并发症的特征进行分类,期望实现以患者为主导的手术切口常见并发症的早期识别。方法 收集2021年6月-2022年3月某三甲医院手术后患者的切口图像1 224张,根据并发症特征进行分类整理,并将其按8∶1∶1的比例分为训练集、验证集和测试集,使用4种卷积神经网络分别进行模型的训练与测试。结果 通过多种卷积神经网络的训练,并在基于300张手术切口图像测试集的基础上进行模型性能的测试,4种ResNet分类网络模型SE-ResNet101、ResNet50、ResNet101、SEResNet50的手术切口分类平均准确率分别为0.941、0.903、0.896、0.918,精确率分别为0.939、0.898、0.868、0.903,召回率分别为0.930、0.880、0.850、0.894,其中以SE-Resnet101网络模型切口特征分类平均准确率最高,达到0.941。结论 将深度学习和手术切口图像相...     

基于图像分类技术在医学影像数据治理过程中的研究与应用

目的 探讨在数据治理过程中利用深度学习的图像分类方法对每幅X线检查图像进行准确分类的可行性。方法 将安徽省全省范围内80%以上的医疗机构的不同类型设备上传至安徽省影像云平台中的脱敏后X线数据纳入本研究,并选取25种常见的X线检查项目,由两名影像科技师参考放射科信息系统的检查项目名称,对数据治理平台中获取的12857幅影像数据进行标注。标注数据集按照7∶1∶2的比例分为训练集、验证集和测试集,其中训练集9006张图像,验证集1279张图像,测试集2572张图像。基于ResNet50搭建深度学习网络,利用训练集和验证集数据进行模型训练,测试集测试结果采用受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）和敏感度作为模型的性能评价指标。结果 测试集的测试结果显示,大多数图像分类正确,图像分类平均ROC曲线下的面积为99.94%,敏感度为98.05%±5.68%,但仍有少量图像不准确。结论 在医学影像数据治理过程中,基于图像分类的方法可以实现大部分X线检查项目图像的准确分类,但少量图像由于拍摄图像不规范,无法正确分类,需要结合放射科信息...     

基于胃镜图像的智能目标检测技术在早期胃癌筛查中的应用研究

目的:将深度学习技术与胃镜图像相结合,准确稳定地检测胃癌病灶的区域和类别,提高检测的效率与准确性,辅助医生进行早期胃癌的筛查和诊断.方法:对具有不同类别胃癌病灶的胃镜图像进行标注,构建胃镜图像数据集,使用Faster RCNN目标检测算法进行训练,不断优化参数,最终形成一个最优的目标检测模型.结果 与结论:目标检测模型...     

基于深度学习的4种肺部超声征象分类

目的　探究基于残差卷积神经网络ResNet152对4种常见肺部超声征象的分类。方法　前瞻性收集了2020年6－9月在上海市肺科医院超声科进行超声检查的患者的超声图像,分别采集A线、B线、胸腔积液、肺实变的肺部超声图像各1 500张。选择其中清晰、未被骨骼遮挡、征象单一的图像,最终入选A线图像1 388张、B线图像1 375张、胸腔积液图像1 384张、肺实变图像1 398张。采用深度残差网络ResNet152进行分类模型的训练和验证,并在完全独立于训练集和验证集的测试集上测试模型的泛化能力。以精确率、准确度、特异度、召回率和F1指数评价深度分类模型的分类性能,并通过混淆矩阵直观地展示分类结果。结果　基于深度残差网络的分类模型分类A线、B线、胸腔积液和肺实变4种征象的精确率分别为97.51%、87.31%、85.42%、93.70%,召回率分别为90.38%、86.97%、94.25%、91.18%。4种肺征象的整体分类精确率为90.99%,准确度为90.70%,特异度为96.85%,F1指数为90.50%,表现出优秀的分类特性。结论　基于深度残差网络的肺部超声分类模型表现出较高的分类特性,有潜力辅助超声医师做出诊断。     

基于注意力机制与深度学习模型的糖尿病眼底图像分类研究

目的：基于注意力机制与经典深度学习模型提出糖尿病眼底图像分类算法,提高糖尿病眼底图像识别的准确率。方法：使用包含5种类别共4 581张图像的开源数据集,进行特征提取、图像增强、批处理、洗牌等操作构建数据张量,将注意力机制与ResNet模型相结合构建ResNet-At模型,比较该模型与经典深度学习模型CNN、ResNet、AlexNet在识别糖尿病眼底图像方面的效果。结果：基于注意力机制的ResNet-At模型的准确率、精确率、召回率、F1值分别为89.5%、74.3%、62.4%、0.678,均高于其他经典深度学习模型。结论：基于注意力机制与经典深度学习模型的糖尿病眼底图像分类算法可以提高糖尿病眼底图像分类的识别效果。     

经胸片预训练的膝关节X线深度学习模型在骨质疏松诊断中的应用

目的 基于膝关节X线图像,采用深度卷积神经网络和迁移学习方法构建模型,以探讨其在骨质疏松诊断中的应用效果。方法 收集江苏大学附属金坛医院的膝关节X线正位片,按比例8∶2分为训练集（400张）与内部验证集（100张）。从Image Net网站上选取Res Net、Xception、NASNet及Efficient Net 4个深度卷积神经网络,并冻结其首次预训练的参数,作为单次训练组的模型框架;从Kermany-Chest X-Ray2017胸片数据集随机选取5856张图像,对这4个神经网络进行二次预训练,作为二次训练组的模型框架。分别利用两组模型框架针对金坛医院的膝关节X线图像进行目标训练、构建骨质疏松的分类模型。从Wani-Knee X-Ray2021数据集随机选取85张图像作为外部测试集。根据模型在内部验证与外部测试集中的表现评价其分类能力。结果 二次训练组的模型准确度均高于单次训练组。4个深度卷积神经网络中,EfficientNet模型性能显著优于另外3个模型。二次训练组的Efficient Net模型在内部验证集中准确度为0.918,F1值为0.918,受试者工作特征曲线下面积...     

三维ResNet 网络预测肺腺癌结节亚型的效能及其 稳定性

目的:探究ResNet模型对肺腺癌不同亚型结节的分类表现及稳定性。方法:回顾性收集2014 年2 月—2020 年10 月期 间的364 例肺腺癌结节CT 影像数据,以7∶3 的比例分为训练集和内部测试集,将2020 年4 月到2020 年11 月的58 例结节数 据作为外部测试集。使用基于ResNet的三维卷积神经网络在训练集中进行训练以及调参,并使用内部测试集和外部测试集对 模型的准确性及泛化性进行评估。使用随机中心移动和掩膜处理的方式分别以内部测试集和外部测试集为基础构造新的测试 集,新数据集对模型进行测试验证模型的稳定性。结果:模型在内部测试集AUC 为0.949 1（95%CI:0.910 8～0.987 4）,模型在随 机中心移动以及掩膜处理之后的数据集的AUC 值分别为0.940 4 和0.918 1, 与其差异无统计学意义（P 值分别为0.425 3 和 0.239 3）。在外部测试集中模型AUC 为0.959 6（95%CI:0.901 2～1.000 0）,在用于稳定性测试的随机中心移动以及掩膜处理之 后的数据集中,模型所得AUC 分别为0.948 5和0.947 3,与其同样差异无统计学意义（均P>0.05）。结论:ResNet 模型对肺腺癌 结节亚型有优异的鉴别能力,并且具有一定稳定性。     

深度卷积神经网络模型辅助下结直肠息肉检测系统对初级医师结直肠小息肉检出率的影响

目的·探究基于人工智能（artificial intelligence,AI）技术中深度卷积神经网络（deep convolutional neural network,DCNN）模型构建的计算机辅助检测（computer-aided detection,CADe）系统对缺乏电子结肠镜操作经验的初级医师结直肠息肉检出率的影响。方法·选取上海交通大学医学院附属同仁医院内镜中心数据库2019年1月—2020年12月的结肠镜图像及2021年1月—3月的结肠镜视频。将筛选出的图像和视频分为数据集1 (5 908张图像)和数据集6 (360条短视频),数据集1分为数据集1a (4 906张图像)、数据集1b (300张图像)和数据集1c (702张图像);其中,数据集1c为从视频数据集6中截取的图像。数据集2～5分别为公共数据集CVC-ClinicDB、CVC-ColonDB、ETIS-Larib Polyp DB和KVASIR,共包含2 188张图片。数据集1a和数据集2～5为模型训练集,数据集1b和数据集1c为模型测试集。将10名经过培训且无结肠镜操作经验的初级医师随机分为AI辅助组（A组,...     

基于激活层前置压缩激励残差网络的早期胃癌筛查算法

目的 研究基于激活层前置压缩激励残差网络（PASE-ResNet）的快速和准确的早期胃癌筛查算法。方法 构建一个基于激活层前置压缩激励残差网络的早期胃癌筛查算法。为聚焦任务相关的图像区域，提升模型的特征表达能力，将压缩激励模块（SE）与激活层前置残差网络（PreAct-ResNet）中的残差模块相结合，提高与任务相关的特征通道权重。此外，为提高早期胃癌的筛查性能，提出“局部筛查+全局滑窗”的策略，经数据扩充后得到数据集子图18 400幅。利用PASE-ResNet模型通过滑动窗口的方式对胃镜图像进行检测，获得了精细的筛查结果。结果 本文提出的模型在早期胃癌筛查中取得了98.03%的准确率、98.96%的灵敏度和96.52%的特异性值。结论 本文提出的基于激活层前置压缩激励残差网络，达到了较好的筛查精度，有望在临床中辅助医生快速诊断。     

基于宫颈上皮与血管特征的阴道镜图像深度学习模型探索

目的 通过识别阴道镜图像中的上皮与血管特征,探讨深度学习的目标检测技术在宫颈癌前病变定位及分类中的可行性.方法 收集2018年3月至2019年7月复旦大学附属妇产科医院病理诊断为宫颈低级别(5708例)、高级别(2206例)癌前病变和宫颈癌(514例)患者的28975张阴道镜图像.依照国际宫颈病理与阴道镜联盟及美国阴道...     

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。     

基于多参数磁共振成像的影像组学列线图在识别脑白质高信号半暗带中的应用研究

目的探讨使用T2WI联合FLAIR序列成像的影像组学列线图识别脑白质高信号半暗带的临床可行性。方法回顾性分析2012年至2017年我院收治的57例白质高信号进展患者和57例健康体检者的资料并分为训练组(n=80)和验证组(n=34)。对每例患者和健康体检的白质高信号半暗带区分别对T2WI和FLAIR图像提取纹理特征,然后对训练组使用最小绝对收缩与选择算子算法进行降维并建立影像组学标签,同时结合临床危险因素作为Logistic回归分析的潜在预测因子构建识预测模型并制作模型列线图。通过验证组数据评估影像组学列线图的性能和临床应用价值。结果列线图预测白质高信号半暗带的准确率在训练组和验证组中分别为0.881和0.862。Hosmer-Lemeshow检验在训练和验证集间差异均无统计学意义(P>0.05)。使用受试者工作特征曲线评估列线图、影像组学标签和糖尿病因素的AUC分别为0.829、0.819和0.64。结论基于多参数磁共振成像的影像组学列线图可作为一种量化工具帮助临床医生识别白质高信号半暗带,从而进行早期的干预治疗。     

残胃癌的早期诊断与手术治疗(附12例分析)

目的:探讨残胃癌早期诊断和治疗方式.方法:总结分析12例残胃癌临床资料.结果:临床表现和胃镜检查有益于残胃癌早期诊断,行残胃癌根治术的患者预后较好.结论:定期胃镜检查是早期诊断残胃癌的关键.废胃与联合脏器切除结合R3淋巴结清扫术是治疗残胃癌的有效术式.     

胃癌患者胃粘膜微生物群改变的初步研究

对102例具有消化不良症状的患者做胃镜检查,并取胃粘膜组织进行细菌分离培养。结果表明,不同的消化道疾病,胃粘膜微生物群均发生不同改变。其中胃癌患者改变最明显,胃内微生物检出率最高。幽门螺杆菌检出率为52.94％(18/34),无芽胞厌氧菌检出率为88.24％(30/34),其中产亚硝酸真杆菌检出率为55.88％(19/34),硝酸盐还原试验阳性菌株占70.59％(24/34)。     

蛋白指纹图谱蛋白芯片技术检测诊断早期胃癌的临床意义

目的:应用SELDI蛋白质芯片检测胃癌患者血清蛋白质指纹图谱,筛选候选肿瘤标志物以建立诊断模型,并探讨其诊断早期胃癌的临床意义。方法:表面加强激光解吸电离-飞行时间质谱(SELDI-TOF-MS)技术及其配套蛋白质芯片检测80例胃癌患者(Ⅰ/Ⅱ期40例与Ⅲ/Ⅳ期40例)、80例良性胃病患者(胃溃疡40例与慢性萎缩性胃炎40例)和80例健康人的血清蛋白质质谱。将部分研究对象随机分为训练集(40例胃癌、20名良性胃病与20名健康人群)和验证集(40例胃癌、20名良性胃病与20名健康人群),前者用于筛选胃癌差异蛋白标志物并建立人工神经网络诊断模型,后者用于模型诊断效度的盲法验证。结果:质荷比(m/z)分别为2927、3217、3236、3287的4个蛋白质峰组合所构建的诊断模型能达到诊断胃癌患者的最佳诊断效果,灵敏度90.0%,特异度92.5%。结论:SELDI蛋白芯片技术在胃癌的诊断尤其是早期诊断、术前分期及候选肿瘤标志物筛选等方面具有一定价值,值得进一步研究。     

基于卷积神经网络的基底细胞癌和色素痣的临床图像鉴别

目的：利用卷积神经网络(convolutional neural network,CNN)算法构建基于临床图像的基底细胞癌和 色素痣的智能辅助诊断模型。方法：首先,基于湘雅医学大数据平台构建一个大规模的以中国人种为主的皮肤疾 病临床图像数据集——湘雅皮肤疾病数据集;在此数据集的基底细胞癌和色素痣的子集上评估5种主流CNN模型 (ResNet50,InceptionV3,InceptionResNetV2,DenseNet121,Xception)的分类性能;以热力图的形式分析模型诊断结果 的依据;将最优的CNN分类模型与30名专业的皮肤科医生对100例患者临床图像鉴别进行对比。结果：湘雅皮肤疾病 数据集包含150 223幅带有病变区域标记的临床图像,涵盖543类皮肤疾病,且数据集内每幅图片都包含病理金标准的 支持和患者的病史资料。在由349幅基底细胞癌和497幅色素痣的测试集上,最优的CNN模型为Xception,其分类正确 率可以达到93.5%,其中基底细胞癌和色素痣曲线下面积(area under curve,AUC)分别为97.4%和96.9%。热力图的结果 表明CNN模型能学习到与疾病鉴别相关的特征。Xception模型在鉴别基底细胞癌和色素痣的临床图像的能力与专业皮 肤科医生基本相当。结论：本研究属于首次基于中国人种临床数据集的皮肤肿瘤的辅助诊断研究,证明了CNN模型 具有对于中国人种基底细胞癌和色素痣的鉴别能力,为后续人工智能在皮肤肿瘤中的诊疗应用奠定了扎实基础。