基于深度学习的结肠癌病理图片分类研究

目的 本研究探讨基于深度学习算法的结肠癌病理组织切片的诊断模型,对癌旁正常和肿瘤组织以及不同分化程度的肿瘤组织进行自动分类.方法 经公共数据库TCGA收集117名结肠癌患者的全切片病理图,分割成不重叠的4440张子图片,按8:1:1的比例随机划分成训练集、验证集和测试集.基于Python语言的TensorFlow框架,...     

幕上疑难脑肿瘤的MRI图像诊断分析

目的：探讨幕上疑难脑肿瘤的MRI图像诊断结果。方法本次临床研究选择我院2012年1月至2012年12月之间收治的11例幕上疑难脑肿瘤患者为观察对象,所有观察对象均接受MRI检查,回顾分析患者的MRI图像诊断结果。结果脑室外脉络丛乳头状瘤因其发生率较低而易造成误诊问题。脑胶质瘤存在较为明显的影像学特征,因而其临床诊断较为容易。脑中线位置发生的肿瘤,通常与侧脑室之间存在直接联系,且肿瘤体积较大,因而应作为脑室内外肿瘤临床检查和诊断的主要难点与重点。讨论由本次临床研究结果可知,幕上疑难脑肿瘤MRI检查表现较为复杂,但经过仔细全面的观察,仍然能够获得较为准确的临床诊断,并为患者的临床治疗提供可靠依据。     

基于深度学习的脑血管分割方法研究

目的：针对磁共振血管造影（magnetic resonance angiography,MRA）图像存在部分血管微小、血管重叠等难以自动分割的问题，提出一种基于深度学习的脑血管分割方法。方法：采用由多生成器和判别器组成的生成式对抗网络（generative adversarial networks,GAN）构建脑血管分割模型（brain vessel segmentation model,BVSM）。首先，在生成器网络中引入特征融合、注意力机制模块，对患者的MRA图像进行分割提取；其次，判别器网络判断生成器网络生成的脑血管分割结果与专家手工标注分割结果的差距，迫使生成器网络不断优化，生成更真实的分割图像；最后，选用MIDAS数据集，设计消融实验，从Dice系数、精确率、敏感度、AUC 4个方面比较BVSM与原始模型[RVGAN(retinal vascular generative adversarial network)模型]、单独融入注意力模块的RVGAN+Attention模型、单独融入切片特征融合（slice-level feature aggregation,SFA）模块的R...     

基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法研究

目的 ：为消除手术器械视觉图像中的高斯与椒盐噪声,并恢复图像的细节特征,提出一种基于深度学习的手术器械视觉图像高斯与椒盐噪声去除方法。方法：首先,构建由多特征融合编码器解码器网络、注意力引导网络和细节恢复渐进式网络3个部分组成的轻量级多任务渐进式网络,使用多特征融合编码器解码器网络预测视觉图像中的噪声信息,并从原图像中去除,使用注意力引导网络进一步去除图像中的残留噪声,使用细节恢复渐进式网络对去噪图像的底层细节特征进行恢复。其次,对轻量级多任务渐进式网络进行轻量化设计,将细节恢复渐进式网络中的部分常规卷积替换为深度可分离卷积。最后,在公开的CBSD68、Kodak24数据集和自建的手术器械噪声数据集上进行去噪实验,比较基于轻量级多任务渐进式网络的去噪方法与经典去噪方法的去噪效果,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络去噪后的图像的分类准确率,并分析轻量化设计前后的算力和内存占用情况。结果：在公开数据集上,所提出的方法较经典的去噪方法取得了更好的去噪效果。在手术器械噪声数据集上,ResNet-18模型和ResNet-34模型对采用轻量级多任务渐进式网络...     

基于极坐标变换和深度学习的腔镜图像气泡分割方法研究

目的：针对腔镜手术中气泡边缘模糊、数量形态浮动较大所造成的图像分割困难的问题,提出一种基于极坐标变换和深度学习的腔镜图像气泡分割方法。方法：首先构建包含笛卡尔坐标系下的U-Net网络和极坐标系下的U-Net网络的级联U-Net模型;其次,由级联U-Net模型中的笛卡尔系网络初步分割气泡,之后进行连通域分析并提取质心,然后以质心为原点将输入图像转换到极坐标系下;再次,由极坐标系网络分别预测气泡分割结果并对结果加权求和从而得到最终的预测结果;最后,为验证级联U-Net模型的有效性,对比级联U-Net模型与U-Net模型、深度轮廓感知网络（deep contour-aware network,DCAN）模型和边缘感知网络（edge-aware network,EAN）模型3种经典图像分割模型在腔镜气泡数据集上的分割效果。结果：级联U-Net模型对于腔镜图像气泡分割的精度显著优于3种经典图像分割模型,Dice系数、平均交并比、准确率、召回率分别为0.891、0.812、0.920和0.871。结论：基于极坐标变换和深度学习的腔镜图像气泡分割方法可精确分割腔镜图像中的气泡,可为腔镜手术中气泡自动...     

基于深度学习的器官自动分割研究进展

介绍了使用率较高的深度学习基础网络的结构模型及常用改进方法,阐述了使用深度学习神经网络对MRI及CT图像中的脑部、肺部、肝脏、胰腺、前列腺等器官进行自动分割的研究进展。指出了未来应更多关注3D图像分割和少样本训练,开发更适用的网络结构,以提高器官分割准确性和分割效率。     

基于深度学习的医学影像高效生成方法研究

目的：提出一种基于深度学习的医学影像高效生成方法,以解决医学影像数据获取困难、患病样本分布不均匀的问题。方法：将作为CycleGAN输入的2种真实图像进行图像风格迁移,在训练过程中CycleGAN学习2种图像的图像风格,并将这2种图像的图像风格进行转换,输出不同于原图像风格的图像。以肺部CT图像和眼底图像为例,分别对该方法的样本风格转换能力和患病样本生成能力进行测试。结果：经过训练后,该方法能够将肺部厚层CT图像转换为薄层CT图像,并能生成大量质量较高的眼底患病图像,且生成图像耗时短。结论：该方法可以高效生成医学影像,为临床研究以及相关人工智能模型训练提供了有力的保障,并且可为医学人工智能产品的泛化能力提供测试支撑。     

基于深度卷积生成对抗网络的大脑年龄预测方法研究

目的 ：提出一种基于深度卷积生成对抗网络（deep convolutional generative adversarial network,DCGAN）的大脑年龄预测方法,以客观评估大脑健康状态。方法：首先,将二维DCGAN扩展到三维DCGAN,并在DCGAN中加入残差块改进DCGAN模型,以提高特征提取能力。其次,使用无监督对抗学习来预训练分类器,使用迁移学习来微调分类器,以解决三维卷积神经网络（convolutional neural network,CNN）中由于小规模样本而导致的过度拟合问题。为验证改进模型的有效性,在英国生物银行（UK Biobank,UKB）数据库上,采用平均绝对误差（mean absolute error,MAE）作为评价指标,将该模型与最小绝对收缩选择算子（least absolute shrinkage and selection operator,LASSO）模型、机器学习模型、三维CNN模型和图卷积网络模型进行对比。结果：提出的模型在预测脑年龄方面表现优秀,MAE为2.896年,明显优于LASSO模型、机器学习模型、CNN模型和图卷积网络模型。结...     

动态磁敏感对比磁共振全脑灌注成像在脑肿瘤术前诊断与分级中的应用价值

目的 探讨动态磁敏感对比磁共振(DSC-MR)全脑灌注成像在脑肿瘤术前诊断与分级中的应用价值.方法 回顾性分析2017年1月至2019年10月于医院进行诊治的70例脑肿瘤患者的临床资料,其中低级别胶质瘤31例,高级别胶质瘤39例,所有患者均接受MR序列扫描,比较低级别胶质瘤与高级别胶质瘤患者的相对局部脑血容量(rrCB...     

基于全科医师深度学习的PBL课程设计

深度学习是指在理解学习的基础上,学习者能够批判性地学习新的思想和事实,并将其融入原有的认知结构,其目的是让学习者灵活地掌握和理解学科知识,以及应用这些知识去解决课堂和未来工作中的问题.全科医师PBL课程是以教师提出具体问题为基础,全科医师围绕这些问题展开主动学习.通过构建PBL课程,可以有效地提高全科医师学习兴趣、培养其正确的临床思维、批判思维、创新思维能力,提高临床理论结构体系的建立,提高临床操作技能、团队合作能力和岗位职业核心竞争力.本文通过归纳深度学习在全科医师教学中的特征,分析深度学习与PBL课程的关系,从PBL课程的基本要素、设置方案,以及实施步骤等方面,设计和构建了基于全科医师深度学习能力培养的PBL课程.     

基于深度学习的医学图像识别研究综述

1943年McCulloch和Pitts首先提出了神经元模型(MP模型)[1]。1958年到1962年,Rosenblatt在神经元模型的基础上添加了学习功能,提出了单层感知器网络模型[2-3],并将此模型应用到实践中,但是此模型解决不了线性不可分问题。到1986年,Rumelhart等人提出了反向传播网络模型(BP模型)[4],解决了之前单层感知器网络模型不能解决的问题。在20世纪末,支持向量机(SVM)[5]被提出,SVM属于浅层机器学习模型,并取得巨大成功。直到2006年Hinton等人[6]认为具有多隐藏层的深层神经网络有很好的特征学习能力,从而引起了深度学习的热潮。深度学习(deep learning)就是通过无监督学习的方法训练每一个隐层,并将上一层训练的数据传递给下一层再训练,最后通过有监督学习的方法(如BP算法)调整训练好的整个网络[7]。目前流行的深度学习模型有卷积神经网络(CNN)[8]、循环神经网络(RNN)[9]、深信念网络(DBN)[10]、深自动编码器网络(DAN)[11]等。     

深度残差网络在尘肺病诊断中的应用初探

将北京市某医院职业健康监护体检者拍摄的DR图像,建立图像数据集,利用全卷积神经网络U-Net模型对图像两侧肺野进行分割提取,使用ResNet101模型进行学习和测试,用ROC曲线对不同方法的诊断准确性进行评价,用Kappa一致性检验对2名尘肺病诊断医师使用计算机辅助诊断前后的一致性进行评价。结果显示,基于深度残差网络——ResNet101可以对DR胸片尘肺病影像学改变进行比较准确的判定;基于ResNet的计算机辅助诊断可提高医师诊断尘肺病的准确性和不同诊断者之间的诊断一致性。     

基于深度学习的医学影像数据的瑕疵及对策

该研究阐释基于数据驱动进行函数拟合的深度学习(DL)机理及优势,分析医学影像数据置于DL的内禀不完备性,讨论基于数据完善、算法改进的部分应对策略,针对DL的统计依赖性机制,提出基于因果关系的算法模型在医学影像任务应用的研发趋势.     

粗糙集、决策树及回归法根据常规MRI预测胶质瘤分级的对比研究

目的 利用粗糙集、决策树及二元logistic回归法等三种方法根据常规MRl分级诊断胶质瘤,比较三种方法的诊断性能.方法 275例确诊胶质瘤病例(低级别胶质瘤151例,高级别胶质瘤124例),术前常规MRI平扫及增强检查,提取的MRI征象包括病灶数目、形态、边缘、水肿、坏死、占位效应、钙化、出血、T1WI、T2WI及增强特点.粗糙集基于Rosetta软件使用遗传算法进行属性约简并产生诊断规则,决策树使用CRT算法建立胶质瘤分级诊断规则,回归法使用二元logistic回归法建立胶质瘤诊断模型.结果 粗糙集、决策树树及回归法的诊断准确性分别为84.4%、83.3%、83.6%;敏感度分别为75%、74.2%、79.8%;特异度分别为92.1%、91.3%、86.8%,三种方法的ROC曲线下面积分别为0.92、0.907和0.902,ROC曲线下面积之间无明显差异性.相比其他两种方法,粗糙集可以得到更多的确定性诊断规则.结论 粗糙集具有与其他两种方法一样的诊断性能,却可以得出明确及清晰的诊断规则,具有更好的临床应用价值.     

基于深度学习的子宫内膜癌术后容积旋转调强治疗计划剂量预测的研究

目的：探讨基于三维深度残差网络(3DRes-Unet)模型深度学习对子宫内膜癌术后容积旋转调强治疗(VMAT)计划剂量精度的预测价值。方法：回顾性收集2019-2021年内江市第一人民医院放疗中心治疗的154例子宫内膜癌患者VMAT放疗计划,将数据集按7∶1∶2采用随机抽样法分为训练集108例,验证集15例和测试集31例,以临床批准的剂量作为“金标准”,对3DRes-UNet预测的放疗剂量与临床的放疗剂量进行比较。结果：深度学习与临床“金标准”之间的靶区适型度指数(CI)和平均剂量(D_mean)差异有统计学意义(t=-3.115、-0.124,P<0.05)。危及器官(OAR)膀胱40%处方剂量所覆盖的靶区体积(V₄₀)差异有统计学差异(t=0.510,P<0.05),直肠V₅₀差异有统计学差异(t=-2.121,P<0.05)。左股骨头V₃₀预测剂量小于临床剂量(t=0.415,P<0.05)。右股骨头V₃₀预测剂量小于临床剂量(t=-3.102,P&...     

促进学生深度学习的群文阅读教学策略研究

在小学语文教学的过程中, 为了能够提高学生的阅读能力, 教师都会采用不同的方式提高学生的阅读技巧.其中群文阅读教学模式就是其中的一种, 教师可以将通过多种文体、 题材相同或是相似的文章整合, 让学生在有效的时间内, 对所有文章进行学习, 这样就能够有效的提高小学生阅读的能力, 同时学生对文章的鉴赏能力也不断的提高.本文即将针对促进学生深度学习的群文阅读教学策略进行分析和研究, 希望能够为小学语文教学提供有效的参考.     

基于深度神经网络原理构建糖尿病视网膜病变辅助诊断模型

目的 基于深度神经网络原理,通过对糖尿病视网膜病变(diabetic retinopathy,DR)的眼底图像分级,构建DR辅助诊断模型,为人群中该类疾病筛查提供方便快捷的方法.方法 利用图像增强技术对图像数据进行预处理,并使用Focal Loss损失函数、余弦退火学习率、加权随机采样、图像高斯滤波混合加权方法优化深度...     

基于深度学习与多模态生理数据的阿尔茨海默病分类方法研究

目的：为了提高阿尔茨海默病（Alzheimer’s disease,AD）的分类效果,提出一种基于深度学习与多模态生理数据的AD分类方法。方法：选用阿尔茨海默病神经影像学计划（the Alzheimer’s Disease Neuroimaging Initiative,ADNI）数据库中AD患者、早期轻度认知障碍（early mild cognitive impairment,EMCI）患者、晚期轻度认知障碍（late mild cognitive impairment,LMCI）患者和正常认知（normal cognition,NC）受试者的多模态数据,利用改进的New＿ResNet50网络提取受试者大脑MRI图像特征进行分类,利用3D-Unet-Attention网络对海马体图像进行分割后通过残差网络进行分类,利用多层感知机（multi-layer perceptron,MLP）网络基于患者的生理数据与海马体体积进行分类,并对3个网络给出的分类结果采用投票法确定最终分类结果。比较改进的New＿ResNet50网络、3D-Unet-Attention网络分类模型与传统网络分类模型对...     

基于深度学习的大规模肿瘤数据生存分析

目的将深度学习方法应用在大规模肿瘤数据中,并预测肿瘤患者的个体生存情况,提升预测精度,为个体化治疗方案提供参考。方法以老年乳腺癌数据为例,将生存时间划分成离散区间,通过神经网络方法预测患者在各离散区间内的死亡概率,实现个体生存函数的预测。结果对于19576例老年女性乳腺癌的个体生存函数预测情况,本文提出的方法预测效果好于其他的模型,表现在有更大的c-index指标和更大的log-rank统计量值。结论基于深度学习的生存函数预测有较大的灵活性,不受Cox模型比例风险假设的限制,能够处理大规模数据,并且对个体生存函数的预测更加准确。     

脊椎分割和识别中的深度学习研究综述

回顾了与脊椎分割和识别相关的深度学习概念,介绍了深度学习在医学图像分割领域比较成熟的研究,以及深度学习在脊椎分割、脊椎识别和其他场景中的实际应用,并对当前的最新技术进行了系统总结,探讨了未来的研究方向。分析了深度学习虽然在脊椎分割与识别领域取得了一些引人注目的成果,但在分割精度、样本局限、标注挑战、超参数等方面存在的问题尚未得到很好解决的原因。展望可预见的未来,深度学习将会对医学图像分析,以及整个医学成像领域产生巨大影响。