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。     

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。     

基于改进的VGG-16卷积神经网络的肺结节检测

【摘要】针对肺结节特征复杂、人工提取特征困难的问题,提出基于改进的VGG-16卷积神经网络的肺结节检测模型。首先采用阈值分割与处理最大连通区域后的图像进行掩模运算,得到肺实质部分。然后通过Regionprops标记每个连通区域序号分割出所有疑似结节;采用核函数极限学习机而不是Softmax函数作为VGG-16结构中的分类器。最后利用改进后的VGG-16模型去除假阳性结节,完成对肺结节检测。在LIDC-IDRI数据集上进行的实验表明改进后的模型能达到92.56%的准确率和94.44%的高敏感度。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。     

基于多尺度卷积和自注意力机制的觉醒自动检测方法

临床上,觉醒事件主要由睡眠技师手动标注,该方法耗时,且主观性强。本研究通过构建基于多尺度卷积和自注意力的卷积神经网络,用1 min单通道脑电信号作为模型的输入,实现端到端的觉醒事件自动检测。研究结果表明,相较于基线模型,本文所提出的方法的精确召回曲线下面积和受试者操作特征曲线下面积均提升约7%。此外,单模态和多模态对比结果显示,单通道脑电信号可实现觉醒事件的有效检测,而简单的多种模态拼接不能提升模型的性能。最后,基于本文所提出的模型,本研究在同一数据库上又实现了自动睡眠分期（平均准确率73%）,展示了模型较好的扩展性。本研究为实现可靠的便携式睡眠监测提供了解决方案,同时任务迁移的使用也为临床睡眠数据的自动分析开辟了新道路。     

基于Faster-RCNN的肺结节检测算法

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略。首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2 000例病人的肺结节数据集,通过不同的卷积神经网络模型(包括ZF和VGG),计算CT图像在各自模型中的特征。对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响。最终ZF模型的检测准确率为90. 82%,准确率的波动方差为13. 30%; VGG模型的检测准确率为87. 02%,准确率的波动方差为37. 10%。ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果。所提出的肺结节检测技术具有良好的理论价值和工程应用价值。     

基于卷积和注意力机制的医学细胞核图像分割网络EI北大核心CSCD

深度学习在细胞核分割中具有重要作用,但在病理诊断中仍面临着细胞核图像的细微特征难以提取、核边缘模糊等问题。针对上述问题,本文提出了一种结合注意力机制的细胞核分割网络。该网络使用U型网络(UNet)作为基本结构,以深度可分离残差卷积(DSRC)模块作为特征编码,避免丢失细胞核边界信息;特征解码引入坐标注意力(CA)加强特征空间上远程距离,突出细胞核位置的关键信息;最后,设计语义信息融合(SIF)模块整合深浅层特征,改善分割效果。在2018数据科学碗(DSB2018)和三阴乳腺癌(TNBC)数据集上分别进行实验,所提方法的精确率在两个数据集上分别为92.01%、89.21%,灵敏度为90.09%、91.10%,平均交并比为89.01%、89.12%。实验结果表明,本文所提方法能有效分割细胞核细微区域,提升分割准确度,为临床诊断提供可靠依据。     

基于尺寸自适应深度神经网络的胸部CT图像肺结节检测

使用计算机断层扫描(CT)筛查肺结节是早期肺癌诊断的重要手段.但由于肺结节在形状、大小和位置上有存在很大的差异,目前肺结节尤其是小结节的自动检测依然具有挑战性.为了实现高灵敏度的肺结节检测,提出一种新的计算机辅助检测系统,该系统采用两种新的策略:尺寸自适应候选检测(SACD)和尺寸自适应假阳性抑制(SAFPR).首先,...     

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。     

基于深度学习结合解剖学注意力机制的肺结节良恶性分类

肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义。为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度。此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化。解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征。本文方法在LIDC-IDRI数据集上进行验证。实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940。由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用。     

基于多特征融合与XGBoost的肺结节检测

为了提高肺结节检测的精确度和效率,提出一种基于多特征融合和XGBoost的肺结节检测模型。首先采用阈值分割与形态学运算,获得候选结节区域;然后通过基于超分辨率重建的卷积神经网络进行候选结节的特征增强;其次采用快速鲁棒特征、灰度共生矩阵、灰度不变矩的提取方法获得候选结节的局部与全局的多种特征,采用词袋模型进行降维并融合;最后利用XGBoost-决策树分类模型去除假阳性结节,完成肺结节的检测。在LIDC-IDRI数据上进行的实验表明该模型能达到97.87%的准确率和97.92%的召回率。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。     

肺结节检测算法研究

考虑到肺部特殊的解剖结构,本文将模糊c均值算法（FCM）~用到肺结节检测上,并引入似圆度计算将结节准确标示出来,大大降低了检测的假阳率,取得了较好的实验效果。     

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%。     

基于卷积神经网络的血管内血液流速反演方法研究EI北大核心CSCD

基于磁电效应的血液流速反演有助于血管狭窄病变日常监测的发展,但血液流速反演准确率和成像分辨率仍有待提高。因此,本文提出一种基于卷积神经网络(CNN)的血管内血液流速反演方法。首先,构建非监督学习CNN提取权重矩阵表征信息对电压数据预处理;再将预处理结果输入至有监督学习CNN,经非线性映射输出血液流速值;最终获得血管断层图像。本文通过构建数据检验所提方法的有效性,结果显示,所提方法在血管位置和血管狭窄实验中的血液流速反演相关系数分别达到0.884 4和0.972 1。以上研究表明,本文所提方法有效减少反演过程中信息的丢失,并提高反演准确率和成像分辨率,有望辅助临床诊断。     

基于改进YOLO V3的肺结节检测方法

针对肺结节占CT图像比例小、形状不规则及直接应用YOLO V3算法进行肺结节检测效果不佳的问题,提出基于 改进YOLO V3的肺结节检测方法。首先进行重采样和肺实质分割等预处理操作。然后修改YOLO V3的基础网络结构, 调整骨干网络和检测网络的结构单元数量;使用Mish激活函数替换Leaky ReLU激活函数,引入含有空洞卷积的感受野 模块层;修改损失函数。最后使用改进的YOLO V3方法进行肺结节检测,完成对比实验。在LIDC-IDRI数据集上得到了 88.89%的准确率和94.73%的高敏感度,实验结果表明该方法能够有效检测肺结节。     

基于三维密集网络的肺结节检测方法

针对传统基于三维特征的肺结节检测方法存在小结节检出率不高且计算量大的问题,提出一种更为高效的基于三维密集网络的肺结节检测方法。首先将密集连接单元引入3D U-Net,构建适用于肺结节检测的3D Dense U-Net网络;由于3D Dense U-Net用密集连接块代替原始3D U-Net的普通卷积层,可最大化地保证层与层之间的信息流通,不仅能解决传统堆叠式网络所存在的特征冗余问题,而且能加快网络训练速度。同时,该网络保留U-Net的基本连接方式,以实现底层特征的复用,从而可以有效地获取候选结节。在此基础上,针对候选结节中包含假阳例的问题,为了更加有效地获取结节特征,提高网络对结节的鉴别能力,构造三维密集分类网络(3D DenseNet)进行假阳例的剔除。在天池医疗AI大赛数据集的测试中,检测肺结节总体敏感度94.3%,10 mm以下结节敏感度91.5%,假阳例率5.9%。 所提出的基于三维密集网络的肺结节检测方法对于小结节的检测更加灵敏,不仅能提高结节检出率,而且计算效率也有所提高。     

融合Vnet和边缘特征的肺结节分割算法

目的:针对肺结节分割过程中存在边缘信息丢失、边界分割模糊问题,在Vnet基础上改进BSR-Vnet算法。方法:首先,利用边缘关键点选择算法和空洞卷积改进BFB边缘特征增强模块,集成进编码器中,用以保留更多边缘信息;其次,用空间-通道压缩激励模块sc-SE引入双注意力机制,代替Vnet的瓶颈结构,提取非局部上下文信息;最后,利用Vnet原有的残差结构,使用混合空洞卷积构造残差空洞模块RDB代替原本的解码器,用于扩大感受野,提取更多特征细节。结果:本文改进的BSR-Vnet应用在公共数据集LIDC-IDRI上,在Dice系数上达到了87.94%的结果。结论:与基础Vnet方法相比,该模型有效保留了更多的边缘结构和信息,提取了更多上下文信息,使肺结节分割结果更为精确。 【关键词】肺结节分割;Vnet网络;空洞卷积;注意力机制;边缘关键点选择算法     

基于全卷积神经网络的低剂量CT去噪算法

针对低剂量医学CT图像因减少辐射剂量而引入大量噪声,导致图像质量显著下降的问题,提出一种基于残差注意力机制和自适应特征融合的低剂量CT图像去噪算法,该算法使用全卷积神经网络来完成低剂量CT图像去噪。在网络框架中引入残差注意力机制和选择性内核特征融合模块,以过滤噪声信息,提取有效特征并自适应地融合图像特征,避免重建过程中的细节损失,提高图像质量,使去噪后的图像在感知上更接近原始图像。定性和定量实验表明,与现有的算法相比,在真实的临床数据集上,所提出的算法能够有效地抑制噪声,并恢复低剂量CT图像中更详细的纹理。与低剂量CT图像相比,所提出的算法将峰值信噪比提高14.94%,结构相似度提高4.68%,均方根误差降低40.11%,可以满足医学成像的诊断要求。     

基于卷积神经网络和有限元法的棍棒类钝器致脑损伤评价方法研究EI北大核心CSCD

有限元法作为研究钝器致颅脑损伤机制的新方法,存在耗时长、专业性强等技术壁垒,影响其推广应用。基于此,本研究提出了一种基于卷积神经网络和有限元方法的棍棒类钝器致颅脑损伤的快速量化评价方法。该方法以有限元仿真中提取的棍棒类钝器速度曲线以及脑组织(大脑、胼胝体、小脑、脑干)最大主应变分别作为卷积神经网络的输入与输出参数,并通过十折交叉验证法训练并优化卷积神经网络,最终确定的卷积神经网络模型对大脑最大主应变预测结果的平均绝对误差(MAE)、均方误差(MSE)、拟合优度(R^(2))分别为0.084、0.014、0.92;对胼胝体最大主应变预测结果的MAE、MSE、R^(2)分别为0.062、0.007、0.90;对小脑及脑干最大主应变预测结果的MAE、MSE、R^(2)分别为0.075、0.011、0.94。预测结果显示,本研究开发的深度卷积神经网络,能够快速而准确地评估由棍棒类钝器打击引起的局部脑损伤,并对理解其造成的脑损伤与量化评价具有重要的应用价值。同时,该技术提高了计算效率,可为将当前基于加速度的脑损伤研究转变为关注局部脑组织损伤的研究提供依据。     

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。     

基于卷积神经网络胃癌分割与T分期算法

基于胃癌CT图像准确分割胃癌和精准预测胃壁肿瘤浸润深度对于筛查胃部疾病、临床诊断、术前预测、术后评估计划至关重要。为了准确地从胃癌CT图像分割出胃癌并对肿瘤进行定性分期,提出一种基于卷积神经网络的胃癌分割与T分期算法（SC-Net）。SC-Net有两条主干线：分割主线、分类主线。这种新型算法分为两步进行训练：第一步只训练分割主线得到肿瘤的粗分割结果,然后在第一步基础之上联合训练分割分类主线得到最终的精分割和肿瘤T分期结果。为了提高算法对胃癌区域的关注度,提出了注意力机制加强算法的准确性。此外还使用多核残差模块和密集连接空洞卷积模块提取深层的特征信息。对所提算法进行定性定量分析。实验表明所提方法在胃癌分割和T分期上均优于同类方法,所提方法有作为筛查胃部疾病、辅助医生诊断的潜力。