基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

混合语音段特征双边式优选算法用于帕金森病分类研究

近年来,已有研究证明基于语音数据可实现帕金森病(PD)的诊断,但是目前相关研究主要集中在特征提取及分类器设计等方面,对于样本优选方面考虑不足。本课题组前期研究结果表明,样本优选可有效改进分类准确性,但是样本和语音的相关关系至今还未能深入研究。因此,本文提出了基于相关特征加权和多核学习算法,同时对语音段和特征进行优选,用于发现语音段和特征的协同效应,从而达到提升PD分类准确性的目的。实验结果表明,本文算法针对受试者的分类准确率达到了82.5%,较已有文献算法提高了30.5%。此外,本文算法还挖掘出了语音段和特征的协同效应,对语音标记物提取有一定参考价值。     

基于特权信息集成学习的精神分裂症单模态神经影像计算机辅助诊断

神经影像技术目前已经应用于精神分裂症的诊断。为了提升基于单模态神经影像的精神分裂症计算机辅助诊断(CAD)的性能,本文提出一种基于特权信息学习(LUPI)分类器的集成学习算法。该算法首先对单模态数据采用极限学习机-自编码器(ELM-AE)进行特征二次学习,然后通过随机映射算法将高维特征随机分成多个子空间,并进行两两组合形成源领域和目标领域数据对,用于训练多个支持向量机+(SVM+)弱分类器,最终通过集成学习获得一个强分类器,实现有效的模式分类。本算法在公开的精神分裂症神经影像数据库中进行了实验,包括结构磁共振成像和功能磁共振成像数据。结果表明该算法取得了最优的诊断结果,其在基于结构磁共振成像诊断的分类精度、敏感性和特异性分别可以达到72.12%±8.20%、73.50%±15.44%和70.93%±12.93%,而基于功能磁共振成像诊断的分类精度、敏感性和特异性分别为72.33%±8.95%、68.50%±16.58%、75.73%±16.10%。本文算法的主要创新点在于克服了传统的LUPI分类器需要额外的特权信息模态的不足,可以直接应用于单模态数据分类问题,而且还提升了分类性能,因此具有较为广泛的应用前景。     

基于自步学习的多经验核映射集成分类器在乳腺癌超声计算机辅助诊断上的应用

特征表达和分类器的性能是决定计算机辅助诊断(CAD)系统性能的重要因素。为了提升基于超声成像的乳腺癌CAD系统的性能,本文提出了一种基于自步学习(SPL)的多经验核映射(MEKM)排他性正则化机(ERM)集成分类器算法,能同时提升特征表达和分类器模型的性能。该算法首先通过MEKM映射得到多组特征,以增强特征表达能力,并嵌入到ERM作为多个支持向量机的核变换;然后采用SPL策略自适应地选择样本,由易到难地逐步训练ERM集成分类器模型,从而提升分类器的性能。该算法分别在乳腺癌B型超声数据库和弹性超声数据库上进行了验证,结果显示B型超声的分类准确率、敏感度和特异性分别为(86.36±6.45)%、(88.15±7.12)%和(84.52±9.38)%,而弹性超声的分类准确率、敏感度和特异性分别为(85.97±3.75)%、(85.93±6.09)%和(86.03±5.88)%。实验结果表明,本文所提出算法能有效提升乳腺超声CAD的性能,具有投入实用的潜能。     

基于Relief算法的心血管疾病辅助诊断研究

本文研究了Relief特征选择方法在光电容积脉搏波(PPG)中的应用,分析寻找区分心血管疾病的指标,提出了一种辅助心血管疾病诊断的方法。通过收集40位志愿者的生理病理信息,并实时采集血压与指尖PPG波形数据,形成样本数据集。基于PPG波形,定义并提取了52个特征参数,通过特征选择Relief算法筛选出10个核心特征参数,形成最优特征子集,并分析它们对心血管疾病的影响。最后使用分类算法建模,对心血管疾病做出了辅助诊断,k邻近算法(k NN)模型对心血管疾病的预测正确率达到66.67%,支持向量机(SVM)模型对心血管疾病的预测正确率达到83.33%。结果表明:(1)年龄对心血管疾病辅助诊断最为重要;(2)最优特征子集元素特征为心血管健康状况评价与预测提供了重要依据。本研究表明,经Relief算法选择得到的最优特征子集为心血管疾病辅助诊断提供了更高的准确性。     

基于非线性高阶特征和超图卷积神经网络的阿尔茨海默症分类

阿尔茨海默症（AD）是一种不可逆转的大脑神经退化性疾病，会损害患者记忆力和认知能力。因此，AD诊断具有重要意义。大脑感兴趣区域（ROI）之间往往是多个区域以非线性的方式协同交互，充分利用此类非线性高阶交互特征有助于提高AD诊断分类的准确性。为此，提出基于非线性高阶特征提取和三维超图神经网络相结合的AD计算机辅助诊断框架。首先针对ROI数据使用基于径向基函数核的支持向量机回归模型训练出基估计器，再通过基于基估计器的递归特征消除算法提取功能性磁共振成像（fMRI）数据中的非线性高阶特征，进而将特征构造成超图，最后基于fMRI数据的四维时空特性搭建超图卷积神经网络模型来进行分类。阿尔茨海默症神经影像倡议（ADNI）数据库上的实验结果表明，所提框架在AD/正常对照（NC）分类任务上的效果相较于Hyper Graph Convolutional Network(HyperGCN)框架提高了8%，相较于传统二维线性特征提取方法提高了12%。综上，本文框架在AD分类效果上较主流深度学习方法有所提升，可为AD计算机辅助诊断提供有效依据。     

基于语音样本重复剪辑和随机森林的帕金森病诊断算法研究

基于语音数据实现帕金森病诊断近年来已被证明是一种有效方式。但是,目前相关研究在样本预处理和集成学习方面还考虑不足,从而造成样本对分类器误导、分类准确率和稳定性还不令人满意等问题。本文提出了一种结合样本重复剪辑算法和随机森林的帕金森病诊断新算法,并基于最新公共数据集进行了对比实验。实验结果表明,本文算法实现了对语音样本和受试者的分类诊断,针对受试者的平均分类准确率达到了100%,比原数据提供者最高改善了29.44%。本文基于样本优选实现了一种新的语音帕金森病诊断算法;与同类算法相比,具有较高的准确率和稳定性。     

基于广义卷积神经网络的阿尔茨海默病多模态磁共振图像分类方法研究

阿尔茨海默病（AD）是一种进行性、不可逆的神经系统退行性疾病,基于磁共振成像（MRI）的神经影像学检查是进行AD筛查与诊断最直观、可靠的方法之一。临床上头颅MRI检测会产生多模态影像数据,为解决多模态MRI处理与信息融合的问题,本文提出基于广义卷积神经网络（gCNN）的结构MRI和功能MRI特征提取与融合方法。该方法针对结构MRI提出基于混合注意力机制的三维残差U型网络（3D HA-ResUNet）进行特征表示与分类;针对功能MRI提出U型图卷积神经网络（U-GCN）进行脑功能网络的节点特征表示与分类。在两类影像特征融合的基础上,基于离散二进制粒子群优化算法筛选最优特征子集,并使用机器学习分类器输出预测结果。来自AD神经影像学计划（ADNI）开源数据库的多模态数据集验证结果表明,本文所提出的模型在各自数据域内都有优秀的表现,而gCNN框架结合了两类模型的优势,进一步提高使用单一模态MRI的方法性能,将分类准确率和敏感性分别提升了5.56%和11.11%。综上,本文所提出的基于gCNN的多模态MRI分类方法可以为AD的辅助诊断提供技术基础。     

基于极限梯度提升和深度神经网络共同决策的心音分类方法

心音是诊断心血管疾病常用的医学信号之一。本文对心音正常/异常的二分类问题进行了研究,提出了一种基于极限梯度提升(XGBoost)和深度神经网络共同决策的心音分类算法,实现了对特征的选择和模型准确率的进一步提升。首先,本文对预处理后的心音信号进行心音分割,在此基础上提取了5个大类的特征,前4类特征采用递归特征消除法进行特征选择,作为XGBoost分类器的输入,最后一类为梅尔频率倒谱系数(MFCC),作为长短时记忆网络(LSTM)的输入。考虑到数据集的不平衡性,本文在两种分类器中皆使用了加权改进的方法。最后采用异质集成决策方法得到预测结果。将本文所提心音分类算法应用于PhysioNet网站在2016年发起的PhysioNet心脏病学挑战赛(CINC)所用公开心音数据库,以测试灵敏度、特异性、修正后的准确率以及F得分,结果分别为93%、89.4%、91.2%、91.3%,通过与其他研究者应用机器学习、卷积神经网络(CNN)等方法的结果比较,在准确率和灵敏度上有明显提高,证明了本文方法能有效地提高心音信号分类的准确性,在部分心血管疾病的临床辅助诊断应用中有很大的潜力。     

基于深度学习的肺结节计算机断层扫描影像检测与分类的研究进展

基于电子计算机断层扫描(CT)影像的计算机辅助诊断可实现对肺结节的检测与分类,提高早期肺癌的生存率,具有重要临床意义。近年来,随着医疗大数据与人工智能技术的飞速发展,基于深度学习算法的肺癌辅助诊断已逐渐成为该领域最为活跃的研究方向之一。为了进一步推动深度学习算法在肺结节检测和分类中的研究,本文结合近年国内外发表的相关文献,对该领域的研究进展进行综述。首先,简要介绍了两大广泛使用的肺CT影像数据库:肺部图像数据库联盟与图像数据库资源计划(LIDC-IDRI)和2017数据科学杯(Data Science Bowl 2017)。然后,对多种不同深度网络架构的肺结节检测与分类研究分别进行详细的介绍。最后,讨论了深度学习在结节检测和分类中面临的一些问题并给出结论,并对发展前景进行了展望,为今后该领域的应用研究提供参考。     

面向帕金森病语音数据挖掘的分包融合集成算法

基于语音数据挖掘实现帕金森病诊断的方法近年来已被证明有效。然而,受数据采集对象患病程度以及采集设备和环境等因素影响,所获取数据集的样本空间中存在不同类别样本混叠现象。混叠区域的样本难以有效识别,严重影响了算法的分类准确度。为了解决这一问题,本文提出了分包融合集成算法,通过设计类心距离比值来衡量样本的混叠程度并将训练集划分成多个子集,再利用错误分类样本传递式训练的方法调整子集划分结果,最后通过优化子分类权重对各个子分类器的测试结果进行加权融合。实验结果表明,本文方法分类准确度在两个公共数据集上都得到明显提高,平均准确度最大提高可达25.44%。该方法不仅有效提高了帕金森病语音数据集分类准确度,还增加了样本利用率,为帕金森病语音诊断提供了一种新思路。     

基于SFS-SVM的乳腺癌预测模型的构建

目的:构建基于序列前向选择算法(SFS)与支持向量机算法(SVM)分类器融合的乳腺癌预测模型,提高计算机辅助诊断技术对乳腺癌细针穿刺细胞病理的准确率。方法:对456组乳腺肿瘤病理数据作为训练集,利用SFS-SVM算法对30个特征进行筛选,得到最优的特征组合,再用112组乳腺肿瘤病理数据作为测试集验证,构建乳腺癌预测模型。该模型的预测精度通过5折交叉验证进行评价。评价指标包括:受试者工作特性曲线(ROC)下面积(AUC)、准确率(ACC)、敏感度和特异度。结果:构建了基于SFS-SVM的乳腺癌预测模型,该模型(AUC为98.39%,ACC为97.35%)相对于单独SVM算法(AUC为97.00%, ACC为92.42%)有一定的提高。结论:基于SFS特征选择的SVM分类器乳腺癌预测模型能较好地对乳腺癌进行辅助诊断。     

基于无创参数辨识急性呼吸窘迫综合征患者疾病严重程度的算法研究

急性呼吸窘迫综合征(ARDS)是一种严重威胁人类生命健康的疾病,具有起病急、病死率高等特点。目前这种疾病的主要诊断和疾病严重程度分级标准依赖于血气分析结果,从而计算患者的氧合指数(PaO_2/FiO_2,P/F),但是血气分析是有创操作,且不能连续监测病情的发展。针对以上问题,我们提出了一种新的ARDS疾病严重程度的辨识算法。基于患者的多种无创生理参数,结合特征选择技术,对多种生理参数进行重要性排序。利用交叉验证技术评估辨识性能,比较不同特征子集下,使用神经网络、逻辑回归、AdaBoost、Bagging四种监督学习算法的分类结果。通过不同特征子集下不同算法的敏感性、特异性、准确率、曲线下面积(AUC)来综合选择最优的特征子集和分类算法。我们利用四种监督学习算法,对ARDS严重程度进行区分(P/F≤300)。根据AUC来评估算法性能,AdaBoost在使用20个特征时,AUC=0.832 1,准确率为74.82%,取得了最优的AUC。根据特征个数来评估算法性能,Bagging在使用2个特征时,AUC=0.819 4,准确率为73.01%。该方法相较于传统方法有较大的优势,能够连续监测ARDS患者的病情发展,为医务人员提供辅助诊断建议。     

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。     

基于中心化自动加权多任务学习的早期轻度认知障碍诊断

轻度认知障碍(MCI)是阿尔茨海默病(AD)的早期阶段,是治疗AD的最佳时期,因此对MCI的诊断非常重要。多模态数据可以全面分析疾病的状况,有利于疾病的准确诊断,但是现有方法并不能同时有效地分析多个模态数据之间的关系,无法有效结合功能态数据和结构态数据之间的优势。提出一种中心化自动加权多任务学习方法用于MCI的诊断。该方法可以同时学习不同模态的数据,有效地结合数据之间的优势。首先,分别对功能态数据rs-fMRI和结构态数据DTI构造脑网络;其次,基于多模态数据设计新的多任务特征学习模型,每个任务的重要性和模态之间的平衡关系会被自动学习,包括不同模态间的相似性和特异性,以获得稳定且有识别力的表达特征;最后,将选取的特征输入支持向量机模型进行分类诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库,包括明显记忆问题(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和正常受试者(NC)。所提出的方法对于NC vs SMC、SMC vs EMCI、SMC vs LMCI和EMCI vs LMCI等4种不同类型数据,诊断结果分别为76.67%、79.07%、80.56%和74.29%,与其他传统算法相比,分类准确率都有明显的提高,有望应用于对早期轻度认知障碍的诊断分析。     

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。     

机器学习在腰椎间盘突出症诊治中的优势和应用策略

背景：基于机器学习的不同算法，如何借助各种算法模型开展腰椎间盘突出症的临床研究已成为目前智能化医学发展的趋势和热点。目的：综述机器学习不同算法模型在腰椎间盘突出症诊治中的特点，归纳相同用途的算法模型各自优势和应用策略。方法：计算机检索PubMed、Web of Science、EMBASE、中国知网、万方数据、维普及中国生物医学数据库中与机器学习在腰椎间盘突出症诊治中的相关应用文献，按入组标准筛选后最终纳入96篇文献进行综述。结果与结论：(1)机器学习的不同算法模型为腰椎间盘突出症的临床诊治提供了智能化、精准化的应用策略。(2)监督学习中的传统统计学方法和决策树在探究危险因素，制定诊断、预后模型方面简单高效；支持向量机适用于高维特征的小数据集，作为非线性分类器可应用于正常或退变椎间盘的识别、分割、分类，制定诊断、预后模型；集成学习可相互弥补单一模型的不足，具有处理高维数据的能力，提高临床预测模型的精度和准确性；人工神经网络提高了模型的学习能力，可应用于椎间盘识别和分类，制作临床预测模型；深度学习在具有以上用途的基础上，还能优化图像，辅助手术操作，是目前腰椎间盘突出症诊治中应用最广泛、性...     

基于一维卷积神经网络的糖尿病周围神经病变预测模型研究

为了实现对糖尿病周围神经病变(DPN)的早期预防,辅助医生进行早期诊断与决策,提出了一种基于一维卷积神经网络的DPN预测模型,对原始数据进行了一系列的预处理工作以提高数据的质量,此外数据集的特征维度较高,为了进一步提高预测模型的准确性,进行了主成分分析(PCA)降维处理,通过自主学习数据的特征信息,从中挖掘其有价值的医学信息与规律,来实现DPN的预测。通过支持向量机、BP神经网络和一维卷积神经网络分别建立了DPN预测模型。实验结果表明,一维卷积神经网络模型预测效果优于其他两个模型,其准确率、召回率、F1值、AUC值分别达到了0.983、0.916、0.923、0.98。     

基于样本增强的帕金森病识别算法研究

帕金森病患者早期存在声带损伤,其声纹特征与健康人存在明显差异,可以利用该差异识别帕金森病,但帕金森病患者声纹数据样本不足,因此本文提出双自注意力深度卷积生成对抗网络模型进行样本增强,生成高分辨率的语谱图,进而采用深度学习方法进行帕金森病识别。该模型通过增加网络深度并结合梯度惩罚、频谱归一化技术改进样本的纹理清晰度,并且构建一个基于迁移学习的纯粹的卷积神经网络家族（ConvNeXt）作为分类网络,以此提取声纹特征并进行分类,提升了帕金森病识别准确率。在帕金森病语音数据集上进行本文算法有效性验证实验,对比样本增强前,本文所提模型生成的样本清晰度以及弗雷谢起始距离（FID）均得到提高,并且本文网络模型能够获得98.8%的准确率。本文研究结果表明,基于双自注意力深度卷积生成对抗网络样本增强的帕金森病识别算法能够准确区分健康人和帕金森病患者,有助于解决帕金森病早期识别声纹数据样本不足的问题。综上,本文方法有效提高小样本帕金森病语音数据集分类准确率,为早期帕金森病语音诊断提供了一种有效的解决思路。     

CT、MRI检查在中枢神经系统神经母细胞瘤中的临床诊断价值

目的:研究X线计算机断层摄影(Computed tomography,CT)和磁共振成像(Magnetic resonance imaging,MRI)检查在中枢神经系统神经母细胞瘤临床诊断中的应用价值。方法:收集本院2018年10月至2020年1月收治的75例高度怀疑中枢神经系统神经母细胞瘤患者的临床资料,并对所有患者行CT与MRI检查,观察患者病变形态、密度、信号及强化方式等特征;最终以手术病理结果为金标准,对比分析MRI、CT检查诊断敏感性、特异性及准确性。结果:术后病理检查结果显示,所有患者中67例为中枢神经系统神经母细胞瘤。CT检查诊断中枢神经系统神经母细胞瘤的敏感性、特异性及准确性分别为86.57%、75.00%、85.33%;MRI检查分别为88.06%、87.50%、88.00%,组间比较无统计学差异(P>0.05)。结论:CT与MRI检查均有效诊断中枢神经系统神经母细胞瘤,具有较高的诊断准确性,临床可根据患者个人情况进行选择。