基于残差注意力卷积神经网络的糖尿病无创检测研究

目的：降低糖尿病大范围筛查的医疗成本,减轻血糖检测对患者心身的伤害,同时为高风险糖尿病人群提供一种无创、准确、高效、经济的糖尿病检测方法。方法：采用残差注意力卷积神经网络对糖尿病受试者面部图像进行有监督的机器学习,预测受试者未来糖尿病的发病风险;为评估该方法的应用效果,本实验招募了384例糖尿病受试者和137例血糖正常的健康志愿者,比较残差注意力网络与其他卷积神经网络的糖尿病无创检测性能。结果：采用56层残差注意力网络构建的糖尿病无创检测模型在实验中表现出的预测能力最强,准确率高达94.28%,特异性为92.94%,F1值达95.88%。结论：该预测模型检测方法耗时短、成本低且支持大范围筛查及远程诊疗,具有较强的糖尿病检测能力。     

基于卷积神经网络的肺结节良恶性分类

目的研究基于卷积神经网络的肺结节良恶性分类方法。方法首先对肺部图像数据库联盟(LIDC)中的肺癌CT图像进行分割获得肺结节图像;然后利用卷积神经网络进行特征提取;最后利用Logistic分类器进行模型构建与测试。结果该文所提出方法取得了84.4%的分类结果。结论利用卷积神经网络可以自动提取肺结节特征,辅助医生的临床诊断。     

基于卷积神经网络的小细胞型肺癌辅助检测方法

肺癌是世界上患病率并且死亡率最高的疾病之一,而小细胞型肺癌由于密度差最大以及涉及较多的图像因素,是脏器中最容易诊断的癌症。创新性地提出一种新的辅助检测方法,即采取卷积神经网络算法辅助检测小细胞型肺癌,该算法己经在人脸识别、车辆识别和文字判别等领域取得了丰硕的成果。卷积神经网络很好地结合了之前检测算法的优点,又能兼顾准确性,更好地减少误诊率,提高学习效率。此外当有新的学习样本加入,在保持原有学习结果的基础上,只调整神经元的权值就能明显提高诊断率。     

基于卷积神经网络的智能医疗护理研究

为了提高智能医疗护理水平,减少护理工作量,节约医院成本。提出一种基于卷积神经网络的病人体态行为特征提取算法,该算法采用双网络模型设计,包括病人检测网络模型和病人体态行为特征提取模型,应用该算法到病人体态行为检测系统中,从而实现对病人的识别监控,提高智能医疗护理水平。最后,通过开源框架平台,对病人行为检测系统进行测试,实验结果表明,测试数据集合越大,病人体态行为特征提取精度越高,对病人体态行为类别的平均识别率97.6%,从而验证了系统的有效性和正确性。     

基于卷积神经网络的白光内镜下早期胃癌检测

目的 开发一种基于区域卷积神经网络(Mask R-CNN)的内镜下自动检测早期胃癌(EGC)系统。方法 首先从安徽医科大学第一附属医院获得3 579张和892张EGC白光图像(WLI),分别进行训练和测试。随后前瞻获取10个WLI实时视频以测试动态性能。另外再随机选取400张WLI图像,用于Mask R-CNN系统和内镜医师对照。诊断能力以准确率、敏感度、特异度、阳性预测值(PPV)和阴性预测值(NPV)进行评估。结果 在WLI图像诊断中,Mask R-CNN系统准确率、敏感度和特异度分别为90.25%、91.06%和89.01%,与病理诊断差异无统计学意义。在WLI视频中,诊断EGC的准确率为90.27%,实时测速可达35帧/s。在对照实验中,Mask R-CNN系统的敏感度明显高于高年资组医师(93.00%vs 80.20%,χ²=7.059,P<0.001),特异度高于低年资组医师(82.67%vs 71.87%,χ²=9.955,P<0.001),总体准确率高于中年资组医师(85.25%vs 78.00%,χ^2<...     

基于卷积神经网络的手势识别算法

手势识别是人机交互、智能假肢、医疗康复等领域的研究热点。为了满足手势识别实时性和准确性的需求,本文以成本较小的加速度信号作为数据,在对LeNet-5卷积神经网络进行分析的基础上,提出了一种适合加速度信号的LeNet-A网络。该网络针对基于加速度的手势分类特有的复杂性,增加Dropout层,改变卷积核大小、卷积核数量、激活函数以及分类器。在Ninapro数据集上的实验结果表明,该网络在正常受试者和截肢者的识别率上均表现出很大的优势,平均精度分别为90.37%和79.99%,比目前最佳分类器提升了12%和31%左右。该网络还具有较好的实时性和抗噪性。     

基于卷积神经网络的人参与西洋参饮片鉴别方法研究

目的建立用于中药材饮片真伪鉴别的卷积深度神经网络识别系统。方法构建包含人参与西洋参饮片真伪品的数据集,并通过正交试验对卷积神经网络的学习率、动量系数、批尺寸、权值衰减系数进行优化,确定卷积神经网络区分人参、西洋参饮片的最佳条件。结果建立基于卷积神经网络的人参与西洋参饮片的鉴别的方法,识别准确率达0.909。结论本研究采用卷积神经网络图像识别技术建立了人参与西洋参饮片的真伪鉴别方法,适用于人参与西洋参饮片的快速区分。     

基于卷积神经网络的人工智能技术在早期胃癌识别中的应用

目的 构建及验证一个用于早期胃癌识别的卷积神经网络模型,旨在提高早期胃癌的检出率.方法 从陆军军医大学西南医院内镜中心数据库收集2016年1月至2020年8月的电子胃镜图片和胃镜检查视频.选取928例患者共5496张包含早期胃癌、良性病变和正常的图片.随机分为训练集(662例患者共4167张包含早期胃癌、良性病变和正常...     

基于双线性卷积神经网络模型的阿尔茨海默病自动诊断

目的 探讨基于双线性卷积神经网络(BRNV)模型的阿尔茨海默病(AD)自动诊断.方法 选取AD神经成像倡议(ADNI)数据库中的AD(n=93)、轻度认知功能障碍(MCI,n=76)及正常认知(NC,n=100)受试者的核磁共振图像(MRI)作为数据集,预处理后按照8:2的比例分为训练集和验证集,同时另取ADNI中不同...     

基于时空图卷积神经网络的蛋白质复合物识别方法

目的 探讨利用时空图卷积神经网络在动态蛋白质网络中挖掘复合物的新方法。方法 文中首先定义了边强度、节点强度和边存在概率等指标对动态蛋白质网络进行建模,然后结合图上的时间序列信息和结构信息,基于希尔伯特-黄变换、注意力机制和残差连接等技术设计了2种卷积算子来对网络中蛋白质的特征进行表示学习,构建得到动态蛋白质网络特征图。最后采用谱聚类来识别复合物。结果 在多个公开生物数据集上的仿真实验结果表明,所提算法在DIP数据集和MIPS数据集上的F值都达到了90%以上,相比于DPCMNE、GE-CFI、VGAE和NOCD等4种识别算法而言,识别效率分别平均提高了约34.5%、28.7%、25.4%和17.6%。结论 运用深度学习技术来处理动态蛋白质网络的性能表现良好,具有普适意义。     

基于伪阻抗学习的神经网络状态估计方法

针对反向传播算法收敛速度慢，且常收敛于局部极小值的缺陷，讨论了伪阻抗学习算法；并利用神经网络的学习能力和非线性特性，讨论了非线性动态系统的状态估计方法。     

基于注意力机制的卷积时序神经网络检测阵发性房颤模型

目的 为从动态心电图中准确、有效、快速地检测阵发性房颤（Paroxysmal Atrial Fibrillation,PAF）,降低患者的发病率和死亡率,设计一种基于注意力机制的卷积时序神经网络检测阵发性房颤的混合模型。方法 该算法首先通过卷积神经网络提取心电信号特征,然后由注意力机制帮助网络聚焦于重点信息部分,最后输入双向门控循环单元用于上下文信息的联系,从而准确检测PAF。结果 该模型使用Physionet 2021数据库作为预训练,在CPSC2021数据库上进行迁移学习,其灵敏度、特异性、准确度分别为96.86%、98.56%、98.54%。结论 相较于其他算法,该算法能够有效检测PAF,具有潜在的临床应用价值。     

基于卷积神经网络的溃疡性结肠炎证候预测模型研究

目的：基于卷积神经网络建立溃疡性结肠炎证候预测模型,为研究该病种中医临床诊治提供依据。方法：收集北京中医药大学东方医院临床诊断为“溃疡性结肠炎”的9 186例患者的电子病历,利用卷积神经网络和循环神经网络分别构建基于刻下症的证候分类模型,然后利用该模型对测试集进行6种证型诊断分类预测,同时验证其准确性。结果：卷积神经网络的证型预测准确率为88%、召回率为88%,F1值为0.88,循环神经网络的准确率和召回率均为86%,F1值为0.86。结论：卷积神经网络在进行分类预测方面的表现要略优于循环神经网络,而且从时间成本来看具有更好的实用性。该模型不仅为中医临床治疗溃疡性结肠炎辨证规律的研究提供了有益的参考,也是中医治疗溃疡性结肠炎辅助决策系统构建的关键环节。     

检查一次性定量采血管准确性的方法

目前各医疗单位门诊一般都采用一次性定量采血管进行血常规检验，定量采血管的吸量准确与否直接影响检验结果的准确性，因此在采血管的批号改变或者更换生产厂家的采血管时，必须抽样检查其定量的准确性。曲玉伟等采用沙利管比较法进行验证，我们则直接采用KX-21N自动血球计数仪分析全血和预稀释血的功能，对全血和预稀释血分别测出的血红蛋白（Hb）含量进行比较，达到验证一次性定量采血管吸量准确性的目的。结果较满意，且操作简便，值得介绍。     

基于深度学习的时间飞跃法磁共振血管成像对脑动脉瘤自动检测方法研究

目的探讨时间飞跃法磁共振血管成像(time-of-flight magnetic resonance angiography, TOF-MRA)结合人工智能技术对脑动脉瘤进行全自动检测的诊断性能。方法选择2016年3月—2017年11月在复旦大学附属华山医院行常规体格检查(简称体检)或就诊的130例非破裂颅内囊状动脉瘤患者的TOF-MRA影像,分为训练集(75例)、内部测试集(20例)、外部测试集(35例)。采用基于三维Unet(3D-Unet)的计算机辅助检测方法,在对TOF-MRA影像进行预处理后,进行全自动颅内血管分割,获得感兴趣区域,并在分割结果的基础上,引入医师的标注。对3D-Unet网络模型进行训练调参,利用得到的模型进行脑动脉瘤区域的自动检测。结果对训练集与内部测试集采用五折交叉验证,得到(94.4±1.1)%的灵敏度,对外部测试集进行动脉瘤自动检测,在平均假阳性率为0.86 FPs/case(false positives/case)的情况下得到的灵敏度为82.9%。将外部测试集数据进行分类比较显示,该方法的检测尺寸为5.00～<10.00 mm和≥10.00 m...     

基于增强图卷积神经网络的病毒形态识别方法研究

背景 透射电子显微镜（TEM）是检测病毒的重要手段,传统TEM检测常依靠专家手工观察,操作步骤繁琐,且已有机器学习方法易受到背景、噪声的影响,导致病毒检测方法准确率差、效率低且耗时长。 目的 探讨增强图卷积神经网络（EGCN）对TEM图像中的病毒形态自动识别问题,以提高TEM病毒检测的效率。 方法 EGCN模型利用卷积神经网络（CNN）提取像素间的局部特征信息,并结合样本特征之间的最近邻关系利用图卷积网络（GCN）进行图特征学习。在模型优化中联合优化群体超分类损失和分类交叉熵损失以提高EGCN模型对病毒类别信息特征的提取能力,较CNN对TEM病毒图像特征具备更强的特征提取能力。 结果 通过不同方法在15类TEM病毒图像数据集上开展实验,EGCN达到3.40%的top-1错误率、1.88%的top-2错误率、96.65%的精确度和96.60%的召回率,并通过一系列对比实验表明EGCN模型可以有效避免TEM图像中背景、噪声等的影响,提高对病毒识别的准确率。 结论 EGCN可以有效解决病毒形态识别任务,为病毒的诊断提供重要的参考价值。     

基于卷积神经网络的胃癌病理诊断的应用及进展

由于胃癌早期隐匿性强,我国目前胃癌的早期诊断率仍较低,且主要依赖于病理专家人工诊断.近年来,随着人工智能和数字病理学的快速发展,以卷积神经网络为核心技术的人工智能辅助病理诊断技术不仅有望提高胃癌的诊断效率,对于提高我国胃癌的早诊早治水平,改善其高发病率、高死亡率现状,也具有重要意义.本述评旨在针对基于深度学习卷积神经网...     

基于卷积神经网络和超像素的CT图像肝脏分割

肝癌是威胁人类健康的重大疾病之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个重要环节。由于肝脏的个体差异,周围器官的灰度值相似等因素,从CT图像中精准分割肝脏存在一定困难。提出一种结合卷积神经网络和超像素的CT图像肝脏自动分割方法。首先利用卷积神经网络进行目标检测,自动定位肝脏区域,再利用超像素算法对肝脏进行分割,最后进行腐蚀、膨胀、中值滤波等后处理。本文采用3DIRCADb公开数据集对提出的肝脏自动分割算法进行评估和验证,结果表明肝脏自动分割的DICE指标为0.951,VOE指标为0.0917,RVD指标为-0.018,显示出较好的分割精度。     

卷积神经网络的发展及其在肿瘤影像学中的应用

肿瘤病死率高,影像学检查对肿瘤的早期诊断、治疗意义重大.随着人工智能深度学习技术的发展,卷积神经网络算法能够自动提取图像特征,快速寻找医学影像图片中的细微病变.计算机辅助检测系统可以帮助医生在肿瘤的早期阶段提高诊断准确率.