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。     

基于半监督卷积神经网络进行人机不同步的识别

目的 基于半监督卷积神经网络(semi-supervised convolutional neural network, semi-CNN)构建人机不同步现象(patient-ventilator asynchrony, PVA)识别模型,评价其在压力支持通气(pressure support ventilation,PSV)模式下的诊断效能。方法 分析85例接受PSV通气脑损伤患者的机械通气数据,结合食道压监测数据进行人工标识。使用Transformer时间序列预测模型对已标识的正常或发生PVA的呼吸进行转化,转化后的数据输入semi-CNN模型判断是否发生PVA。在测试集中验证模型的准确性、灵敏度、特异度以及与专家标识结果的一致性。结果 初始训练集包含正常呼吸513次,异常呼吸69次,经过500次迭代后模型收敛。测试集包含正常呼吸48次,异常呼吸24次。在测试集中,Transformer联合semi-CNN模型识别PVA的准确率为0.92(0.83~0.97),灵敏度为0.79(0.58~0.93),特异度为0.98(0.89~1.00),Kappa值为0.80 (0.65~0.95),测试结果与专家人工标识结果具有高度一致性。结论 本研究提供了一种基于semi-CNN算法的PVA识别模型,其识别PVA的准确率和特异度高,识别结果与专家人工标识结果的一致性好,可用于临床实时PVA监测。     

基于膨胀卷积神经网络的中文医疗命名实体识别研究

介绍国内外电子病历命名实体识别研究现状,阐述基于注意力机制和膨胀卷积神经网络的电子病历命名实体识别模型构建方法、结构以及实验环境、具体设计和结果,实验表明该模型具有更好的命名实体识别效果。     

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...     

基于卷积神经网络的采血管铝箔帽状态检测方法

目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别。方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型。结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%。结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案。     

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。     

卷积神经网络识别正常及异常甲状腺超声图像的价值

目的利用卷积神经网络自动识别正常及异常甲状腺超声图。方法使用我院超声医学科2018年1月至2018年10月甲状腺超声图像资料,分为正常甲状腺、甲状腺局限性病变、甲状腺弥漫性病变、甲状腺弥漫合并局限性病变四类进行标注,以Mask R-CNN算法进行训练,在训练过程中加入基于级联网络改进。统计和汇总采用python完成,目标检测及分割采用平均精度及标准交并比评价,分类采用敏感度、特异性、准确度及一致性评价。结果共使用甲状腺图像47206幅,Mask R-CNN及基于级联网络结构的Mask R-CNN算法的平均精确度为79.21%、84.51%,标准交并比为87.78%、89.26%。在基于级联的Mask R-CNN算法中甲状腺超声图像分类效能较高,敏感度、特异度、准确度、一致性检验在正常甲状腺分别为83.98%、93.93%、91.84%、0.76,局限性病变中为85.09%、94.12%、90、36%、0.79,弥漫性病变中为86.00%、97.11%、94.29%、0.84,弥漫合并局限性病变中为82.99%、94.55%、93.16%、0.70。结论基于级联的Mask R-CNN算法对甲状腺超声图像的目标检测及分割能力较高,对于自动识别二维灰阶正常甲状腺、甲状腺局限性疾病、甲状腺弥漫性病变、甲状腺弥漫合并局限性疾病有较好的效果。     

基于多尺度三维卷积神经网络的头颈部危及器官分割方法

目的 研究一种基于三维卷积神经网络的CT图像头颈部危及器官分割算法。方法 本文构建了一个基于V-Net模型的头颈部危及器官自动分割算法。为了增强分割模型的特征表达能力,将SE（Squeeze-and-Excitation）模块与V-Net模型中残差卷 积模块相结合,提高与分割任务相关性更大的特征通道权重;采用多尺度策略,使用粗定位和精分割两个级联模型完成器官分割,其中输入图像在预处理时重采样为不同分辨率,使得模型分别专注于全局位置信息和局部细节特征的提取。结果 我们在头颈部22个危及器官的分割实验表明,相比于已有方法,本文提出的方法分割平均精度提升了9%,同时平均测试时间从33.82 s降低至2.79 s。结论 基于多尺度策略的三维卷积神经网络达到了更好的分割精度,且耗时极短,有望在临床应用中提高医生的工作效率。     

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。     

基于心拍的端到端心律失常分类

目的提出一种端到端的心律失常分类方法，以提高计算机对室上性异位心搏（SVEB）和室性异位心搏（VEB）的分类性 能。方法首先对心电信号进行心拍分割、校正等预处理；然后通过卷积神经网络构建心律失常分类网络，最后结合新的损失函 数训练分类器模型。结果利用MIT-BIH心律失常数据集验证本文分类方法的性能，其中在SVEB和VEB上的AUC分别达到 了0.77和0.98。在引入前5 min片段作为局部数据的情况下，SVEB和VEB的灵敏度分别达到了78.28%和98.88%；而在引入0、 50、100、150个样本作为局部数据时，SVEB和VEB的灵敏度最高分别达到82.25%和93.23%。结论本文提出的方法与现有的 方法相比，有效改善了样本类别不平衡带来的消极影响，SVEB和VEB灵敏度均有一定程度的提升，为心律失常的自动分类提 供了新的技术方案。     

基于遗传算法和BP神经网络的CTG识别研究

目的:针对正常类、非典型类和异常类3类胎心宫缩监护图(Cardiotocography,CTG),利用BP神经网络建立分类识别模型。方法:根据遗传算法(Genetic algorithm,GA)具有全局寻优的特点,引入遗传算法对神经网络权值和阈值进行优化,形成一种训练神经网络的混合算法(GA-BP算法),以克服BP算法易陷入局部最优解的缺陷,并以UCI数据库中的CTG数据集为例进行测试。结论:仿真结果表明,对于正常类、非典型类和异常类3类样本,BP算法的分类准确率分别为97.32%、71.97%和95.45%,而GA-BP算法的分类准确率分别提高到98.24%、82.67%和95.65%。可见GA-BP分类模型具有较强的学习能力和泛化能力,分类准确度更令人满意,所提出的方法是可行的。     

基于3D深度卷积神经网络依据MRI生成伪CT的研究

目的:研究一种依据MRI生成伪CT的方法，从而减少放疗过程中额外CT的使用，降低患者辐射剂量，提高放疗精准度。方法:提出一种基于3D深度卷积神经网络（DCNN）的预测算法，利用单张图像的解剖特征以及相邻图像层之间的关联信息，从而提高了图像特征提取的准确性。采用U-net网络结构，通过编码部分的卷积层、池化层和解码部分的上采样、卷积层，对MRI和对应的CT进行端到端转换的学习。采集13例患者图像数据，应用留一交叉验证的方法，分别对3D DCNN和2D DCNN的伪CT结果与原始CT进行对照比较。结果:提出的3D DCNN算法的平均绝对误差（MAE）为86 HU，远小于2D DCNN的136 HU。结论:3D DCNN算法能更准确的生成伪CT，明显改善了骨骼、空气与软组织之间的误转化。     

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。     

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。     

Performance characteristics of an artificial intelligence based on convolutional neural network for screening conventional Papanicolaou-stained cervical smears

BackgroundThe conventional Papanicolaou-stained cervical smear is the most common screening test for cervical cancer. The sensitivity of the test in detecting abnormal cells is 67–75% in various studies. Owing to the volume of smears at cancer screening centres, significant man-hours are expended in the test. We have developed a software program for identification of foci of abnormal cells from conventional smears. We have chosen the convolutional neural network (CNN) model for its efficacy in image classification.MethodsA total of 1838 microphotographs from cervical smears, containing 1301 ‘normal’ foci and 537 ‘abnormal’ foci were included in the study. The data set was split into training, testing and validation sets. A CNN was developed in the Python programming language. The CNN was trained with the training and testing set. At the end of training, 94.64% accuracy was achieved in the testing set. The CNN was then run on the validation set (441 images).ResultsThe CNN showed 94.28% sensitivity, 96.01% specificity, 91.66% positive predictive value and 97.30% negative predictive value. The CNN could recognise normal squamous cells, overlapping cells, neutrophils and debris and classify the focus appropriately. False positives were reported when the CNN failed to recognise overlapping cells (2.7% microphotographs). It could correctly label cell clusters with high nuclear cytoplasmic ratio and hyperchromasia. In 1.8% of microphotographs, a false negative was reported.ConclusionThe CNN showed 95.46% diagnostic accuracy, suggesting potential use in screening.     

基于句子级Lattice-长短记忆神经网络的中文电子病历命名实体识别

目的 提出一种基于Re-entity新分词方法的条件随机场（CRF）模型,并与双向长短记忆神经网络（BiLSTM）-CRF和Lattice-长短记忆神经网络（LSTM）进行比较。方法 比较了现有实体识别方法和模型后,针对2018年全国知识图谱与语义计算大会（CCKS2018）任务一“电子病历命名实体识别”,提出基于Re-entity的CRF、BiLSTM-CRF、Lattice-LSTM方法,并在不同语料库训练不同参数级别的字符向量集。分别将各方法引入神经网络模型中进行模型性能对比实验,最后分别基于句子级和篇级输入句长进行对比研究。结果 CRF模型在最优特征工程的结果下引入Re-entity方法后性能得到提高,句子级的Lattice-LSTM模型在该任务上取得了89.75%的严格F1-measure,优于CCKS2018任务一的最高结果（89.25%）。结论 基于Re-entity新分词方法的CRF模型可利用中文临床药物知识库有效提高电子病历中药物的识别率,Re-entity方法可改善数据预处理阶段分词导致的错误累加,Lattice结构可以更好地结合字符和词序列的潜在语义信息,同时句子级输入能有效提高神经网络模型的识别准确率。     

可穿戴式心电信号R峰检测的心拍感知卷积网络

目的 实现可穿戴式心电信号的R峰检测,为准确估计心率、心率变异性等生理参数提供基础。方法 采用全卷积网络预测R峰热图,对热图进行峰值定位获得R峰位置。引入心拍感知模块,联合心拍数量预测任务和R峰热图预测任务进行学习,提高卷积网络对全局上下文信息的提取能力。心拍感知模块预测的心拍数量还可估计R-R间期,用作峰值定位的峰间最小水平距离。为满足移动端的实时应用,采用深度可分离卷积减小模型的参数量和计算量。结果 实验仅使用可穿戴式心电数据训练模型。测试中定位误差容忍度设置为150 ms时,本文方法在可穿戴式心电数据集和公开数据集LUDB上的R峰检测灵敏度均高达100%,真阳率均超过99.9%;对于时长10 s的ECG信号,R峰检测CPU耗时约为23.2 ms。结论 本文方法对可穿戴式和常规心电信号的R峰检测均可达到良好效果,且满足R峰检测的实时性需求。     

基于人工神经网络的胎儿窘迫预测研究

目的 探讨人工神经网络在预测胎儿宫内窘迫中的应用价值。方法 选取2013年6月至2015年6月南京市浦口医院因分娩前诊断为胎儿窘迫而行产科干预分娩,新生儿Apgar评分<8分的产妇198例,将全部样本按奇偶数分为两组（训练组99例,验证组99例）。选择11个输入参数,羊水性状：清、Ⅰ度、Ⅱ度、Ⅲ度,胎心监护：正常、基线变异减弱或消失、基线>160次/min、基线<110次/min、早期减速、变异减速、晚期减速。将训练组用数值法构建网络,然后以验证组来测试诊断符合率。另取同期因分娩前诊断胎儿窘迫而行产科干预,分娩后未发现胎儿宫内窘迫依据的产妇220例为临床假阳性组,输入参数测试假阳性率。结果 验证组诊断符合率87.88%,假阴性率12.12%;假阳性组假阳性率20.53%,诊断符合率79.47%。结论 采用人工神经网络预测胎儿窘迫有很好的研究价值和应用前景,增加临床检测指标及样本量的输入可能会进一步提高网络精度。     

定量磁化率成像中磁化率重建伪影的清除：基于多通道输入的卷积神经网络方法

目的 基于深度学习方法消除定量磁化率成像（QSM）过程中出现的各类磁化率相关伪影。方法 为消除磁化率差异较大的分界面上出现的伪影,本文提出了一种基于多通道输入的卷积神经网络方法（MAR-CNN）,用于单方向偶极子反卷积QSM重建。该方法根据磁化率的阈值与静脉掩膜将原始组织场分成两个分量,与原始组织场拼接作为MAR-CNN的三通道输入。实验将MAR-CNN与三种基于模型的方法,阈值截断k空间除法（TKD）,形态学的偶极子反卷积方法（MEDI）和改进的稀疏线性方程最小二乘法（iLSQR）和一种深度学习方法（QSMnet）进行比较,并使用高频误差范数、峰值信噪比、归一化均方根误差和结构相似性指数进行定量评估。结果 在健康志愿者中,与TKD、MEDI、iLSQR和QSMnet相比,MAR-CNN重建图像的峰值信噪比最高（43.12±1.19）、归一化均方根误差最小（51.98±3.65）。与QSMnet相比,MAR-CNN在所有四个量化指标上都是更优的,且具有显著性差异（P<0.05）。对于仿真的出血患者,MAR-CNN在高磁化率的出血病灶周围产生的阴影伪影更少。结论 本文提出的多通道输入卷积神经网络QSM重建方法可提高定量磁化率重建的准确度并有效消除QSM伪影。