多标记学习在中医舌象分类中的研究

目的中医舌诊中,一幅舌象对应舌色、苔色和苔厚等多个类别,而且舌象的多个类别间存在一定的相关性。传统的数据挖掘技术无法利用这些相关性同时进行建模,本文拟探索用多标记学习方法解决舌象这种多标记数据的分类问题。方法首先对舌象进行苔质分离,分别提取舌质和舌苔的颜色特征,再对舌苔图像分块,提取每一块的纹理特征,随后通过多标记学习算法(multi-label learning by exploiting label dependency,LEAD)进行分类。最后将LEAD的分类结果和ML-k NN的结果进行对比,评价指标为汉明损失(Hamming loss)、平均精度(average precision)和(-评估)(-evaluation)。结果相对于SVM等传统的单标记学习算法,LEAD可以将多个类别同时赋予一幅舌图像,而且在三个指标上的分类效果均优于ML-k NN。结论多标记LEAD算法用于舌象分类能够使得对舌象的描述更全面、准确,可以辅助中医进行舌诊。     

基于度量学习的多分支舌象识别网络

为提升舌象识别效率与精准度,通过度量学习研究辅助医生识别舌象表征的方法。首先,收集舌诊图像111例,数据按照7:3的比例随机分为训练集和测试集。然后,设计一种基于度量学习的多分支舌象识别网络。深度学习网络被分为两个部分,前半部分为共享权重层,采用基于度量学习的舌象特征编码损失函数,以获得精准的特征;后半部分针对中医舌象的分类分为4个舌象识别辅助分支,降低舌象识别难度,提升准确率。此外,构建多标签残差映射,增加类间距,减小类内距,提升最终识别的准确度。本文方法在舌象数据集的测试集上进行测试时获得84.8%的识别精度,表明多分支网络架构可以很好地降低舌象识别难度,特别是特征类别较多的舌形和苔质。同时,舌象特征编码损失函数可以有效地提取舌象特征;舌象多标签残差映射可以减少各类别之间的干扰,从而提升识别准确度。     

基于高光谱图像的中医舌苔和舌质分类研究

目的 舌苔和舌质分类对于后续的舌象客观化诊断具有重要的作用,高光谱图像包含大量的数据信息,能够有助于分类效果提升。但是高光谱图像信息量巨大,且传统的方法提取特征不够充分,如何有效提取数据信息并促进舌诊客观化仍是个值得深究的问题。因此,本文提出面向高光谱舌图像的深度学习算法,利用深层网络来提取高光谱图像的数据信息,从而提升舌苔和舌质的分类效果。方法 使用高光谱相机对图像进行采集,对采集的图像构造谱图进行预处理从而简化输入数据的冗余性;为了提取高光谱舌图像的数据信息,在算法上设计了一种可以获取底层特征的残差网络结构,加入了跳跃连接并在每个卷积层前加入批量归一化(batch normallization, BN)和带参数的ReLU(parametric rectified linear unit, PReLU)激活函数来提前激活网络,因此可以提取深层的光谱空间特征以提升分类精度。结果 在高光谱舌图像数据集上的实验表明,本文算法分类精度达到93.9%,优于传统的基于RGB图像分类方法和CNN(convolutional neural network)与VGG(visual geometry g...     

一种2型糖尿病中医证型的舌图像识别方法

舌诊是2型糖尿病辨证方法之一,为降低因外界光线、医生经验等因素造成的临床2型糖尿病舌象诊断误差,提出一种2型糖尿病中医证型的舌图像识别方法。首先,通过色差校正,获得校正后舌象图像;其次,基于不同颜色空间特性,运用快速K均值聚类方法分离图像背景区域与舌体区域,再对舌体区域图像运用Ohta色度阈值法分离出舌质区域和舌苔区域;然后,根据2型糖尿病3种证型的舌象特征,提取舌体、舌苔及舌质区域的颜色、裂纹和胖大特征值;最后,使用随机森林作为分类器训练识别数据,并与支持向量机的方案进行对比。通过对218例数据训练识别,得出随机森林方法平均识别准确率为90.37%,比支持向量机方法提高了10.74%。结果表明,在2型糖尿病中医证型分类识别方面,随机森林方法更准确,且提出的舌图像识别方法可以实现2型糖尿病的中医证型识别。     

基于支持向量机的中医舌图像质量评价研究

目的在中医舌诊客观化研究实践中,现有舌象仪所采集的大量舌图像不符合临床诊察要求,这将直接影响到舌象分析的最终结果。本文主要是对舌图像质量评价进行研究,为临床上图像的准确挑选提供帮助。方法首先分析中医诊断学中望舌的标准,提取基于自然场景统计的特征、纹理、颜色和几何特征,然后通过支持向量机(support vector machines,SVM)进行分类,并通过分类准确率验证此方法能否为临床上图像的准确挑选提供帮助。结果提取的舌象特征可以较好地完成对舌图像质量的评价,并且能准确挑选出临床上能使用的舌图像。结论中医舌图像的质量评价具有可行性,这一方法将有望应用在新一代的舌象采集装置中,为中医舌图像辅助分析提供高质量的参考数据。     

基于中医舌象特征的痤疮证型分类的初步研究

目的舌诊是中医诊断痤疮的有效途径,目前中医通过观察舌象来确定痤疮患者的证候类型。由于痤疮患者众多,完全基于人工诊断的效率较低。本文提出一种基于图像处理的痤疮证型识别方法来辅助中医诊断。方法首先,分别提取舌象的颜色、纹理和齿痕特征,然后使用贝叶斯网络建模,找出特征与特征,特征与证型之间的关系,其中将齿痕提取算法进行改进,将计算凸包面积改进为找到每个凸包的关键点,最后使用该算法对舌象进行齿痕数量提取,并与中医诊断结果相比较。结果对比医生诊断结果,基于图像处理的痤疮证型自动分类,分3类的正确率达83.87%,并直观地表示出特征与特征,特征与证型之间的关系。结论使用图像处理的方法进行痤疮证型的识别具有可行性,对计算机辅助痤疮诊断的发展有一定帮助。     

基于时频混合域局部统计的帕金森病语音障碍分析方法研究

针对帕金森病语音检测问题,本文提出了一种基于时频混合域局部统计的帕金森病语音障碍分析方法。该方法首先将语音信号从时域转化为时频混合域,即进行时频化表示。在时频化表示方法中将语音信号进行分帧处理,再将每帧的语音进行傅里叶变换,通过计算得到能量谱,并将能量谱通过映射关系映射到图像空间进行可视化;其次统计信号每个能量数据在时间轴上和频率轴上的差分值,根据差分值计算该能量的梯度统计特征,用梯度统计特征来表示其不同时域与频域的能量值的突变情况;最后利用KNN分类器对提取的梯度统计特征进行分类。本文在不同的帕金森病语音数据集上进行实验,发现本文所提取的梯度统计特征在分类时有更强的聚类性。与基于传统特征与深度学习特征的分类结果相比,本文所提取的梯度统计特征在分类准确率、特异性和灵敏性上均优于前二者。实验证明了本文所提出的梯度统计特征在帕金森病语音分类诊断中的可行性。     

基于特征聚类的舌下络脉自动提取方法

舌下络脉诊是中医舌诊中十分重要的一种手段，本研究提出了一种基于特征聚类分析的舌下络脉自动提取方法，该算法在L＊a＊b＊色彩空间下，利用K-均值聚类算法对舌下区域按颜色进行聚类，根据聚类中心的位置，确定舌下络脉所在的聚类，并计算出舌下络脉的特征参数，对每一例舌下数据给出6个参数，表征络脉的长度，宽度以及颜色。应用此算法对北京东直门医院886例肝病病人的舌下图像数据进行分析，经中医医生判断，成功提取舌下络脉839例，成功率达96．88％。     

基于Mask Scoring R-CNN的齿痕舌象识别

目的:提出一种基于Mask Scoring R-CNN和迁移学习的舌象特征识别方法。方法:首先使用CNN提取特征,使用ResNet-101和特征金字塔网络（FPN）的主干网络,可以从低层次和高层次的网络中提取特征,根据不同比例绘制金字塔特征的级别。接着使用区域生成网络将从主干网络中提取的特征生成候选感兴趣区域（ROI）。最后为每个ROI检测并分割齿痕。结果:在232例样本的测试集上进行测试,F1分数为0.95,准确率为0.93,精确率为0.99,召回率为0.914。结论:该方法能够在小样本舌象数据集上有效识别齿痕特征、准确定位齿痕位置、标定齿痕大小、提取齿痕个数,该方法具有良好的有效性、通用性、泛化性,能够为后续齿痕严重程度分析提供依据。同时为疾病预防、移动医疗保健或从生物信息学角度跟踪疾病进展提供客观、方便的计算机辅助舌诊方法。     

基于计算机视觉的点刺标注与检测

目的：智能化地识别点刺在舌体不同区域的分布情况。方法：首先利用LoG算子对舌体图像进行卷积运算，对舌体上的斑点进行初步检测；随后利用人工交互的方式微调点刺标注，并训练卷积神经网络模型Fast-RCNN。结果：将同一舌象仪采集的240张图像作为训练集，60张图像作为测试集，达到了90.78%的召回率，优于已有的方法。结论：本文提出的数据预标注与人工微调方法将细粒度的点刺标注变为了可能。在精确到点刺个体的数据集基础之上，本文引入卷积神经网络进行亚像素级的点刺分布检测，其结果可为中医临床诊断提供客观化、定量化、自动化的参考依据。     

Computer-aided diagnosis of breast cancer based on fine needle biopsy microscopic images

Prompt and widely available diagnostics of breast cancer is crucial for the prognosis of patients. One of the diagnostic methods is the analysis of cytological material from the breast. This examination requires extensive knowledge and experience of the cytologist. Computer-aided diagnosis can speed up the diagnostic process and allow for large-scale screening. One of the largest challenges in the automatic analysis of cytological images is the segmentation of nuclei. In this study, four different clustering algorithms are tested and compared in the task of fast nuclei segmentation. K-means, fuzzy C-means, competitive learning neural networks and Gaussian mixture models were incorporated for clustering in the color space along with adaptive thresholding in grayscale. These methods were applied in a medical decision support system for breast cancer diagnosis, where the cases were classified as either benign or malignant. In the segmented nuclei, 42 morphological, topological and texture features were extracted. Then, these features were used in a classification procedure with three different classifiers. The system was tested for classification accuracy by means of microscopic images of fine needle breast biopsies. In cooperation with the Regional Hospital in Zielona Góra, 500 real case medical images from 50 patients were collected. The acquired classification accuracy was approximately 96–100%, which is very promising and shows that the presented method ensures accurate and objective data acquisition that could be used to facilitate breast cancer diagnosis.     

基于AdaBoost级联框架的舌色分类

目的基于图像处理的舌质颜色分析是中医舌诊现代化的重要内容,提高舌色的正确识别率是其中的关键问题。本文使用集成学习的分类方法来探讨舌色分类,以达到客观、准确地识别中医(traditional Chinese medicine,TCM)舌色。方法首先通过AdaBoost算法对舌图像进行初步分类,再将该算法与级联框架进行结合;然后通过"一对其余"的方法将AdaBoost从二分类扩展到多类来完成舌质颜色的分析;最后通过实验进行验证,并与其他方法所得出的结果进行对比。结果针对各类舌质颜色分类问题,使用随机森林与传统的AdaBoost分类器进行分类的正确率分别在78.0%~90.2%与89.4%~95.5%之间,而基于AdaBoost级联框架的分类器的各类舌质分类正确率在93.0%~98.7%之间。结论基于AdaBoost级联框架的舌质颜色分类方法与其他经典方法相比,具有较高的正确分类率,为基于图像处理的中医舌诊辅助诊断奠定了一定的基础。     

正则化多任务学习在精神分裂症核磁共振成像图像分类中的应用

为实现对精神疾病的计算机辅助诊断与预后,利用机器学习与图像处理技术分析多地区精神疾病的核磁共振成像数据,已成为该领域的必然趋势。本文首先提出切片提取的核磁共振成像图像预处理方法,然后提取图像的纹理特征,最后提出一种lp范数正则化的多任务学习支持向量机精神分裂症分类方法,同时学习3个数据中心精神分裂症图像的共享特征和各自独有的特征,用于分类精神分裂症患者和正常人。实验结果表明,该方法取得了优秀的诊断精度,可为精神分裂症患者的临床诊断与治疗提供生物学依据。     

一种对混养细胞基于形态的细胞分选方法

目的通过对采集的细胞图像的定量识别,并结合基于机器学习的聚类分析,实现对混合培养的多种细胞基于形态的快速识别分选。方法对体外混合培养的A549和3T3两种细胞进行免疫荧光染色以表征其形态轮廓,利用CellProfiler对采集的荧光图片进行细胞形态特征的提取,再通过CellProfiler Analyst对提取的数据进行机器学习,训练出一种规则,形成一种泛化能力,以达到对混合培养的两种细胞进行识别分选的目的。结果训练分类器准确率为81.24%,可以实现A549和3T3细胞的二分类。结论机器学习有助于提升数据聚类分析的准确率,将其应用于细胞图像的识别,可为临床对组织切片进行快速病理检测提供预判断,从而减轻医生的工作量,提高诊断的准确率。     

基于深度残差网络的皮肤镜图像黑色素瘤的识别

恶性黑色素瘤是最常见和最致命的皮肤癌之一。临床上,皮肤镜检查是恶性黑色素瘤早期诊断的常规手段。但是人工检查费力、费时,并且高度依赖于皮肤科医生的临床经验。因此,研究出自动识别皮肤镜图像中的黑色素瘤算法显得尤为重要。提出一种皮肤镜图像自动评估的新框架,利用深度学习方法,使其在有限的训练数据下产生更具区分性的特征。具体来说,首先在大规模自然图像数据集上预训练一个深度为152层的残差神经网络(Res-152),用来提取皮肤病变图像的深度卷积层特征,并对其使用均值池化得到特征向量,然后利用支持向量机(SVM)对提取的黑色素瘤特征进行分类。在公开的皮肤病变图像ISBI 2016挑战数据集中,用所提出的方法对248幅黑色素瘤图像和1 031幅非黑色素瘤图像进行评估,达到86.28%的准确率及84.18%的AUC值。同时,为论证神经网络深度对分类结果的影响,比较不同深度的模型框架。与现有使用传统手工特征的研究(如基于密集采样SIFT描述符的词袋模型)相比,或仅从深层神经网络的全连接层提取特征进行分类的方法相比,新方法能够产生区分性能更强的特征表达,可以在有限的训练数据下解决黑色素瘤的类内差异大、黑色素瘤与非黑素瘤之间的类间差异小的问题。     

Hybrid Convolution Neural Network in Classification of Cancer in Histopathology Images

Cancer statistics in 2020 reveals that breast cancer is the most common form of cancer among women in India. One in 28 women is likely to develop breast cancer during their lifetime. The mortality rate is 1.6 to 1.7 times higher than maternal mortality rates. According to the US statistics, about 42,170 women in the US are expected to die in 2020 from breast cancer. The chance of survival can be increased through early and accurate diagnosis of cancer. The pathologists manually analyze the histopathology images using high-resolution microscopes to detect the mitotic cells. This is a time-consuming process because there is a minute difference between the normal and mitotic cells. To overcome these challenges, an automatic analysis and detection of breast cancer by using histopathology images play a vital role in prognosis. Earlier researchers used conventional image processing techniques for the detection of mitotic cells. These methods were found to be producing results with low accuracy and time-consuming. Therefore, several deep learning techniques were adopted by researchers to increase the accuracy and minimize the time. The hybrid deep learning model is proposed for selecting abstract features from the histopathology images. In the proposed approach, we have concatenated two different CNN architectures into a single model for effective classification of mitotic cells. Convolution neural network (CNN) automatically detects efficient features without human intervention and classifies cancerous and non-cancerous images using a hybrid fully connected network. It is a computationally efficient, very powerful, and efficient model for performing automatic feature extraction. It detects different phenotypic signatures of nuclei. In order to enhance the accuracy and computational efficiency, the histopathology images are preprocessed, segmented, and feature extracted through CNN and fed into a hybrid CNN for classification. The hybrid CNN is obtained by concatenating two CNN models; together, this is called model leveraging. Model averaging can be improved by weighting the contributions of each sub-model to the combined prediction by the expected performance of the sub-model. The proposed hybrid CNN architecture with data preprocessing with median filter and Otsu-based segmentation technique is trained using 50,000 images and tested using 50,000 images. It provides an overall accuracy of 98.9%.

     

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。