基于联合决策卷积神经网络的光学相干断层扫描图像自动分类

光学相干断层扫描(OCT)技术能实现视网膜的高分辨率三维层析成像,对视网膜疾病类型的诊断和发展阶段的分析具有至关重要的作用。临床基于 OCT 图像的视网膜疾病诊断主要依靠眼科医生对图像中病变结构的分析,这一人工分析过程不仅耗时而且易产生主观的误判。研究视网膜疾病的自动分析和诊断技术将极大减轻眼科医生的工作量,是实现高效诊疗的有效途径。针对视网膜OCT图像自动分类,构建一种联合决策的卷积神经网络分类模型。该模型利用卷积神经网络从原始输入OCT图像中自动地学习不同层级的特征,同时在网络多个卷积层上设计多个决策层,这些决策层能够根据网络中不同尺度的特征图分别对OCT图像分类,最后模型融合所有决策层的分类结果做出最终决策。在Duke数据集(3 231张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型对正常视网膜、视网膜年龄相关性黄斑变性和视网膜黄斑水肿的平均识别准确率达到94.5%,灵敏性达到90.5%,特异性达到95.8%。在HUCM数据集(4 322张OCT图像)上的实验结果表明,基于多层级特征联合决策的卷积神经网络分类模型的平均识别准确率达到89.6%,灵敏性达到88.8%,特异性达到90.8%。充分利用卷积神经网络中丰富的多层级特征,能够有效地对视网膜OCT图像实现准确的分类,为临床上视网膜疾病的辅助诊断提供技术支撑。     

基于光电容积脉搏波的心房颤动识别方法

为了能够简便快捷地检测心房颤动，提出一种基于光电容积脉搏波描记法（PPG）对心房颤动进行识别的方法。首先，将已确诊为心房颤动状态脉搏波与健康状态脉搏波数据进行对比分析；其次，基于分析结果，从脉搏波数据中提取与心房颤动相关的6类特征参数作为分类器的输入；最后，使用支持向量机（SVM）、BP神经网络、随机森林算法3种分类器建立心房颤动识别模型，其识别心房颤动的准确率分别可达89.1%、92.3%、95.2%。实验结果表明，基于PPG的心房颤动识别方法具有很高的识别准确率，尤其在使用随机森林算法作为分类器时，识别准确率达到最优。同时该检测方法简便快捷，是一种可以替代传统心电图检测识别心房颤动的方法，对心房颤动患者的长期观察监测具有临床价值。     

基于脑电功率谱密度和随机森林的自动睡眠分期方法

采用深度学习技术实现睡眠自动分期计算复杂度较高，且需大量数据支撑。本文提出一种基于功率谱密度和随机森林的自动睡眠分期方法，先提取脑电信号6种特征波（K复合波、δ波、θ波、α波、纺锤波、β波）的功率谱密度作为特征，然后利用随机森林分类器实现5种睡眠状态（W、N1、N2、N3、REM）自动分类。采用Sleep-EDF数据库中健康受试者整晚睡眠脑电数据作为实验数据，对比了使用不同输入通道脑电信号（FpzCz单通道、Pz-Oz单通道、Fpz-Cz+Pz-Oz双通道）、不同分类器（随机森林、自适应增强、梯度提升、高斯朴素贝叶斯、决策树、K近邻）、不同训练集与测试集划分方法（2折、5折、10折交叉验证及单个受试者）对分类效果的影响。实验结果表明，当采用Pz-Oz单通道脑电信号和随机森林分类器时效果最好，无论怎样变换训练集与测试集，分类准确率都达到90.79%以上，总体分类准确率、宏观平均F1值、Kappa系数最高分别可达到91.94%、73.2%、0.845，证明该方法是有效的，且不易受数据量影响，具有较好的稳定性。与已有研究相比，该方法分类准确率更高、实现更简单，适用于自动化。     

无线胶囊内窥镜图像小肠息肉的自动识别

息肉是小肠常见疾病之一。无线胶囊内窥镜(WCE)是检查小肠疾病的常规手段,但每次检查都会产生大量图像,却仅可能包含少数病变图像。目前WCE病变的筛查高度依赖于医生的临床经验,耗时费力,且可能发生漏检或误检,因此实现WCE图像小肠息肉的自动识别意义重大。基于深度学习框架,结合数据增强技术和迁移学习策略,提出实现小肠息肉识别的新方法。基于原始数据集(包含4 300张正常图像和429张息肉图像)和拓展数据集(包含6 920张正常图像和6 864张息肉图像),对比分析不同的深度卷积神经网络模型(AlexNet、VGGNet和GoogLeNet)对息肉的识别效果。实验结果表明,在随机初始化的卷积神经网络中,GoogLeNet模型对息肉的识别效果最好,其敏感性、特异性和准确性分别达到97.18%、98.78%和97.99%,说明增加网络深度可以有效提高识别率。但网络深度增加需要更高的硬件配置和训练时间,因此结合迁移学习策略,AlexNet模型的敏感性、特异性和准确性分别达到了96.57%、98.89%和97.74%,AUC为0.996,表明该方法能有效提高模型整体性能,同时降低对训练时间和实验配置的要求。与传统手工提取图像特征或仅基于深层卷积神经网络进行分类的方法相比,所提出的方法可以在有限的训练数据和实验环境下为小肠息肉的自动识别提供有效的解决方案,有望帮助医生高效完成基于WCE检查的消化道疾病的精准诊断。     

基于双通道神经网络的疾病文本分类方法

医疗疾病文本的准确分类对医疗信息化的发展具有重要的推进作用,本研究提出一种基于双通道学习的神经网络模型研究疾病文本分类方法。该模型分别使用卷积神经网络和双向长短期记忆网络对患者输入的疾病症状文本进行局部特征以及时序特征学习。此外,在双向长短期记忆网络上引入自注意力机制区分特征对类别预测的贡献值,增强模型的学习能力和可解释性。为使两个通道提取到的特征能够共同决定分类结果,该模型将两种特征进行拼接融合,最后利用softmax分类器得到最终的分类结果。实验结果表明,在疾病文本分类的性能方面,该模型相比其他分类模型具有较高的精确率、召回率和F1值,分别可达90.61%、90.48%和90.51%。     

基于深度学习的指-桡端脉搏波信号转换方法

针对目前市面上大多数脉搏波检测仪器检测的是指端脉搏波信号,提出一种基于卷积神经网络的指-桡端脉搏波信号转换方法,在仅获取指端脉搏波信号的情况下得到对应的桡动脉脉搏波信号。该方法主要由一维卷积神经网络通过端到端的训练实现,模型包含编码器、解码器和跳跃连接3个部分,通过编码器网络提取指端脉搏波信号的特征,再通过解码器网络将特征图进行扩展,并且利用跳跃连接的方式实现特征图的融合。采集60份指端和桡端的脉搏波信号进行实验,并与传递函数模型和弹性腔模型进行对比。实验结果表明,该模型转换所得的桡端脉搏波信号在MAE和PRD的指标上分别达到1.4%±0.3%和3.6%±1.2%,优于其他模型。研究表明,该模型能够较精确地实现指端脉搏波信号到桡端脉搏波信号的转化。     

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。     

基于深度学习方法的放疗患者摆位误差预测

目的为了实现对放疗患者日常摆位误差的准确预测,优化锥形束计算机断层扫描(conebeam computed tomography,CBCT)使用频率,确保患者摆位误差处在允许范围内的同时尽可能减少其承受的额外辐射剂量,本研究基于深度学习方法能够对复杂体系进行预测的能力,构建了一种深度全连接神经网络。方法选取20名头颈部肿瘤患者累积共76次CBCT扫描结果作为研究对象。首先,根据文献调研及临床实践经验,确定患者日常治疗时的摆位误差受到不同技术人员的工作经验、患者体型、固定膜的松紧程度、靶区位置、靶区大小及形状等因素的影响,且与患者前三次治疗时的摆位误差相关性较强,因此针对患者每次CBCT扫描得到的摆位误差,从患者的治疗记录及患者CT图像中获得相关信息,得到467个特征值作为深度学习的输入值,以三个方向上最大摆位误差的分类作为深度学习的输出值,将每次摆位误差的最大值以3 mm为标准分为两类,作为深度学习的目标值。然后,将研究数据按7∶3的比例随机划分为训练集和验证集,通过训练集训练深度神经网络,再使用验证集对神经网络进行初步评估。在完成深度神经网络的训练后,将正在治疗中的新患者的数据作为测试集,使用训练好的神经网络预测新患者的摆位误差大小,并与实际结果对比,评估其准确率。最后,进行重复实验,判断神经网络的预测结果是否具有可重复性。结果本研究构建的深度神经网络对患者摆位误差的预测准确率可以达到86%,能准确预测患者摆位误差大于3 mm的情况,且预测结果的可重复性好。结论基于深度学习方法可以较准确地预测放疗患者日常摆位误差的最大绝对值是否大于3 mm,为优化CBCT扫描频率提供了可靠依据,有助于提高放疗疗效,减轻放疗副反应,具有良好的临床应用价值。     

结合迁移学习与深度卷积网络的心电分类研究

为解决一维深度卷积网络（1D-DCNN）在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络（2D-DCNN）直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。     

基于心电-脉搏波的心血管疾病识别研究

为实现心血管疾病的早期筛查,降低心血管疾病临床检测的成本。本研究基于上肢脉搏波传导速度（PWV）及脉搏波相关血液动力学基础理论,采集了总计51人的脉搏波与心电信号数据,提取了包括3种PWV和脉搏波特征参数总计16个特征参数,将不同的PWV与脉搏波特征组成3个样本特征数据集,分别建立了基于K近邻学习（KNN）和支持向量机（SVM）的心血管疾病识别模型。KNN模型分类准确率为66.28%,SVM模型分类准确率为84.3%,并通过对比不同PWV对模型性能的影响,确定了用于血管评估的最优脉搏波传导速度pwvm。研究表明基于SVM建立的分类模型对心血管疾病识别有一定可靠性,为低成本的心血管疾病早期筛查提供了新思路,也为穿戴式心血管系统监测提供了基础。     

基于卷积神经网络的复合菌落智能分类识别

为满足复合菌落智能形态分类的需求,构建菌落分类卷积神经网络。通过水平集演化分割,获取培养皿内部所有的连通域;通过极限腐蚀,判别种子点数目大于1的连通域,即为粘连连通域;获取粘连连通域的凸闭包,检测凹点并连接对应凹点,对该连通域进行分割。归一化获取的600张单个菌落样本,通过旋转翻转并叠加信噪比不超过5%的随机噪声,将数据扩增至30 000例。以其中70%样本数据作为菌落分类卷积神经网络的训练集,对网络模型进行10折交叉验证,再以30%样本数据进行测试,4种菌落的加权平均准确率达到87.50%;其中斑点状光滑菌落分类准确率为86.40%,类圆波状菌落分类准确率为87.21%,椭圆形菌落分类准确率为88.11%,不规则其他菌落分类准确率为87.25%。最后采用通用计算设备架构(CUDA),对各个算法模块进行并行优化加速,算法运行时间最优提升至原耗时的1/10,在运行速度和便利性方面远远超过传统菌落分类方法。所设计的方法可以有效完成复合菌落智能分类识别任务,并具有良好的扩展性和自学习功能,对基于图像的生化样本智能分析具有一定的借鉴价值。     

基于双通道三维密集连接网络的脑胶质瘤核磁共振成像分割算法研究

针对脑胶质瘤形状、位置及大小的不一致性,本文提出了一种基于双通道三维密集连接网络的脑胶质瘤核磁共振成像(MRI)自动分割算法。该算法基于三维卷积神经网络,在两个通道采用不同大小卷积核,从而在不同尺度感受野下提取多尺度特征,并构造各自的密集连接块进行特征学习与传递,通过特征结联后输入到分类层进行目标体素分类,最终实现脑胶质瘤的自动分割。为了验证本文算法的实用性,本文采用公开的脑肿瘤分割挑战赛数据集对网络进行训练与验证,并将得到的结果与其他脑胶质瘤分割方法比较。实验结果表明,本文所提出的算法能够更准确地分割出不同的肿瘤病变区域,在临床脑肿瘤疾病诊断中具有一定的应用价值。     

基于浅层与深层特征融合的胃癌前疾病识别

胃癌前疾病识别对降低癌变风险及胃癌发病率具有重要意义。提出一种基于胃镜图像浅层特征与深层特征融合的胃癌前疾病识别方法。首先,根据胃镜图像性质,手工设计75维浅层特征,包含图像的直方图特征、纹理特征以及高阶特征;然后,基于构建的Resnet、GoogLe Net等卷积神经网络,在其输出层前添加一个全连接层作为图像的深层特征,为保证特征权重一致,全连接层的神经元数目设计为75维;最后,串联图像的浅层与深层特征,使用机器学习分类器,识别胃息肉、胃溃疡和胃糜烂等3类胃癌前疾病。对每种疾病收集了380张图像,并以4:1的比例划分为训练集和测试集,然后基于该数据集,分别采用传统机器学习、深度学习、特征融合等3种方法进行模型训练和测试。模型在测试集上的结果显示,所提出的特征融合方法识别准确率高达95.18%,优于传统的机器学习方法(74.12%)和深度学习方法(92.54%)。所提出的方法能够充分利用浅层特征与深层特征,为医生提供临床决策支持以辅助胃癌前疾病诊断。     

基于小波变换和CNN-LSTM的肺音分类算法

目的：针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络（CNN）-长短期记忆网络（LSTM的混合深度学习肺音分类模型方法。方法：首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病。结果：CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950。结论：提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值。     

基于卷积神经网络的动态脉搏语义分割与心率估计方法

通过监测脉搏信号进行心率监测的腕表设备,存在易受噪声干扰、心率估计结果不够准确的问题。为探究能适应多种动态噪声场景、鲁棒性强的心率估计方法,本研究提出了一种基于卷积神经网络的动态脉搏语义分割与心率估计算法。将卷积神经网络与自注意力机制相结合,搭建深度学习模型进行脉搏信号起始点的分割,通过数据后处理抑制异常分割点的影响,并经过计算脉搏信号间期获得心率估计结果。实验结果具有较强的相关性和一致性,平均误差为1.29 BPM,明显优于其他模型。本研究可为基于脉搏信号的心率估计提供一种新的解决思路,具有重要研究意义。     

基于QRS波群的心律失常辅助诊断模型研究

基于对QRS波群的特征变量提取,利用减法聚类和自适应模糊神经网络构建心律失常辅助诊断模型,分析不同训练数据集对模型测试结果的影响.实验结果表明,该模型能准确识别不同类型的QRs波群,使用不同训练数据集对诊断结果存在影响,为进一步实现更复杂的心律失常辅助诊断模型提供方法.     

基于深度学习的儿童肺炎检测模型建立及应用

目的:基于深度学习根据儿童胸部X光正位数字影像构建肺炎自动判别模型,辅助临床诊断,提高影像诊断效率。方法:首先通过选取公开数据集5 856张儿童胸片（肺炎4 273张,正常1 583张）,分为训练集、验证集和测试集,基于Resnet-50神经网络构建儿童肺炎自动判别模型,利用验证集选取最优模型,在测试集上做内部独立验证。进一步收集6家医疗单位共611张儿童胸片（肺炎300张,正常311张）进行外部验证,并根据验证结果对模型进行微调后再次测试,使模型更适合临床使用。结果:基于深度学习技术和公开数据集数据构建儿童肺炎自动判别模型,准确率为98.48%,精确率为99.54%,召回率为98.81%,F1-score为98.86%,AUC为0.999。外部验证初始结果准确率为59.90%,选用部分外部验证数据微调模型后,独立测试准确度提升至85.00%。结论:基于深度学习根据公开数据集构建肺炎自动判别模型具有可行性,准确率达98.48%,在实际临床使用时应根据具体使用条件选取适量数据集对模型进行微调。     

基于卷积神经网络的外周血白细胞分类

白细胞图像的自动分类有助于提高临床诊疗效率,但仍需进一步改进方法以提高分类正确率。探索用卷积神经网络(CNN)进行外周血白细胞图像的自动分类识别。在深度学习框架Caffe上,以AlexNet和LeNet为网络原型构建CNN训练平台;用CellaVision DM96采集外周血涂片中的5类白细胞图像,经人工鉴定后按训练∶校验∶测试=7∶2∶1的比例,随机分配图像构建原始数据集,再通过平移、旋转及镜像构建扩充数据集;训练时采用随机梯度下降算法优化模型权值,以分类准确率>95%为目标评估训练结果及优化调整网络结构。结果发现,AlexNet的训练误差无法收敛,陷入局部极小,LeNet则达到预期目标。随后对LeNet网络进行删减优化,获得一轻量高效的新结构--CCNet,其在模型大小、训练用时和分类用时上分别仅为LeNet的1/1000、1/3和1/30。两者对979张5类细胞图像的最佳分类准确率分别达到99.69%和99.18%,高于目前同类研究报道。结果表明,CNN可用于5类白细胞图像的“端对端”分类识别,特别是CCNet模型兼具准确与效率优势。     

基于深度学习的中药材饮片图像识别

目的 建立一个基于深度卷积神经网络的中药饮片图像检测识别系统.该系统对于正常情况下采集的中药饮片图像,能够自动检测识别出相应类别的中药饮片.方法 本文使用了SSD目标检测算法,构建数据集,利用标注工具进行了标注,然后在云端colab上进行调试代码、训练、测试、验证.结果 对于3种中药饮片(枸杞、甘草、陈皮)进行识别验证,平均识别率高于80％,样本集足够大可以有效提高识别准确率.结论 本文将卷积神经网络应用于中药材识别中,将传统的中医学与新兴的深度学习网络相结合,识别中药饮片的效率高,速度快,准确率高,可应用于绝大部分需要识别中药饮片类别的场景.     

基于判别式深度置信网络的心律失常自动分类方法

现有的心律失常分类方法通常采用人为选取心电图(ECG)信号特征的方式,其特征选取具有主观性,且特征提取复杂,导致分类准确性容易受到影响等。基于以上问题,本文提出了一种基于判别式深度置信网络(DDBNs)的心律失常自动分类新方法。该方法所构建的生成受限玻尔兹曼机(GRBM)自动提取心拍信号形态特征,然后引入具有特征学习和分类能力的判别式受限玻尔兹曼机(DRBM),依据提取的形态特征和RR间期特征进行心律失常分类。为了进一步提高DDBNs的分类性能,本文将DDBNs转换为使用柔性最大值(Softmax)回归层进行监督分类的深度神经网络(DNN),通过反向传播对网络进行微调。最后,采用麻省理工学院与贝斯以色列医院心律失常数据库(MIT-BIH AR)进行实验验证,对于数据来源一致的训练集和测试集,该方法整体分类精度可达99.84%±0.04%;对于数据来源非一致的训练集和测试集,通过主动学习(AL)方法扩充少量训练集,该方法整体分类精度可达99.31%±0.23%。实验结果表明了该方法在心律失常自动特征提取和分类上的有效性,为深度学习自动提取ECG信号特征及分类提供了一种新的解决方法。