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。     

基于非结节自动分类的二维卷积网络在肺结节检测假阳性减少中的应用

目的针对计算机断层扫描(computed tomography, CT)图像的肺结节自动检测中灵敏度低及存在大量假阳性的问题,本文提出了一种基于非结节自动分类的二维卷积神经网络(convolutionalneural network, CNN),并用于肺结节检测中的假阳性减少。方法首先对CT图像进行预处理,通过对原始CT图像重采样和归一化,解决不同样本像素间隔不一致及图像对比度不统一问题;采用结节不同空间方向的二维切片信息采集进行正样本扩充,负样本无监督分类方法平衡正负样本数量;分别利用不同类别负样本与正样本训练二维卷积神经网络,获得多个用于降低假阳性的2D CNN肺结节检测模型,对LUNA16提供的假阳性减少数据集进行五折交叉验证,利用官方提供的评估程序对模型进行评估。结果通过与直接使用单个2D CNN进行分类的模型比较,对非结节分类后训练多个模型的分类结果较佳,最终竞争性指标(competition performance metric,CPM)竞争性得分0.849。结论基于非结节自动分类的2D CNN模型可以有效地对假阳性肺结节进行剔除,相较于其他2D CNN具有竞争力,可为肺癌早期筛查提供帮助。     

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。     

构建基于小波熵的自训练半监督支持向量机分类模型评价老年人步态

研究应用半监督学习算法分析未标注步态数据评价老年人步态,提出基于小波熵的自训练半监督支持向量机步态分类模型,通过小波熵从未标注步态数据中选取为每次自训练步态分类模型所需最具信息量的标注样本,有效获取步态数据类别间和步态数据内在的“有价值”的步态变异信息,提高步态分类器的泛化性能.首先采用10名老年人和10名青年人步态数据构建支持向量机分类模型,然后对120名不同年龄组未标注步态数据分类预测,依据小波熵选取样本数据,逐步添加更新步态样本训练集,自训练支持向量机分类模型.实验结果表明,本算法较准确鉴别青年和老年人步态模式(分类正确率90％),比基于有监督学习的支持向量机步态分类算法正确率提高近5％,有效改善支持向量机步态分类算法性能,有望为临床提供一个评价老年人步态的新方法.     

基于跨层双线性池化的糖尿病视网膜病变分级算法研究EI北大核心CSCD

针对糖尿病视网膜病变(DR)分级任务中不同种类之间差异性微小特点,提出一种基于跨层双线性池化(CHBP)的视网膜病变分级算法。首先根据霍夫圆变换(HCT)对输入图像进行裁剪,再使用预处理方法提升图像对比度;然后以挤压激励分组残差网络(SEResNeXt)作为模型的主干,引入跨层双线性池化模块进行分类;最后在训练过程中引入随机拼图生成器进行渐进训练,并采用中心损失(CL)和焦点损失(FL)方法进一步提升最终分类效果。实验结果显示,本文方法在印度糖尿病视网膜病变图像数据集(IDRiD)中二次加权卡帕系数(QWK)为90.84%,在梅西多数据集(Messidor-2)中受试者工作特征曲线下的面积(AUC)为88.54%。实验证明,本文提出的算法在糖尿病视网膜病变分级领域具有一定应用价值。     

基于卷积神经网络的肾脏占位CT图像的良恶性分类研究

目的 探讨基于卷积神经网络(CNN)的肾脏占位CT图像良恶性分类方法的可行性及应用价值。 方法 运用一种能够自动学习CT图像特征并分类的影像组学方法,先利用由大规模自然图像训练得到的CNN模型迁移学习肾脏占位CT图像的特征,再通过模型全连接层的精细调整来实现肾脏占位性CT图像的良恶性分类。 结果 VGG19模型分类的各个评价指标低于ResNet50和Inception V3模型,且训练结果有较为明显的过拟合。Inception V3模型的准确率、灵敏度和阴性预测值分别为93.8%、99.5%、99.1%,均高于ResNet50模型。 结论 基于CNN的肾脏占位CT图像良恶性分类方法合理、可行,且精细调整后的Inception V3模型的分类效果更好。     

基于深度学习的前列腺癌判别算法研究

前列腺癌是男性发病率较高的癌症之一,由于其起病隐匿,潜伏时间较长,所以提高早期诊断的准确率,有利于患者健康。磁共振成像作为前列腺癌检测的主要影像手段,将其与深度学习方法相结合,以建立高效的前列腺癌判别模型,为肿瘤预后评估提供重要手段。采集116名前列腺患者的MRT2WI图像,将其分为训练集和测试集,并对其进行图像增强和裁剪,减少周围组织的干扰,同时扩充图像的样本量,然后将其送入搭建好的AlexNet深度学习框架中进行图像特征等的学习。根据学习和训练反馈结果,对网络架构参数等进行优化,以便充分学习前列腺磁共振图像的特征,提高网络模型判别的准确率,经过改进后得到模型训练结果的准确率为0.977。用得到的模型对测试样本进行测试,得到测试准确率为0.967,AUC面积为0.91,可实现对前列腺癌有无的有效判别。     

基于光学相干层析的视网膜图像分割

利用光学相干层析（optical coherence tomography,OCT）技术可以得到清晰的视网膜层状结构,实现视网膜层状结构自动分割功能是解决OCT技术应用于视网膜疾病诊断的一项基础问题。本文通过图像平滑、峰值探测、Snake模型、贪婪算法和样条插值等综合技术,对OCT视网膜图像进行分割,自动提取层状结构轮廓并获取视网膜厚度分布图。将以上算法应用于24例正常人眼底图像,并与专家手动标记轮廓提取的厚度相比,结果证实上述视网膜自动测量算法与专家人工标记取得较好一致性。本文提出的测量算法有望应用于视网膜变异性评估。     

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。     

糖尿病视网膜病变筛查中的眼底图像质量控制

目的糖尿病性视网膜病变(diabetic retinopathy,DR,以下简称糖网病)筛查中,有相当比例的图像因聚焦不清或曝光不佳不可用于临床诊断,浪费了医疗资源,因而,有必要对眼底图像进行质量监控。本文提出一种基于小波变换和最小二乘支持向量机(least square support vector machine,LS-SVM)的眼底图像质量控制算法。方法首先,对眼底图像进行2层静态小波变换,计算8个子图像的能量值作为特征向量,再利用LS-SVM对眼底图像进行质量评判。本文将中国人民解放军火箭军特色医学中心眼科提供的146幅图像,分为训练集和测试集,LS-SVM使用训练集进行学习后,对测试集的97幅图像进行分类测试。结果训练后的LS-SVM能够对测试集很好地分类,鉴别出模糊的眼底图像。以线性函数为核的LS-SVM分类正确率为100%,以高斯径向基函数为核的LS-SVM的分类正确率为97. 9%。结论以2层静态小波分解子图像的能量值为输入特征向量的LS-SVM能够很好地鉴别出本文使用的眼底图像是否模糊。