基于分步目标定位的腰椎间盘自动诊断方法

针对当前腰椎间盘自动诊断方法存在的准确率偏低的问题,提出一种基于分步目标定位的计算机辅助诊断方法。该方法首先使用Faster R-CNN目标定位网络预处理腰椎间盘影像,去除韧带以及周围噪声区域,获得腰椎间盘的轮廓区域;然后放大定位的间盘轮廓3倍,再次利用Faster R-CNN网络精细化定位病灶区域,从而解决因病灶目标太小而无法准确定位的问题;最后,将病灶区域输入到改进的残差卷积神经网络中以提取高层特征和严重性分级,改进的残差卷积神经网络（ResNet-20）通过建立短路机制以提高分类器的准确率。实验结果表明,相较于传统的诊断方法,该方法将腰椎间盘突出的诊断准确率提升5.1%。     

融合可解释性特征的糖尿病视网膜病变自动诊断

糖尿病视网膜病变（DR）已成为全球4大主要致盲疾病之一,及早确诊可以有效降低患者视力受损的风险。通过融合深度学习可解释性特征,提出一种DR自动诊断方法,首先利用导向梯度加权类激活映射图和显著图两种可解释性方法生成不同标记的病灶图像,再通过卷积神经网络提取原图像和两种生成图像的特征向量,最后融合3种特征向量并输入到支持向量机中以实现DR的自动诊断。在1 443张彩色眼底图像构成的数据集上,相对于基础ResNet50模型,该方法诊断准确率提高3.6%,特异性提高2.4%,灵敏度提高5.8%,精度提高4.6%,Kappa系数提高7.9%,实验结果表明该方法能有效降低误诊的风险。     

基于深度学习的慢性萎缩性胃炎诊断

慢性萎缩性胃炎是一种常见的胃病,如果得不到及时治疗,有可能发展成胃癌。然而,胃镜检查在萎缩性胃炎检查 中的敏感性仅为约42％,且活检受许多因素的影响。因此,使用卷积神经网络有助于提高诊断慢性萎缩性胃炎的准确性。 首先采用INPAINT_TELEA 算法对胃窦图像进行预处理,去除图像中的水印,对残差网络进行改进并嵌入 Squeeze_and_Excitaion模块以筛查慢性萎缩性胃炎,改进后的网络（SR-CAGnet）通过建立短路机制以及采用特征重标定 策略提高图像的分类效果。结果表明:与Alexnet和改进的ResNet网络进行对比,SR-CAGnet对慢性萎缩性胃炎的检出 率为87.92％,算法识别效果良好。通过使用Apriori算法并分析,得到萎缩性胃炎与胃镜检查下其他症状的关系,以辅助 医生的诊断。最后使用CAM热图验证模型的有效性。     

基于目标定位的眼睑肿瘤自动诊断

眼睑肿瘤是导致视力下降甚至致盲的严重眼病,良恶性结构的相似性导致缺乏临床经验的眼科医生不易区分。针对此问题,提出一种基于两阶段目标定位算法和融合双重注意力机制的残差网络,以实现眼睑肿瘤良恶性的自动诊断。首先,利用FCOS算法自动定位眼眶的整体轮廓,去除背景区域和周围噪声;然后,在眼眶内部精细化定位眼睑肿瘤病灶区域;最后,将病灶区域输入到融合双重注意力机制的残差网络（ResNet101＿CBAM）,实现良恶性的自动诊断。实验结果表明目标定位算法对眼睑肿瘤病灶的定位平均精度为0.821;与ResNet101相比,ResNet101＿CBAM在眼睑肿瘤分类中的敏感度和准确率分别提高4.7%和3.0%,表明该模型在眼睑肿瘤良恶性自动诊断中表现出较优性能。