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。     

血管内超声斑点的概率模型建立及应用

超声斑点是由人体组织中散射体的反射信号相干作用所形成的,其概率分布与生物组织的结构信息密切相关,即不同的组织结构所产生斑点的概率分布形式不同.根据血管内超声(IVUS)斑点的概率分布特性,本文提出用斑点的伽马混合模型和高斯混合模型分别描述血管内超声组织中的钙化斑块、软斑块和正常血管区域.通过KS检验,KL散度和相关系数等指标分析,发现钙化斑块和正常血管区域的斑点概率分布符合高斯混合模型,而软斑块更接近伽马混合模型.在此研究基础上,本文提出一种结合邻域信息的概率混合模型,用于IVUS图像斑块分割,与现有的概率混合模型比较,分割精度大大地提高,且受噪声影响减少.     

有条件生成对抗网络的IVUS图像内膜与中-外膜边界检测

针对血管内超声(IVUS)图像中各类斑块、超声阴影和血管分支等造成内膜(LU)与中-外膜(MA)边界难以准确检测的问题,提出一种结合堆叠沙漏网络(SHGN)和有条件生成对抗网络(C-GAN)的IVUS内膜与中-外膜检测的改进方法。首先根据血管形态特点,使用旋转、缩放和Gamma变换等方法将图像训练集扩充57倍,降低网络训练过拟合风险;然后利用对抗训练思想,构建基于L1、L2重建损失的联合损失函数,学习超声图像与其对应分割图像的映射关系,将IVUS图像分割为3种不同区域:血管外周组织、斑块区域和内腔区域;最后在图像分割结果上,采用阈值处理方法,检测最终的内膜与中-外膜边界。采用国际标准IVUS图像数据集(10位病人435幅)评价所提出的算法。实验量化评价结果为:内膜计算面积交并比(JM) 93%,面积差异百分比(PAD) 3%,Hausdorff距离(HD) 0.19 mm;中-外膜JM 95%,PAD 3%,HD 0.16 mm。这些指标满足临床诊断要求,性能优于现有的、近年较好的9种算法,以及Pix2Pix模型。在临床实践应用分析中,利用南部战区总医院心血管内科所收集的100幅IVUS图像进行检验,取得较好的分割结果。这表明该方法具有较好的跨数据集泛化性能。