基于高光谱成像技术的中医舌象辅助诊断系统

中医舌诊是传统中医的一种重要诊断方法.由于舌诊是一种定性的、主观的和基于经验的诊断方法,从而制约了中医舌诊在临床医学上的广泛应用.针对中医舌诊现代化中存在的问题,开发研制了一种基于高光谱成像技术的舌象辅助诊断系统.这一系统包括高光谱舌图像采集、图像存储、特征提取和辅助诊断几部分.系统使用高光谱成像技术代替通常使用的数码相机进行舌图像采集,并对高光谱舌图像进行了图像和光谱特征提取,然后使用贝页斯分类器初步建立起了舌象特征与病症之间的联系,最后通过初步试验证明了这一系统的有效性.     

外周血白细胞自动识别分类系统的研制

白细胞分类记数是临床检验的一项重要内容.基于形态学的白细胞识别分类的自动化问题一直是众多学者致力于解决的难题.在细胞图像分割、白细胞特征提取、白细胞特征选择后,用Sugeno型模糊神经网络分类器实现了外周血白细胞的自动形态学分类,并与BP神经网络分类器进行了对比,证明了此方法的可行性.     

一种基于SVM的胶囊内窥镜出血智能识别方法

由于Wireless Capsule Endoscopy(WCE)在消化道中采集到的巨大数量的图像均需要医务人员靠肉眼来排查,给医生带来巨大的负担。该文提供了一种基于支持向量机(Support Vector Machine,SVM)分类器的胶囊内窥镜出血智能识别方法,创立一种新的特征参数,并对SVM参数的选择进行实验优化,最终达到94%的特异度与83%的灵敏度。     

膝骨性关节炎运动质量评估系统设计

为膝骨性关节炎患者提供一种运动康复训练的监护系统,患者可以通过监护系统了解自身运动规范程度并作适当的调整.设计了一种基于ZigBee无线通信技术的人体下肢运动质量评估系统,以评估膝骨性关节炎运动理疗法的动作规范性.该系统将装有微型加速度传感器的ZigBee模块穿戴在人体的下肢,获取运动时的三维加速度信号,将加速度信号经过Haar小波变换后,采用粒子群算法提取小波特征值,将提取的特征向量应用神经网络分类器对动作质量进行识别评估.通过对20名年龄在24～30周岁的健康男性直腿抬高训练的动作质量评估测试,系统对规范抬腿、抬腿过高、保持时间太短和非平行抬腿这4类训练取真率的均值和标准差分别为(89.1±2.0)％、(93.4±1.7)％、(89.5±2.3)％、(90.1±1.8)％.实验结果表明,本系统能有效地识别训练过程中的不规范动作,较好地实现了对直腿抬高训练的运动质量监测与评估,满足健康监护系统的应用需求.     

改进的快速FCM及SVM实现糖网白色病灶的自动检测

为构建基于眼底图像的糖尿病视网膜病变(糖网)自动筛查系统,提出一种基于改进的快速FCM(IFFCM)及SVM的糖网白色病灶自动检测算法.首先,利用改进的快速FCM算法,对彩色眼底图像进行粗分割获取糖网白色病灶候选区域,由于该算法将中值滤波添加到FCM算法的准则函数中,同时利用K-means算法的聚类结果对FCM进行聚类中心初始化,使得该算法克服了传统FCM算法计算复杂度高以及对噪声敏感的缺点;其次,采用两层级联分类结构的SVM对候选区域进行分类,即先利用SVM根据候选区域的特征集将白色病灶提取出来,再利用SVM根据另外的特征集将白色病灶中的硬性渗出与棉绒斑区分开,从而实现眼底图像中糖网白色病灶的自动检测.利用该方法对65幅眼底图像进行糖网白色病灶的自动检测,得到图像水平灵敏度100％,特异性95.0％,准确率98.46％;病灶区域水平(硬性渗出/棉绒斑)灵敏度96.42％/97.15％,阳性预测值90.03％/91.18％;平均一幅图像处理时间35.56 s.结果表明:将改进的快速FCM算法所提供的良好粗分割结果与识别率较高的分类器SVM相结合,使得对糖网白色病灶的自动检测结果较优,即该算法能够高效地自动检测出眼底图像中的糖网白色病灶.     

Approximate entropy and support vector machines for electroencephalogram signal classification*****

The automatic detection and identification of electroencephalogram waves play an important role in the prediction, diagnosis and treatment of epileptic seizures. In this study, a nonlinear dynamics index–approximate entropy and a support vector machine that has strong generalization ability were applied to classify electroencephalogram signals at epileptic interictal and ictal periods. Our aim was to verify whether approximate entropy waves can be effectively applied to the automatic real-time detection of epilepsy in the electroencephalogram, and to explore its generalization ability as a classifier trained using a nonlinear dynamics index. Four patients presenting with partial epileptic seizures were included in this study. They were all diagnosed with neocortex localized epilepsy and epileptic foci were clearly observed by electroencephalogram. The electroencephalogram data form the four involved patients were segmented and the characteristic values of each segment, that is, the approximate entropy, were extracted. The support vector machine classifier was constructed with the approximate entropy extracted from one epileptic case, and then electroencephalogram waves of the other three cases were classified, reaching a 93.33% accuracy rate. Our findings suggest that the use of approximate entropy allows the automatic real-time detection of electroencephalogram data in epileptic cases. The combination of approximate entropy and support vector machines shows good generalization ability for the classification of electroencephalogram signals for epilepsy.     

肾细胞癌与乏脂肪肾血管平滑肌脂肪瘤的鉴别分类模型：基于随机投影的多分类器分层融合框架

目的 研究基于随机投影的多分类器分层融合的分类模型对良性肾小肿块乏脂肪肾血管平滑肌脂肪瘤（<4 cm）（AMLwvf）和恶性肾小肿块肾细胞癌（RCC）的鉴别能力。方法 回顾性收集163例经病理证实存在肾小肿块的患者,其中118例为肾细胞癌,45例为乏脂肪肾血管平滑肌脂肪瘤,对平扫CT图像中病灶面积最大的代表性切片进行目标感兴趣区域（ROI）勾画,利用放射组学特征构建一个层次型的融合框架。在投影域水平上对同质分类器进行融合,然后在分类器水平上对融合结果进行进一步融合,最终得到基于随机投影的多分类器分层融合的AMLwvf和RCC鉴别分类模型。采用五折交叉验证方法和特异性（SPE）、灵敏度（SEN）、准确率（ACC）、ROC曲线下面积（AUC）评价AMLwvf与RCC鉴别分类模型的性能。将本研究所提模型与使用单一基分类器算法以及几种传统的集成模型对AMLwvf和RCC的鉴别分类能力进行定量比较,验证本研究所提鉴别模型的可行性和有效性。结果 投影数设置为10时,本文提出的分层融合鉴别模型在所有指标上获得最好的结果。基于投影数为10的前提,五折交叉验证结果显示本研究所提出的基于多分类器分层融合的AMLwvf和RCC鉴别分类模型的SPE、SEN、ACC、AUC分别为：0.853、0.693、0.809、0.870。结论 基于随机投影的多分类器集成分类系统构建的AMLwvf和RCC鉴别模型可以很好地对 AMLwvf 和 RCC 进行鉴别分类。同时与基于单一分类器算法以及其他多分类器集成系统构建的AMLwvf和RCC的鉴别模型相比,本文所提出鉴别模型在AMLwvf和RCC的鉴别分类任务中具有较大优势。     

计算机辅助系统在诊断乳腺良恶性肿瘤中的应用

目的:探讨计算机辅助诊断系统在良恶性肿瘤检测与特征提取基础上的分类对于乳腺肿瘤的诊断价值。方法:回顾性分析乳腺超声检查发现肿瘤且经过病理学证实的617例患者影像资料,采用手工提取的方式得到乳腺超声图像的感兴趣区域及病灶轮廓,再利用方向梯度直方图（HOG）、局部二值模式（LBP）和灰度共生矩阵（GLCM）3个特征进行乳腺肿瘤的良恶性病变真假阳性检测;最后用受试者操作特征曲线（ROC）分别分析每个特征对于两类病变判别的诊断性能和应用所有特征集合的分类诊断性能。结果:多特征融合方法的各项诊断效能及ROC曲线下面积（AUC）值均优于单特征LBP、HOG、GLCM（P值均<0.05）。与人工诊断相比,多特征融合的敏感性无显著差异,但特异度显著升高达98.57%（Z值=2.25, P<0.05）,同时AUC值为0.985,显著优于人工诊断的0.910（Z值=1.99, P<0.05）。结论:计算机辅助系统乳腺超声肿瘤良恶性检测的算法是有效的,能够对乳腺癌鉴别诊断提供有益的参考。     

基于BI-RADS的超声乳腺图像的计算机辅助诊断研究

目的 根据乳腺超声图像的分级标准(BI-RADS)为诊断的指导,初步完成了诊断系统的设计.在图像处理中引入LBM滤波,并用无初始化的C-V模型进行分割,从形态特征与纹理特征入手,提取图像中相应的特征参数.采用支持向量机方法 对所提取的特征参数进行分类.通过对88幅乳腺超声图像(其中良性37例、恶性51例)进行训练和测试,得到的判别准确率、敏感性和特异性分别为91.4%、94.4%和86.4%.结果表明,依据BI-RADS的分级特征研究有利于计算机辅助诊断在临床中的应用.     

应用新的基于知识编码方法及双层SVM识别人类PolⅡ启动子

目的优选对人类RNA聚合酶(Pol)Ⅱ启动子数据识别分类并提高识别准确率的方法。方法采用基于知识的统计编码方法、CpG编码、五联体(Pentamers)编码、模式字典(Pattern Dictionary)编码,最后建立共识模型,使用支持向量机(SVM)方法对启动子数据进行分类。结果启动子数据编码后在SVM中识别,与其他利用SVM工具相比,得到了较高的识别准确率、特异性及灵敏度。将新编码方法应用到人类22号染色体启动子数据的识别中,其中模式字典编码识别准确率达到了90.98%。结论共识模型考虑了各子模型的独立性和模型之间的差异性,发挥了各模型之间的互补优势,从而提高了最终的识别准确率。