欢迎来到360期刊网!
学术期刊
  • 学术期刊
  • 文献
  • 百科
电话
您当前的位置:

首页 > 文献资料

  • 基于深度学习的CT脑影像分类方法用于阿尔茨海默病的初步筛查

    作者:惠瑞;高小红;田增民

    目的 本研究旨在探讨卷积神经网络(Convolutional Neural Network,CNN)深度学习在脑CT影像分类中的应用,达到提高影像分类智能化程度的目的,为临床筛查阿尔茨海默病(Alzheimer Disease,AD)提供便利.方法 收集2014~2016年3个类别的脑CT影像资料,其中包含AD、器质性病变(如肿瘤、脑出血等)和正常老年化的受试者的数据.由于本组CT脑图像高度方向(z轴,层厚5 mm)单位长度相对水平方向大的特点,本研究将CT二维轴位CNN图像和三维分割组块进行融合运算分类后对照已有的诊断.结果 AD、器质性病变和正常老年化的分类准确率分别为84.2%、73.9%和88.9%,平均为82.3%.结论 本研究为初筛AD提供了新的方法.

  • 基于卷积神经网络的颈动脉斑块超声图像特征识别

    作者:孙夏;吴蔚;吴鹏;丁明跃

    从卷积神经网络层数、卷积核大小、特征维数等方面分析对识别效果的影响,优化网络参数,构建一个适用于颈动脉斑块识别的卷积神经网络。研究表明,卷积神经网络是可行的,对颈动脉斑块有较好的识别效果,且优于SVM方法。

  • 一种基于深度学习的颈动脉斑块超声图像识别方法

    作者:赵媛;孙夏;Aaron Fenster;丁明跃

    文章将深度学习应用于颈动脉斑块超声图像识别,分析讨论了不同感兴趣区域(Region of Interest,ROI)选取方式对卷积神经网络识别斑块性能的影响,并通过迁移学习来训练卷积神经网络.实验结果表明,采用分割出血管内外膜的ROI作为训练集时,网络的识别能力好,受试者操作特性(Receiver Operating Characteristic,ROC)曲线下面积为0.972.另外,用分割出血管内外膜的ROI对网络进行预训练,之后再用原始ROI进行微调,也可以有效提高卷积神经网络对原始ROI的识别能力,ROC曲线下面积从0.802提高至0.856.

  • 基于深度卷积网络的中药饮片图像识别

    作者:孙鑫;钱会南

    目的:利用计算机深度学习实现对中药饮片二维图像的自动化识别的研究具有重要实用价值,可广泛应用于医疗、生产和教学等领域.既往多采用传统的提取图像中的底层特征的方法来进行识别,然而这种方法不能在复杂背景的图像条件下给出鲁棒的识别结果.因此,中药饮片图像识别需要更高级别的图像表达方法.方法:构建包含50种常见中药饮片图像数据库,共2 554张图像,作为模型的训练与测试对象,并运用Softmax损失训练卷积神经网络.结果:卷积神经网络在所有测试的50种中药饮片图像中可以实现70%的平均识别精度.结论:卷积神经网络在多个饮片相互遮挡并带有复杂背景情况下较为理想,未来具有一定应用前景.

  • 基于卷积递归神经网络的血压测量模型

    作者:张佳骕;顾林跃;姜少燕

    目的 提出一种新型卷积递归神经网络血压模型(convolutional recurrent neural network-blood pressure,CRNN-BP),解决使用脉搏波波形进行血压测量模型中存在的特征点难以提取和鲁棒性较低的问题,提高血压模型普适性和精度.方法 该模型首先使用卷积网络层自动提取脉搏波的波形特征;其次使用递归网络层依据连续心动周期血压变化关系对波形特征进行校正;后使用全连接网络层预测出当前的血压值.结果 使用MIMIC数据集中人体真实生理信息对模型进行验证,收缩压和舒张压的平均绝对误差分别为2.71 mmHg和1.41 mmHg.模型精度相比于未使用递归网络层的模型CNN-BP和使用全部脉搏波波形点的传统血压回归模型更有优势,且符合AAMI和BHS标准.结论 CRNN-BP有效地提取了脉搏波的波形特征,并提升了模型的精度和鲁棒性.

  • 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

    作者:王翀;何兴鑫;方乐缘;郭斯羽;陈向东;聂辅娇

    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,后模型融合所有决策层的分类结果做出终决策.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.

  • 基于卷积神经网络的外周血白细胞分类

    作者:陈畅;程少杰;李卫滨;陈敏

    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.

  • 基于卷积神经网络的P300事件相关电位分类识别

    作者:丑远婷;邱天爽;钟明军

    针对脑机接口系统中P300电位识别正确率不高的问题,提出一种基于改进卷积神经网络的P300事件相关电位分类识别方法.通过将传统卷积神经网络中第二个串行连接的卷积层改为3个并行连接的卷积层,可加大网络宽度,提升网络对P300信号特征提取的能力;将提取的特征经全互连层组合后,采用sigmoid函数构建P300事件相关电位分类器.针对脑机接口竞赛数据中靶刺激与非靶刺激数据量不平衡的问题,采用过抽样方式,对含有P300事件相关电位的脑电数据做部分平均来增加数据量,其训练集和测试集样本量分别为25 500和18 000.采用Adam优化方法,有监督地训练这种改进的卷积神经网络.结果表明,相比传统的卷积神经网络,该方法在实验次数大于11次时,字符识别正确率均高于95%,这对于脑机接口的应用具有重要的意义.

  • 基于卷积神经网络的白带中白细胞的自动检测

    作者:钟亚;张静;肖峻

    作为妇科常规的检查项目,白带常规检查有着相当广泛的应用,在临床检验中具有非常重要的地位.鉴于白带中白细胞在临床医学中的重要意义和现行检测方法的诸多不足,对白细胞的自动检测技术进行研究.依托于白带自动检测仪,与本地医院进行协作,采集得到白带显微图像.对滤波增强后的图像进行分割,建立样本库,基于卷积神经网络完成特征提取和分类,终采用交叉验证证实该方法的有效性.在白细胞的自动检测中,对于由2万个样本组成的数据集,运用该方法实现95%的敏感性、84%的特异性、89.5%的准确率,达到医学临床检验的要求.将数字图像处理技术和卷积神经网络综合应用于医学显微图像中白细胞的检测,解决特征表达的关键问题,验证白细胞自动检测的可行性,实现检测质量和检测效率的提升.

  • 基于深度卷积神经网络的帕金森步态识别

    作者:王金甲;刘青玉;陈浩

    步态冻结(FOG)是晚期帕金森病患者常见的症状,FOG的突然发作会造成患者的行走障碍.为患者佩戴FOG检测可穿戴设备助手是一种有效可行的治疗途径,当检测到FOG发作时,可穿戴设备助手为患者提供一段有节奏的听觉信号刺激患者恢复行走.针对FOG检测,提出一种系统式的特征学习方法.该方法采用一个基于深度学习的卷积神经网络,对原始输入信号自动地进行特征学习.采用监督式学习方法利用标签信息,使学习到的特征更具识别能力.在整个网络模型中,特征学习和分类互相加强使整个网络更加稳定,更具智能化.通过DAPHNet数据集进行验证,结果表明,该方法可以自动地进行特征学习并识别出步态冻结.与以往的阈值法实验结果相比,平均正确率提高到91.43%,灵敏性提高到85.58%,特异性提高到了93.63%.该方法可以在一定程度上代替人工干预,在处理频繁出现FOG症状的帕金森患者的治疗中具有重要意义.

  • 基于卷积神经网络和多信息融合的三维乳腺超声分类方法

    作者:孔小函;檀韬;包凌云;王广志

    乳腺肿瘤超声图像的自动分类对于提高医生的工作效率和降低漏诊率具有十分重要的意义.新型的三维乳腺超声数据包含更多的可用于诊断的信息,但由于超声成像机理导致不同方向上的图像表现不同.针对该种乳腺超声数据,利用卷积神经网络结构的灵活性和自动学习的特性,提出3种改进的卷积神经网络模型,使其分别可以接受横截面图像输入、横截面和冠状面的双图像输入、图像和文本信息同时输入,并研究不同信息的融合对于提升乳腺肿瘤自动分类准确率的影响.在研究中,采用880幅图像(良性401幅,恶性479幅)及其标注信息进行5折交叉验证实验,得到各模型的准确率及AUC.实验结果表明,设计的模型可以适应图片与文本信息的输入,多信息融合的模型比只接受图像输入的模型准确率提升2.91%,达到75.11%的准确率和0.829 4的AUC.这些模型的提出,为多信息融合的卷积神经网络分类应用提供参考.

  • 基于深度卷积神经网络的层次多任务服装分类

    作者:林城龙;胡伟;李瑞瑞

    目的 多层卷积神经网络因其较高资源开销以及对训练数据有极高要求,使得深度网络在自定义数据中的表现往往难以优化.本论文提出一种在不改变深度网络模型的基础上,基于组合层次化标注数据,提高服装数据的分类准确率.方法 将服装图像数据的分类属性依据相关性进行分层,用多任务网络技术[1]对应相关的多类别属性进行训练.结果 实验结果表明,对于图像数据进行相关性多任务训练,比单任务训练或不相关性多任务训练,识别的准确率有着显著提升.结论 本文提出了一种通用的,避免修改深度网络的模型结构,使用富有多层次类别属性标注的服装数据集,训练出的深度分类网络模型有着更强的表达能力.

  • 基于MapReduce的卷积神经网络算法研究

    作者:马焕芳;赵歆波;邹晓春

    卷积神经网络(convolutional neural networks,CNN)是深度学习技术应用成熟的模型之一,利用卷积神经网络来提取特征进行目标识别和分析是当前比较热的研究方向.目前CNN主要以单机串行方式实现,随着大数据时代的到来,串行模式突显出训练时间过长,内存不足等问题.为此,本文提出了一种在分布式处理Hadoop平台上,基于MapReduce框架并行训练CNN的算法MR-TC-NN.并通过实验证明,提出的方法与传统单机串行训练方式相比,在大数据上有更快的训练速度.

  • 基于卷积神经网络检测肺结节

    作者:侍新;谢世朋;李海波

    目的 针对目前基于胸部CT图像的肺结节自动检测方法的检出率较低且存在大量假阳性的问题,提出一种基于卷积神经网络的肺结节检测方法.方法 采用基于模糊建模思想和迭代相对模糊连接度(IRFC)算法的自动解剖识别(AAR)方法分割肺部CT图像,提取肺部实体部分;将分割后的图像输入卷积神经网络,提取肺结节特征;采用位置敏感特征图表达结节的位置信息.结果 使用天池医疗AI大赛数据集,精准分割肺部CT图像,检测肺结节的准确率、敏感度、特异度和假阳性率分别为95.60%、95.24%、95.97%和4.03%.结论 基于卷积神经网络检测肺结节有较高的精度和效率,且鲁棒性好.

  • 卷积神经网络重建欠采的磁共振图像

    作者:王一达;宋阳;谢海滨;童睿;李建奇;杨光

    目的 使用卷积神经网络(convolutional neural network,CNN)从欠采样的磁共振成像K空间数据快速重建出无伪影的高质量图像.材料与方法 实验数据包含60位自愿者矢状位、横断位、冠状位全采的T1加权脑部MR图像,使用旋转和拉伸等操作对训练数据进行扩增.不同欠采模式的MR图像和金标准图像分别输入CNN进行训练,学习获得的网络可实现由欠采图像到全采集图像之间的非线性映射.重建时,将CNN重建图像的K空间与原始的K空间数据进行合并保真.实验中利用金标准图像,计算重建图像的峰值信噪比(peak signal to noise ratio,PSNR)、结构相似度(structural similarity,SSIM)和高频误差范数(high frequency error norm,HFEN),定量评价重建结果.结果(1)CNN重建出的中央采样MR图像的PSNR、SSIM、HFEN分别为31.13、0.93、223.81,优于Tukey窗函数的25.69、0.86、482.75;(2)CNN重建出的伪随机采样MR图像的PSNR、SSIM、HFEN分别为32.78、0.95、195.51,优于压缩感知的31.01、0.93、184.69.结论 卷积神经网络可以从欠采数据重建出高质量的磁共振图像,无论是主观的视觉效果还是客观的评价参数都优于传统的处理方法.与K空间中央连续采集相比,伪随机采样模式更有利于CNN重建出高质量的MR图像.

  • 基于深度学习的皮肤影像分类

    作者:周航宁;谢凤英;姜志国;刘洁;晋红中;孟如松;崔勇

    随着大数据时代的到来,深度学习技术在图像分类、 检测等任务中相对传统模式识别方法均取得了令人瞩目的突破.2017年1月,斯坦福大学人工智能实验室采用深度学习方法对皮肤镜和临床皮损图像进行自动分类,并在 《自然》 杂志上发表了相关研究成果,代表了皮肤图像自动分析领域的新研究进展.本文从数据库建立、 研究方法设计以及试验结果分析等角度对这一研究工作进行解读,并分析国内皮肤影像计算机辅助诊断的研究现状,以及未来多源皮肤影像大数据分析与智能辅助诊断的发展空间,以期推进我国皮肤疾病的医疗诊断水平.

  • 基于卷积神经网络的小细胞型肺癌辅助检测方法

    作者:李学沧;贾识桢

    肺癌是世界上患病率并且死亡率高的疾病之一,而小细胞型肺癌由于密度差大以及涉及较多的图像因素,是脏器中容易诊断的癌症。创新性地提出一种新的辅助检测方法,即采取卷积神经网络算法辅助检测小细胞型肺癌,该算法已经在人脸识别、车辆识别和文字判别等领域取得了丰硕的成果。卷积神经网络很好地结合了之前检测算法的优点,又能兼顾准确性,更好地减少误诊率,提高学习效率。此外当有新的学习样本加入,在保持原有学习结果的基础上,只调整神经元的权值就能明显提高诊断率。

  • 卷积神经网络模型在儿科疾病预测中的应用

    作者:李小整;王华珍;熊英杰;曾字晨;何霆;吴谨准;陈坚

    目的:针对儿童看病需求量大导致的儿科诊疗服务效率和准确率偏低等问题,利用自然语言处理和深度学习技术,从儿科历史病历数据中自动“学习”专家医生诊断模式,形成智能辅助诊断模型,从而对新的儿科病历数据输出疾病诊断决策.结果:基于深度卷积神经网络的七分类疾病智能诊断模型的正确率为84.26%,Fl-score为84.33%,基本达到可投入实际应用的级别.结论:智能诊断决策作为预诊信息提供给医生进行确诊参考,对提升医生诊断速度效果明显.

  • 基于卷积神经网络的食管癌图像智能诊断系统设计

    作者:邓根强;吕周平;祝苗苗;董超雄;朱岁松

    目的:开发食管癌智能诊断系统,提升食管癌图像诊断的识别率和医生工作效率,同时提升基层医疗机构的食管癌图像诊断水平.方法:联合腾讯公司,采集多年来食管癌相关医学图像,通过数据标注、图像预处理、数据增强、深度学习等步骤,建立基于积神经网络的食管癌图像智能诊断系统,辅助医生进行智能诊断.结果:基于卷积神经网络的食管癌图像智能诊断系统在医院成功应用,得到一线医生的广泛好评.结论:此系统有利于基层医生全面提高食管癌诊断准确率,降低食管癌患者死亡风险.

  • 基于深度学习的心律失常检测算法研究

    作者:张坤;李鑫;谢学建;王倩云

    目的:设计一种深度学习算法,以实现心律失常自动检测.方法:针对心电图的识别特点,设计一套结合卷积神经网络和长短时记忆神经网络的复合深度学习网络,使用MIT-BIH心电图数据库进行深度学习网络的训练和测试,以实现部分类别心律失常心电图的自动识别,并将识别结果与人工标定结果进行对比分析.结果:该方法对正常和左束支传导阻滞、右束支传导阻滞、房性早搏和室性早搏5种心电图进行自动检测分类,通过测试对5种心电图分类的准确率为98.8%,召回率为98.8%,综合准确性评估指标F1值为98.8%,其中较难识别的房性早搏的分类准确率也达到了87.9%.结论:该方法取得了较好的识别效果,为推进心电图智能分类进行了有益的尝试.

43 条记录 1/3 页 « 123 »

360期刊网

专注医学期刊服务15年

  • 您好:请问您咨询什么等级的期刊?专注医学类期刊发表15年口碑企业,为您提供以下服务:

  • 1.医学核心期刊发表-全流程服务
    2.医学SCI期刊-全流程服务
    3.论文投稿服务-快速报价
    4.期刊推荐直至录用,不成功不收费

  • 客服正在输入...

x
立即咨询