首页 > 文献资料
-
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.
-
基于深度学习的颈动脉超声图像内中膜厚度测量
目的 颈动脉血管内中膜厚度(IMT)是衡量动脉粥样硬化程度的重要标准.一般采用人工标定进行测量,该过程耗时且繁琐,由此提出一种总体性能较好的全自动分割(AS)算法.方法 该算法首先利用卷积神经网络(CNN)识别出颈动脉血管远端,进而提取包含颈动脉内膜、中膜部分的感兴趣区域(ROI).采用基于堆栈式自编码器(SAE)构造的模式分类器将ROI中的像素进行分类.后利用分类区域的面积信息和位置信息对分类结果进行甄别,运用曲线拟合提取边界完成测量任务.结果 针对本研究所用图像库中的84幅颈动脉超声图像进行实验,金标准(GT)由两名专家4次测量的平均值产生,其与AS之间的绝对误差和标准差为(13.3±20.5) μm,协方差系数为0.990 7.结论 实验结果表明,此算法总体性能较好,能够实现超声颈动脉血管内中膜全自动、快速、准确分割,从而满足临床需要.
-
人工智能在医学影像CAD中的应用
深度学习是目前人工智能领域备受关注和极具应用前景的机器学习算法,有望革新传统计算机辅助诊断(CAD)系统,在精准影像诊断中发挥重要作用.就人工智能、机器学习、深度学习、卷积神经网络、迁移学习的基本概念,以及基于深度学习的CAD系统在肺、乳腺、心脏、颅脑、肝脏、前列腺、骨骼的影像及病理学中的研究现状予以综述.
-
基于稀疏连接残差网络的心脏传导阻滞 精确定位的自动识别
目的 实现对右束支阻滞、左束支阻滞和正常心电信号进行自动分类.方法 以MTI-BIH数据库为实验数据来源,从中提取训练集和测试集数据用于训练和测试网络模型,基于卷积神经网络提出核心算法:稀疏连接残差网络.将稀疏连接残差网络与已有的经典网络模型进行对比,以评估模型的识别效果.结果 稀疏连接残差网络的测试集准确率为95.2％,识别结果优于经典网络模型.结论 该文提出的算法能够辅助医生进行心脏传导阻滞类疾病的诊断,有一定的临床应用价值.
-
基于迁移学习的全连接神经网络舌象分类方法
目的 针对深度学习在舌象分类中训练数据量大、训练设备要求高、训练时间长等问题, 提出一种基于迁移学习的全连接神经网络小样本舌象分类方法.方法 应用经Image Net海量数据集训练后的卷积Inception_v3网络提取舌象点、线等有效特征, 再使用全连接神经网络对特征进行训练分类, 将深度学习网络学习到的图像知识迁移到舌象识别任务中.利用舌象数据集进行训练、测试.结果 与典型舌象分类方法 K近邻 (KNN) 算法、支持向量机 (SVM) 算法和卷积神经网络 (CNN) 深度学习方法相比, 本实验使用的两种方法 (Inception_v3+2NN和Inception_v3+3NN) 具有较高的舌象分类识别率, 准确率分别达90.30％和93.98％, 且样本训练时间明显缩短.结论 与KNN算法、SVM算法和CNN深度学习方法相比, 基于迁移学习的全连接神经网络舌象分类方法可有效提高舌象分类的准确率、缩短网络的训练时间.
-
智能医学影像识别研究现状与展望
智能医学影像识别是基于人工智能技术, 对X线片、计算机断层扫描、磁共振成像等常用医学影像学技术扫描图像和手术视频进行分析处理的过程, 其发展方向主要包括智能影像诊断、影像三维重建与配准、智能手术视频解析等.智能影像诊断和影像三维重建与配准可提高影像识别的效率和质量, 为疾病诊断和治疗提供帮助;智能手术视频解析可帮助外科医师学习、理解外科手术, 并进一步指导手术过程.目前, 对该领域的研究已取得一定的进展, 正在逐步走向临床应用.本文就智能医学影像识别取得的进展进行总结, 并对该领域的发展前景进行展望.
-
基于卷积神经网络的人参与西洋参饮片鉴别方法研究
目的 建立用于中药材饮片真伪鉴别的卷积深度神经网络识别系统.方法 构建包含人参与西洋参饮片真伪品的数据集,并通过正交试验对卷积神经网络的学习率、动量系数、批尺寸、权值衰减系数进行优化,确定卷积神经网络区分人参、西洋参饮片的佳条件.结果 建立基于卷积神经网络的人参与西洋参饮片的鉴别的方法,识别准确率达0.909.结论 本研究采用卷积神经网络图像识别技术建立了人参与西洋参饮片的真伪鉴别方法,适用于人参与西洋参饮片的快速区分.
-
基于深度卷积神经网络的肾透明细胞癌细胞核分割
肾透明细胞癌病理图像中细胞核的形态和位置信息对肾癌的良恶性分级诊断具有重要意义,为提高肾透明细胞癌细胞核分割的质量,本研究提出了基于深度卷积神经网络的细胞核分割方法.首先,根据标定的病理图像中细胞核轮廓,构建细胞核分割样本集;然后,深度卷积神经网络通过隐式特征学习对细胞核分割模型进行训练,避免人为设计特征;后,利用细胞核分割模型对病理图像进行逐像素分割.实验结果表明,深度卷积神经网络的细胞核分割算法在肾透明细胞癌细胞核分割的像素准确率高达90.33%,细胞核分割性能稳定,深度卷积神经网络强大的鲁棒性和适应性使得肾透明细胞癌细胞核自动分割具有可能.
-
RSNA2018心脏MRI及CT
2018年RSNA关于心脏MRI及CT方面研究的热点和重点主要包括以下几个方面:1.心肌病的诊断;2.MRI及CT在冠状动脉疾病诊断及预后的应用;3.心律失常的诊断;4.心脏瓣膜成像;5.肿瘤治疗相关心脏毒性的早期检测;6.人工智能在心血管CT及MRI中的应用;7.MRI及CT新兴技术的研究.与2017年相比,2018年关于人工智能方面的研究有所增多,本文对以上内容进行综述.
-
深度卷积神经网络在放射治疗计划图像分割中的应用
目的:结合全卷积神经网络(Fully Convolutional Network, FCN)和多孔卷积(Atrous Convolution, AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画.方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集.选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network, D-FCN).分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的佳分割模型,后使用测试集图像对充分训练后获取的佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力.结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%.结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割.
-
基于深度相机的老年跌倒监护系统
为缓解社会老龄化压力和解决子女照顾老人的精力不足等问题,设计一种基于深度相机的高准确性和低误报性的人体跌倒检测系统.该系统使用RGB相机和红外IR相机获取标定后的老人所在环境的3D图像,并利用深度卷积神经网络提取人体的多个关节点位置,后基于多个连续帧之间人体关节点的运动变化特征和3D场景特征相结合的方法综合判定老人是否发生跌倒行为.测试实验结果表明该系统能有效地检测到人体的跌倒行为,具有十分优良的鲁棒性.
-
基于卷积神经网络的细胞识别
结合深度学习理论,将卷积神经网络算法运用到细胞识别上.相比传统的细胞识别算法,基于卷积神经网络的细胞识别使流程变得简单,同时也使得细胞的识别率更高.与多层神经网络、支持向量机及决策树等机器学习算法相比,卷积神经网络算法由于本身网络的复杂度以及训练集的大样本量,其深度远大于传统的机器学习算法,能较这些手工提取特征的方法更好地表达特征和区分细胞,终取得的分类效果也要优于前者.研究结果表明卷积神经网络算法能较好地用于细胞识别.
-
基于卷积神经网络CT/CBCT影像质量自动分析
目的:通过独立的程序自动分析数据,可以在减轻影像的质量保证(QA)工作量的同时,尽可能避免操作者主观因素造成的偏差.方法:对Catphan500/503/504/600的CT/CBCT影像按照功能模块进行分类,并通过卷积神经网络(CNN)进行学习,学习后对新输入的CT/CBCT影像可以自动识别并根据功能模块进行分类,继而对相关指标包括影像CT值的线性、调制传递函数以及均匀性等进行自动分析,以便确保临床应用的影像质量达到要求.结果:对于Catphan500扫描的CT图像和Catphan503扫描的CBCT图像,经过CNN自动分类对于功能模块CTP401、CTP404、CTP528都可以正确标记出来,但是CTP486的精确度没有达到100％,即有部分不属于CTP486的模块被错误判断成CTP486.同时均可实现对CT的值线性、调制传递函数以及均匀性3个图像指标进行自动分析.结论:基于CNN能够准确地对CT/CBCT扫描的Catphan图像进行分类,下一步将拓展该方法到其他影像设备的QA体模,以便实现更广泛的自动影像质量保证.
-
基于固有模态分解和深度学习的抑郁症脑电信号分类分析
以采集到的抑郁症患者和正常人的脑电信号为基础,采用固有模态分解算法对原始信号去噪处理,通过卷积神经网络对抑郁症患者和正常人进行分类分析.首先通过脑电信号的采集实验,采集15位抑郁症患者和15位正常人对照组Fp1的静息态脑电信号;之后对采集到的静息态脑电进行去噪处理,脑电去噪处理主要包括固有模态分解算法对原始信号的分解获得不同层次的IMF分量,对IMF分量进行频域分析,通过硬阈值的方法剔除原始信号中的噪声信号;后采用卷积神经网络对抑郁症患者和正常人对照组进行二值分类,结果相较于传统的特征提取-机器学习算法,分类准确率明显提高.
-
基于深度学习的超声自动测量左室射血分数的研究
目的 为提高基于超声心动图Simpson法的左室射血分数(LVEF)测量的效率,提出一种基于深度学习自动测量LVEF的方法.方法 首先,建立卷积神经网络,利用收集的38 153幅标记的数据对网络进行训练测试和验证,将采集到的超声心动图数据自动分成5类,获取心尖二腔(A2C)和四腔(A4C)切面;其次,建立全卷积神经网络,以VGG-19为主干架构,利用收集的3871幅A2C和4679幅A4C数据进行训练测试和验证,对自动获得A2C和A4C的左室进行自动分割,计算LVEF.结果 该方法获得A2C和A4C的准确率达96.8％,分割真阳性率达88.8％,所得LVEF误差率为0.038 947.结论 深度学习自动测量LVEF的方法较传统方法精度和效率更高,具有较好的临床应用价值.
-
基于卷积神经网络提取超声图像甲状腺结节钙化点的研究
超声是检测甲状腺结节的首选方法,钙化特征是甲状腺结节良恶性判别的重要特征.但是由于囊壁等结节内部结构的干扰,钙化点提取一直是医学影像处理技术中的难点.本文提出了一种基于深度学习算法的钙化点提取法,并在阿列克谢(Alexnet)卷积神经网络的基础上提出了两种改进方法:①通过添加逐层对应的反池化(unpooling)和反卷积层(deconv2D)使网络向着所需要的特征进行训练并终提取出钙化特征;②通过修改Alexnet模型卷积模板的数量和全连接层节点的数量,使其特征提取更加精细;终通过两种方法的结合得到改进网络.为了验证本文所提出的方法,本文从数据集中选取钙化结节图像8 416张、无钙化结节图像10 844张.改进的Alexnet卷积神经网络方法的钙化特征提取准确率为86％,较传统方法有了较大提升,为甲状腺结节的良恶性识别提供了有效的手段.
关键词： 甲状腺结节 钙化点 卷积神经网络 阿列克谢卷积神经网络 -
基于集成学习的临床心电图分类算法研究
随着心电图数据量快速增长,计算机辅助心电图分析也有着越来越广阔的应用需求.本文在基于导联卷积神经网络的临床心电图分类算法上提出多种策略,进一步提升其在实际应用中的性能.首先用不同的预处理方法和训练方法获得两个不同的分类器,接着用多重输出预测法来增强每个分类器的性能,后用贝叶斯方法进行融合.测试了超过15万条心电图记录,所提方法的准确率和受试者工作特征曲线下面积(AUC)分别为85.04％和0.918 5,明显优于基于特征提取的传统方法.
-
基于卷积神经网络的注意缺陷多动障碍分类研究
注意缺陷多动障碍(ADHD)是一种高发于学龄儿童的行为障碍综合症.目前,ADHD的诊断主要依赖主观方法,导致漏诊率和误诊率较高.基于此,本文提出一种基于卷积神经网络的ADHD客观分类算法.首先,对脑部磁共振图像(MRI)进行头骨剥离、高斯核平滑等预处理;其次,对大脑的右侧尾状核、左侧楔前叶和左侧额上回部位的MRI进行粗分割;后,利用3层卷积神经网络进行分类.实验结果表明:①本文的算法能有效地对ADHD和正常人群进行分类;②右侧尾状核和左侧楔前叶的ADHD分类准确率要高于ADHD-200全球竞赛中所有方法达到的ADHD高分类准确率(62.52％);③利用上述3个脑区对ADHD患者和正常人群进行分类,其中右侧尾状核的分类准确率高.综上所述,本文提出了一种利用粗分割和深度学习对ADHD患者和正常人群进行分类的方法.本文方法分类准确率高,计算量小,能较好地提取不明显的图像特征,改善了传统MRI脑区精确分割耗时长及复杂度高的缺点,为ADHD的诊断提供了一种可参照的客观方法.
-
基于深度卷积神经网络的脑部图像疾病类别特征库构建
介绍深度卷积神经网络基本理论,阐述基于深度卷积神经网络的脑部图像视觉特征提取,设计一种适用于脑部疾病图像的分类器,进而实现脑部图像疾病类别特征库构建,为基于脑部图像疾病类别特征库开展临床辅助决策等应用提供可能.
-
深度学习在生物医学数据中的应用
介绍深度学习方法常用模型结构,包括卷积神经网络和循环神经网络模型,总结目前生物医学数据分析中深度学习的新应用情况,分析其在数据处理、模型构建和训练方法等方面共有问题的解决方法,指出深度学习方法应用于生物医学数据分析中仍需解决的问题.
