基于深度卷积神经网络的宫颈细胞病理智能辅助诊断方法

针对宫颈细胞病理自动筛查问题,提出一种基于深度卷积神经网络的智能辅助诊断方法。首先采用基于改进UNet深度卷积神经网络模型的语义分割方法,检测出宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域。接着,利用VGG 16深度卷积神经网络模型,结合迁移学习技术,对检测出的细胞(粘连簇团)区域进行精确识别。为了提高深度卷积神经网络模型的性能,在进行细胞(粘连簇团)区域检测、识别的过程中,采用了数据增强技术。同时,针对该领域相关研究缺乏宫颈细胞病理液基涂片扫描图像数据集的问题,我们收集四川大学华西附二院的典型LCT筛查病例,建立了宫颈细胞病理图像HXLCT数据集,并由资深病理医生完成数据标注。实验表明,本文方法能够较好地完成宫颈细胞病理涂片扫描图像中的细胞(粘连簇团)区域检测(正确率为91.33%),并能对检测出的区域完成正常、疑似病变二分类识别(正确率为91.6%,召回率为92.3%,ROC曲线线下面积为0.914)。本文工作将有助于宫颈细胞病理自动筛查系统的开发,对于宫颈癌早期防治具有重要意义。     

基于YOLO模型的宫颈细胞簇团智能识别方法

针对宫颈细胞簇团自动识别问题,本文提出了一种基于YOLO v2模型的智能识别方法。首先,针对宫颈细胞簇团识别任务的特点,采用resnet 50模型作为YOLO v2网络的基础特征提取模块。同时,提出了相应的数据扩增方法与YOLO v2网络的训练方案。同时,我们收集宫颈细胞液基涂片扫描图像,建立了宫颈细胞簇团图像数据集,并由细胞病理专家对其中的细胞簇团进行了标注。实验表明,本文方法能够有效完成宫颈细胞病变簇团的自动识别,在测试图像集中,针对细胞簇团识别的准确率为75.9%,召回率为86.3%;针对宫颈细胞图像识别的准确率为87.0%,召回率为86.7%。本文将深度学习技术引入到宫颈细胞辅助筛查领域,对于促进宫颈癌早期自动筛查系统的研究,具有重要意义。     

基于改进的Faster R-CNN模型的异常鳞状上皮细胞检测

宫颈癌是目前世界上最常见的妇科恶性肿瘤,患者死亡率非常高。新柏氏液基细胞学检测(TCT)是宫颈癌筛查的基本方法,病理医生在显微镜下观察子宫颈脱落的鳞状上皮细胞,查看是否存在异常鳞状上皮细胞进行诊断。TCT对宫颈癌的检出率为100%,同时还可以发现部分癌前病变和微生物感染。目前国内的病理医生只有10000人左右,而且培养周期长,需求缺口极大。本文使用经过病理医生标注的数字病理图像,训练目标检测模型。设计了基于Faster R-CNN的网络结构改进的模型,引入了可形变卷积网络和特征金字塔网络,实现了对宫颈数字病理图像进行自动识别,为临床宫颈疾病诊断提供辅助参考。实验结果表明,改进后的模型能快速收敛,在测试集上的测试结果m AP(mean Average Precision)可以达到0.29,已经基本满足辅助病理医生诊断的需求(实际医院临床使用的模型m AP为0.32)。     

基于胸部CT图像的肺癌识别方法的研究

 针对医学影像中小结节容易被漏诊的问题,提出了基于胸部CT图像的肺癌计算机辅助诊断新方法.首先从胸部CT图像分割出关心区域(ROI);然后提取ROI的特征;其次采用RS理论选择有效特征;最后基于这些有效特征建立面向不同需求的肺癌识别模型.即如果需要快速诊断,则利用SONN建立肺癌识别模型;如果需要进行准确诊断,则利用SPAM建立肺癌识别模型和非肺癌识别模型,并根据待识别样本与模型的相似度判断所属类别.但是当相似度较小时,则利用HMM进一步识别.通过实验验证了该方法的有效性.     

对光照变化不敏感的微观高光谱图像木材树种识别算法研究

木材往往堆积在室外,在对木材样本采集高光谱图像时往往会受到外界因素(光照、温度、湿度)的影响,从而造成木材树种的误判。为了解决这一问题,本文利用PLS(Pattern Lacunarity Spectrum)和LBP(Local Binary Pattern)对木材横截面的高光谱图像的纹理信息进行了特征提取,而后将高光谱图像的近红外光谱与纹理特征相融合,并以融合后的新特征作为识别的依据,最后使用SVM(Support Vector Machine)和BP(Back Propagation)神经网络两种分类器对木材树种进行了识别,实验表明该算法在无干扰情况下可拥有最高100%的识别正确率效果。为了验证该算法可以在高光谱图像失真的情况下依然可以对木材进行正确的识别,本文仿真了光照变化对高光谱图像的影响,并对比了影响前后的识别正确率,结果显示该算法可以在高光谱图像失真的情况下对木材的树种进行正确的识别,优于传统的和近期主流的木材树种分类算法。     

一种基于二叉树决策分类的乳腺肿块自动检测方法

乳腺癌是严重威胁女性健康的重要疾病,乳腺癌计算机辅助诊断能够提高乳腺普查的效率和精度。乳腺肿块的自动检测是实现乳腺癌计算机辅助诊断的重要一步。由于肿块和背景之间的对比度低,肿块大小、位置、灰度不确定等,肿块的准确检测非常困难。预处理、疑似区域分割、特征提取以及分类器设计是乳腺肿块分割的关键。本文对经过增强的乳腺X光图像采用一种自适应阈值方法分割出疑似区域,提取疑似区域表征乳腺肿块的面积、紧凑度、圆形度、灰度方差、灰度均值以及偏离度六种特征,最后利用二叉决策树把疑似区域分为两类:肿块和正常乳腺组织。利用50幅图像测试系统的性能,肿块的检测率(TP)为86.18%,且每幅图像的平均误检(FP)为1.18个。实验结果证明了本文提出方法的有效性。     

Gabor小波与HOG特征融合的行人识别算法

针对传统HOG特征行人检测方法中,当目标存在遮挡以及面对复杂环境条件下,行人识别存在较高漏检率和误检率的问题,提出一种基于Gabor小波与HOG特征融合(G-HOG)的行人识别算法。利用Gabor小波对样本图像进行特征变换并在尺度和方向上融合,获取Gabor特征图像,利用HOG算子在特征图像上提取目标特征,进行样本分类,获取行人目标的疑似区域;对行人样本进行HOG特征提取与训练,实现对疑似区域的目标识别。实验结果表明,基于G-HOG特征的行人识别算法在INRIA、MIT与Daimler数据库上性能表现良好,能够获取较高的查全率和识别率。     

宫颈细胞的生物学特征-卷积神经网络联合分类方法

为了改善在宫颈细胞的分类工作中,出现的将异常的病变细胞与正常细胞判断混淆的误诊问题,提出了一种细胞生物学特征-卷积神经网络联合分类方法.首先,使用ResNet分类网络提取出特征向量,然后再将其与手动提取的DNA指数、细胞核/浆比特征一起输入到全连接层,并使用基于MSE损失值的逻辑回归分类,对宫颈细胞进行分类识别.使用5折交叉验证法在Heer数据集上的实验结果表明,这种将卷积神经网络与细胞生物学特征相结合的联合分类方法相较于ResNet卷积神经网络,分类结果的整体准确率提高4％,达到了95％;同时优化MSE损失函数的方法在准确率达到瓶颈的情况下,能够将严重错分率由2.10％降为0.248％,且保持了细胞的整体识别准确率.提出的方法进行计算机辅助检测,能够提升宫颈细胞分类工作准确率、降低误诊率.     

基于图像处理和模糊识别技术的烟叶病害识别研究

为快速有效地诊断识别烟叶病害,提高烟草病害诊断水平,首先采用自适应中值滤波技术对采集的角斑病和野火病图像进行去噪处理,然后采用快速模糊C-均值聚类算法对病斑进行分割,最后提取烟叶病斑颜色、形状和纹理方面的特征,采用模糊识别技术对病害进行自动识别。实验测试表明,该模型对病害样本进行处理识别的正确率较高,能够满足生产的实际需求。     

基于视频图像的火焰识别算法

相对传统的火焰识别方法,为提高火焰识别精度,提出了一种基于红外热像仪和彩色摄像机的火焰识别算法。对采集得到的红外图像进行温度阂值分割,得到高温疑似火焰区域,通过三维重建技术匹配彩色摄像机中对应的高温疑似火焰区域,对其RGB空间模型进行色彩分析,排除干扰得到疑似火焰区域。在此基础上分析疑似火焰区域的区域增长特性及闪动特性,提取疑似火焰区域的面积及其轮廓,对其轮廓进行离散余弦变换,计算前后两帧图像轮廓的变化,从而进一步确定真实火灾火焰的发生,及时报警,减少误判率和危害性。实验证明了该算法的准确性和有效性。     

Automatic diagnosis of multiple fundus lesions based on depth graph neural network

Fundus images are commonly used to capture changes in fundus structures and the severity of fundus lesions, and are the basis for detecting and treating ophthalmic diseases as well as other important diseases. This study proposes an automatic diagnosis method for multiple fundus lesions based on a deep graph neural network (GNN). 2 083 fundus images were collected and annotated to develop and evaluate the performance of the algorithm. First, high-level semantic features of fundus images are extracted using deep convolutional neural networks (CNNs). Then the features are input into the GNN to model the correlation between different lesions by mining and learning the correlation between lesions. Finally, the input and output features of the GNN are fused, and a multi-label classifier is used to complete the automatic diagnosis of fundus lesions. Experimental results show that the method proposed in this study can learn the correlations between lesions to improve the diagnostic performance of the algorithm, achieving better performance than the original ResNet and DenseNet models in both qualitative and quantitative evaluation.     

基于自适应阈值分割的宫颈细胞图像分类算法

本文以宫颈癌细胞图像的自动筛查为应用背景,研究了一种新的宫颈细胞图像分类算法。算法首先采用形态学滤波与自适应直方图均衡的预处理方法进行图像增强;根据对图像内容与直方图分布关系的深入分析,提出采用经验因子加权Otsu自适应阈值分割算法进行细胞核分割,有效地解决了细胞重叠所引起的自适应分割阈值的选取问题;然后,通过提取面积、周长、区域面积与外接凸多边形面积比以及长宽比四种参数,对分割出的细胞核区域进行杂质剔除;最后以最能体现癌细胞特征的面积、平均灰度作为特征参数采用K-means算法对样本图像进行分类实验。实验样本为233幅宫颈细胞图像,其中49幅癌细胞图像,184幅正常细胞图像,实验结果证明了该算法的有效性。      

Detection of basal cell carcinoma using electrical impedance and neural networks

Variations in electrical impedance over frequency might be used to distinguish basal cell carcinoma (BCC) from benign skin lesions, although the patterns that separate the two are nonobvious. Artificial neural networks (ANNs) may be good pattern classifiers for this application. A preliminary study to show the potential of neural networks to distinguish benign from malignant skin lesions using electrical impedance is presented. Electrical impedance was measured in vivo from 1 kHz to 1 MHz at five virtual depths on 18 BCC and 16 benign or premalignant lesions. A feed-forward neural network was trained using back propagation to classify these lesions. Two methods of preprocessing were used to account for the impedance of normal skin and the size of the lesion, one based on estimating the impedance of the lesion relative to adjacent normal skin and one based on estimating the impedance of the lesion independent of size or surrounding normal skin. Neural networks were able to classify measurements in a test set with 100% accuracy for the first preprocessing technique and 85% accuracy for the second. These results indicate electrical impedance may be a promising clinical diagnostic tool for basal cell carcinoma or other forms of skin cancer.     

基于机器视觉的导光板缺陷检测方法研究

导光板在无尘车间制造过程中,因现场环境以及 生产治具的影响,不可避免的出现各种各样的缺 陷,造成产品质量的严重下降。针对这种问题,根据导光板的光学特性、缺陷形成原理及特 征,本文提出 一种基于机器视觉的导光板缺陷检测的方法。首先,根据导光板的导光点分布特性,提出了 基于密度的自 动分区算法;其次,针对不同分区,分别设计一个高斯双方向导数滤波器对导光板图像进行 卷积操作,并 利用在两个大小不一的均值滤波基础上做差,以去除正常导光点的干扰,获得缺陷增强图像 ;进而,利用 二值化阈值操作提取疑似缺陷连通区域,并在分析其区域特征基础上确认是否为缺陷,再加 以分类;最 后,在工业现场采集的导光板图像基础上,进行了大量的实验。实验结果表明,针对亮点、 压伤和线刮伤 缺陷具有较高的检测精度,基本可以满足工业检测要求。     

物理诊断设备精确自φ直方法

为了获确的激光打靶实验数据,需要使用诊断搭载平台搭载物理诊断设备对打靶目标进行高精直.针对传统方法存在耗时、误差(RMS)较大的问题,根据搭载平台与物理诊断设备的特点,提出了一种基于视觉伺服的精确自直方法.首先,构建三直向量估算立体视觉系统中靶的偏差,在弱透视条件下,估算值接近于真值;然后,建立三自由度姿态调节模型,提高姿态调节精度.最后,运直向量与调节模型设计视觉伺服控制器,仅需一次离线标定即可进行快直.通过以上改进,实现了物理诊断设备的精确自直.实验结果表明,诊断设备直精度(RMS)分别为:x 指向为11m,y 指向为12m.搭载分幅相机进行激光打靶考核验证,得到了物理实验过程的X光焦斑图像,表直方法满足工程使用要求.     

基于三相自搜寻比较法的电气设备过热故障识别方法

电力设备过热故障图谱识别是判断电力设备故障程度的重要手段。工程实际中通常是对变电设备热拍照并进行人工甄别。为提高设备热像图故障判定准确率和效率,本文针对电力三相设备的特点,提出了一种通过三相分区块自动搜寻及温度对比的过热区域判定方法,通过将三相设备热像图每相分离,调整为相似大小与姿态,将新图像分块进行对比,判定对应区块是否有异常温升,从而判定某相设备出现的热故障。试验结果表明,本文基于计算机自动搜寻和判定的设备热诊断方法能够更加高效准确地判定识别三相设备热故障,从而能够提高电力设备热故障检测的效率、准确性与自动化程度。     

Trimmed-likelihood estimation for focal lesions and tissue segmentation in multisequence MRI for multiple sclerosis

We present a new automatic method for segmentation of multiple sclerosis (MS) lesions in magnetic resonance images. The method performs tissue classification using a model of intensities of the normal appearing brain tissues. In order to estimate the model, a trimmed likelihood estimator is initialized with a hierarchical random approach in order to be robust to MS lesions and other outliers present in real images. The algorithm is first evaluated with simulated images to assess the importance of the robust estimator in presence of outliers. The method is then validated using clinical data in which MS lesions were delineated manually by several experts. Our method obtains an average Dice similarity coefficient (DSC) of 0.65, which is close to the average DSC obtained by raters (0.66).