基于多尺度特征提取的多导联心跳信号分类

心电图(ECG)是临床上诊断心脏疾病的重要依据,从中提取关键、有效的特征是自动诊断系统 的关键。而现今多数研究仅使用单导联或双导联数据,提取的特征不够全面,无法很好地区分不同心跳中的细 微差别。为了获得更加全面的特征和更优异的分类表现,本文提出了基于多尺度特征提取的多导联心跳信号分 类方法(MSNet)。首先,该方法接收多导联心跳信号堆叠矩阵作为输入;然后,利用 3 种不同尺度的一维卷积 分别提取特征;最后将不同尺度的特征融合并进行所属类别的分类。本文在 MIT-BIH Arrhythmia Database, MIT-BIHSupraventricular Arrhythmia Database和St Petersburg INCART 12-lead Arrhythmia Database 3个心电公开 数据集上进行了充分的实验,在五折交叉验证的策略下,对于“正常-异常”分类,该方法的准确率、召回率、 精确率、F1 值均达到了 99%以上;对于多类别分类,其平均准确率、平均召回率、平均精确率、平均 F1 值能 达到 99.5%左右。与现今优异的其他方法相比,该方法有着更好的表现。     

融合空间先验的医学影像分割神经网络模型

由于现有神经网络方法泛化性能的局限性、医学影像参差不齐的质量以及肿瘤的不规则性和浸润性,应用神经网络全自动分割方法的效果无法令人满意.为了充分地利用不同图像特有的信息,提出融合空间信息的先验嵌入网络的新范式.在神经网络中引入基于图像空间位置的先验信息引导模型聚焦于病灶区域,学习肿瘤的判别性特征并排除无关信息,从而增强模型对于特征的选择能力并提高分割精度.使用医学图像分割框架2D U-Net和3D nnU-Net分别作为主干网络,在肝肿瘤分割任务上采用LiTS数据进行实验.经过5折交叉验证,先验嵌入网络在训练集上的分割精度比2D U-Net提高22.4％;在测试集上比集成式nnU-Net提高1.2％,比非集成式nnU-Net提高4.4％.