一种用于影像组学的多级特征选择方法

针对医学影像中高维特征的问题,提出一种用于影像组学的多级特征选择方法(MSOM-GA)。用组内相关系数过滤对边界敏感的特征。用混合F-Score和信息增益的方法,去除不相关特征。用遗传算法去除冗余特征,选择最优特征子集。该算法在河南省人民医院脑胶质瘤影像数据上进行验证,实验显示,特征选择算法能显著提升特征的质量,算法的auc、acc、敏感度、特异性分别为0.9756、92.29%、93.70%、89.26%,与对照组相比具体数值有较为显著的提升。结果表明,该特征选择方法能有效地去除肿瘤边界不稳定特征、冗余特征和不相关特征,提高模型的训练精度。     

基于特征增强金字塔网络的阿尔茨海默症早期诊断研究

阿尔茨海默症（Alzheimer’s disease, AD）作为一种不可逆转的神经退行性疾病,能在其发病初期进行干预治疗对病情的控制和改善具有重要意义。近年来,研究者广泛地使用深度学习方法对AD的核磁共振成像（Magnetic resonance imaging, MRI） 进行分析并做出早期诊断。但AD早期的脑部结构变化与正常人差别较小,目前单一尺度的分析方法难以有效捕捉到这些细小差别的特征。针对以上问题,本文提出特征增强金字塔网络（Feature enhanced pyramid network, FEPN）进行AD的MRI早期诊断,通过设计的浅层特征重提取模型利用上下文信息补充高层特征,并计算融合权重指导高低层特征图的融合,增强了上下文信息交互和多尺度特征融合的匹配度。对比实验采用Kaggle公开的Alzheimer数据集对该方法进行验证,实验结果表明,相比于其他同类方法,FEPN有效提升了4种AD脑状态（非痴呆、非常轻度痴呆、轻度痴呆、中度痴呆）MRI的分类精度。     

基于卷积和可变形注意力的脑胶质瘤图像分割

对于脑胶质瘤图像分割这类密集预测的医学影像分割任务,局部和全局依赖关系都是不可或缺的,针对卷积神经网络缺乏建立全局依赖关系的能力,且自注意力机制在局部细节上捕捉能力不足等问题,提出了基于卷积和可变形注意力的脑胶质瘤图像分割方法。设计了卷积和可变形注意力Transformer的串行组合模块,其中卷积用于提取局部特征,紧随其后的可变形注意力Transformer用于捕捉全局依赖关系,建立不同分辨率下局部和全局依赖关系。作为一种CNN-Transformer混合架构,所提方法不需要任何预训练即可实现精准的脑胶质瘤图像分割。实验结果表明：所提方法在BraTS2020脑胶质图像分割数据集上平均Dice系数和平均95%豪斯多夫距离分别为83.56%和11.30 mm,达到了与其他脑胶质瘤图像分割方法相当的分割精度,同时降低了至少50%的计算开销,有效提升了脑胶质瘤图像分割的效率。     

基于价值评估的磁共振单序列多层LVP图像压缩算法

针对影像组学过程中医生标注影像数据工作量巨大的问题,提出了一种基于价值评估的磁共振单序列多层低价值点(low value point, LVP)图像压缩算法.对单序列多层LVP原图像使用滤波压缩算法,对已标注的单序列多层LVP分割图像使用池化压缩算法,将单序列多层LVP原图像和分割图像压缩为单层高价值点(highvaluepoint,HVP)原图像和分割图像.将压缩算法应用于磁共振脑胶质瘤的自有数据集和公开数据集中,对比了压缩前原始图像标注时间和压缩成单层HVP图像标注时间,并测试压缩图像进行影像组学分级任务的效果.实验结果表明:压缩后标注一例病例的时间与压缩前相比显著减少,AUC等指标在执行文中算法和未执行下得到的分级结果相差甚微,均高于医生诊断水平.因此,在误差可接受范围内,医生仅需标注一层HVP图像便能进行医学影像分析,并且也能获得较好的分析结果.对于医生来说,可显著缩减医生标注任务的工作量.     

基于IPv6的医学影像在线诊断系统设计与实现

远程影像诊断是医疗资源再分配的有效方式,临床上受到越来越多的关注。由于影像诊断复杂且影像数据体量较大,远程影像诊断的应用和发展受制于资深医生资源的配合以及传统IPv4网络的网络质量。为此,设计开发一套基于IPv6的医学影像在线诊断系统,使用IPv6高速专用通道传输医学影像数据。以脑胶质瘤为切入点,利用影像组学研发自动分析算法,辅助医生的诊断工作,实现了工程化的数据上传、病灶标注、自动诊断、医生确诊及病例讨论。经部署和测试,该系统能在IPv6环境下实现数据的高速传输,脑胶质瘤自动分级的准确率达到90.76%,能够为医生诊断提供可靠的依据,减少医生工作量。     

利用XML的一种因果模式Web挖掘模型

定义了一种因果关系模式,包括因集、果集和各种因果关系,以及影响度、分类权值等参数．再结合统计分析等各种数据挖掘算法和XML的优势组成了一种Web挖掘模型,该模型可用来发现Wleb上事物之间的内在联系以及发生规律,以便为任务的执行提供有力的预测和决策依据．应用实例表明,该模型是有效的,能够在预测和决策中发挥作用．     

基于多视角的脑胶质瘤分级模型研究

针对当前研究中的脑胶质瘤分级模型难以充分利用磁共振影像序列间的互补信息的问题,提出一种基于多视角的脑胶质瘤分级模型(MBMED).以最大熵判别模型(MED)为基础分类器;利用AdaBoost对多视角脑胶质瘤数据集进行模型训练.训练时进行等权重初始化,通过优化误差率对样本和多个视角的权重进行迭代更新,输出基础分类器的组合,实现对脑胶质瘤的精准分级预测.在公开数据集BraTS2017和自建数据集Glio-maHPPH2018上进行十折交叉验证实验,平均曲线下面积(AUC)分别为0.9485和0.9612.实验结果证明了该模型在脑胶质瘤分级中的有效性和准确性.