基于三维多视角挤压激励卷积神经网络的肺结节良恶性分类研究EI北大核心CSCD

肺癌是对人类健康威胁最大的肿瘤疾病,早期发现对于患者的生存和康复至关重要。现有方法采用二维多视角框架学习肺结节特征并简单集成多个视角特征实现肺结节良恶性分类。然而,这些方法存在不能有效捕捉空间特性和忽略了多个视角的差异性问题。因此,本文提出三维(3D)多视角卷积神经网络(MVCNN)框架,为进一步解决多视角模型中各视角的差异性问题,在特征融合阶段引入挤压激励(SE)模块,构建了3D多视角挤压激励卷积神经网络(MVSECNN)模型。最后,采用统计学方法对模型预测与医生注释结果进行分析。在独立测试集中,模型的分类准确率和灵敏度分别为96.04%和98.59%,均高于目前已有方法;模型预测与病理诊断的一致性分数为0.948,显著高于医生注释结果与病理诊断的一致性。本文所提方法可以有效地学习结节空间异质性和解决多视角差异性问题,同时实现了肺结节良恶性分类,对于辅助医生进行临床诊断具有重要意义。     

基于SE-CapsNet的肺结节良恶性诊断研究

在过去的几年中,肺癌是癌症相关死亡的主要原因.提出一种针对低剂量计算机断层扫描(CT)影像精细化预处理条件下的SE-CapsNet分类方法,解决传统肺结节诊断方法中分类精度低、假阳性高等问题.改进胶囊神经网络分类算法:对最新Hinton的胶囊神经网络进行改进,引入新的非线性激活向量,避免全局向量压缩;采用特征重标定的方...     

基于Gabor小波和深度置信网络的肺结节良恶性分类研究

目的从频率域角度研究孤立性肺结节纹理特征,探讨深度置信网络对其良恶性的分类效果,达到辅助医生提高早期肺癌诊断准确率的目的。方法首先,利用Gabor小波对1012例患者的1072张孤立性肺结节CT图像提取纹理特征,用受限玻尔兹曼机对特征向量进行编码,学习数据本质特征;然后,用得到的纹理特征向量集训练深度置信网络,构建分类模型;最后,通过K折交叉验证法从准确性、ROC曲线下面积(AUC值)以及时间成本方面对本文提出的研究方法进行评估。结果经Gabor小波变换并构建DBN分类模型的准确度为83.75%,测试集的AUC值为0.78。与传统支持向量机分类模型相比,所提方法的准确度上升了0.56%,时间成本缩减了一半。结论利用Gabor小波从频率域提取纹理特征,结合深度置信网络构建分类模型能够取得较好的分类效果,一定程度上能够为临床诊断肺结节的良恶性提供参考。     

基于3DV-Net的肺结节检测分割算法

目的：提出基于深度学习的肺结节识别与分割算法,以辅助医生进行肺部疾病检测。方法：针对LUNA16数据集数据量大以及肺结节种类大小多样性等特征,采用基于改进的深度神经网络3DV-Net实现多种肺结节的检测分割,然后使用ResNet对结节图像和非结节图像进行分类。对LUNA16数据集中的肺部CT图像进行图像去噪、插值采样等预处理,然后生成粗分割图像和Mask图像,再使用改进的3DV-Net模型对数据进行多次训练预测。网络层级越深,出现梯度消散、梯度爆炸等问题的概率越大,改进的3DV-Net使用残差连接来改善这一问题。结果：改进的3DV-Net的Dice相似系数和IoU分别达到88.29%和88.25%。结论：本文方法有助于肺结节的检测分割,在肺结节的辅助诊断方面有重要意义。     

良恶性肺小结节CT图像基于灰度共生矩阵10种纹理特征研究

目的 建立多水平模型研究良恶性肺小结节CT图像的灰度共生矩阵纹理特征,更好地描述肺小结节CT图像,达到辅助肺小结节鉴别的目的.方法 对185例2171张肺小结节CT图像基于灰度共生矩阵提取10个纹理特征,拟合多水平统计模型分析良恶性CT图像的纹理特征的差异.结果 在考虑患者水平的基础上能量、惯性矩等8个纹理特征,在良恶性肺小结节的CT图像间的差异有统计学意义.结论 基于灰度共生矩阵的一些纹理特征是反应肺小结节CT图像良恶性的有效特征参量,在一定程度上有助于早期肺癌的鉴别诊断.     

基于并行注意力机制和深度神经网络的高质量远聚焦波超声图像重建

获得高质量的超声图像,通常需要做多次超声波的聚焦发射,为提高成像帧率而减少发射次数会降低成像质量.为解决该问题,本研究基于深度学习算法,使用Unet辅以并行注意力机制重建高质量远聚焦波超声图像.该方法最少能以16次聚焦发射的回波数据重建出原128次发射才能得到的高质量图像.本研究结合超声数据的特点,使用三维数据体作为输...     

基于多尺度注意力机制的三维卷积神经网络肺结节检测算法EI北大核心CSCD

基于电子计算机断层扫描(CT)的肺结节检测的早期筛查是降低肺癌死亡率的重要手段,而近年来三维卷积神经网络(3D CNN)已经在肺结节检测领域取得了成功并不断深入发展。本文提出了一种基于多尺度注意力机制的3D CNN肺结节检测算法。针对肺结节大小和形状各异的特点,设计了一个多尺度的特征提取模块,提取不同尺度的相应特征。通过注意力模块,从空间和通道两个角度挖掘特征间的关联信息,对特征加强。提取出的特征进入类似金字塔的融合机制,使得特征中同时包含深层的语义信息与浅层的位置信息,更利于目标定位与边界框回归。在具有代表性的LUNA16数据集上,相对于目前先进的其他方法,本文方法能够明显地提高检测灵敏度,可为临床医学提供理论参考。     

基于CT图像的肺结节计算机辅助诊断系统

本文介绍了一种基于CT图像的肺结节计算机辅助自动诊断系统。我们将肺结节的自动检测分为肺实质的提取、感兴趣区域（ROI）的分割和ROI特征参数提取及分类判别几个步骤。该系统能够在对肺部CT图像进行自动分析后给医生提示出可疑肺结节，从而提高了医疗诊断效率。     

基于CT图像的肺结节计算机辅助检测技术的研究进展

目的:通过对国内外在基于CT图像的肺结节计算机辅助检测技术(Computer-Aided Detection,CAD)领域的研究状况及其研究进展的综述,以期能对CAD研究提供借鉴.方法:根据对近年来国内外报道的CAD文献的分析和深入研究,结合作者在CAD方面的研究体会,本文对CAD国内外研究进展情况、存在的问题及可能的解决方案进行了详细的论述.结果:通过对目前国内外CAD研究中存在的问题及原因的深入分析,我们认为在建立能够描述不同类型肺结节的数学模型的基础上,基于大样本病历的数据库,设计有效的检测方法是提高肺结节检测效率的关键.结论:CAD能有效辅助放射科医生从CT图像中检测出肺结节,从而为肺癌的早期诊断奠定基础,但由于CAD研究尚存在的局限性,目前报道的CAD研究离临床的实际需要尚有较大的差距.     

基于反注意力机制U-Net网络的胃部肿瘤分割

首先利用全局与局部注意力对肿瘤进行定位,然后在模型中加入反注意力机制,将显著特征从原特征图中消除,并保留肿瘤的边缘轮廓信息。此外还在模型中使用深度监督,监督各个深度解码层的训练,有效抑制模型梯度消失现象,提高分割的准确性。本研究使用的是上海长征医院的胃部CT数据集,并将提出的模型与U-Net、Attention U-Net和ET-Net的实验对比。研究结果表明,相较于传统的U-Net网络模型,基于反注意力机制的U-Net模型在胃部肿瘤分割中性能得到了较大的提高,证明了该网络模型的有效性。     

基于高分辨率CT扫描的孤立性肺结节高危预测模型的建立与验证

目的：筛选孤立性肺结节（SPN）高危病变的高分辨率CT危险特征因素,建立SPN高危预测模型,并对模型进行内部验证。方法：回顾性分析317例SPN患者的胸部影像学征象,采用随机分组的方法按约6:4比例分为训练集和验证集,通过单因素及多因素分析Logistic逐步回归法筛选出与高危SPN相关的独立危险因素,建立预测模型;通过验证集数据对建立的模型进行验证,绘制受试者工作特征曲线（ROC）,评估模型预测价值。结果：单因素分析显示影像学征象位置、结节最大径、CT值、毛刺征、空泡征、分叶征与SPN是否高危存在统计学差异（P<0.05）,边界与SPN是否高危无统计学差异（P>0.05）。多因素分析显示位置、结节最大径、CT值、分叶征4个因素是SPN高危的独立预测因子（P<0.05）。通过训练集构建的预测模型为P=ex/（1+ex）,其中e为自然对数,x=-7.767+(2.821×位置)+（0.391×结节最大径）-（0.003×CT值）+（3.576×分叶）。训练集受试者工作特征曲线下面积（AUC）为0.932,95%CI为0.892～0.973,最佳截点值为T=0.208,敏...     

基于改进的VGG-16卷积神经网络的肺结节检测

【摘要】针对肺结节特征复杂、人工提取特征困难的问题,提出基于改进的VGG-16卷积神经网络的肺结节检测模型。首先采用阈值分割与处理最大连通区域后的图像进行掩模运算,得到肺实质部分。然后通过Regionprops标记每个连通区域序号分割出所有疑似结节;采用核函数极限学习机而不是Softmax函数作为VGG-16结构中的分类器。最后利用改进后的VGG-16模型去除假阳性结节,完成对肺结节检测。在LIDC-IDRI数据集上进行的实验表明改进后的模型能达到92.56%的准确率和94.44%的高敏感度。该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值。     

CT图像肺结节计算机辅助检测技术研究进展

根据近年来国内外计算机辅助检测(computer-aided detection,CAD)技术在CT图像肺结节检测中的研究进展情况,本文对比分析了目前检测流程中6个阶段(图像采集、预处理、肺实质分割、感兴趣区域提取、特征提取与优化、检测分析与降低假阳性率)各自所运用的研究方法及问题,并提出肺结节检测准确率的提高,依赖于各步骤算法的优化和大样本标准病例数据库的建立,需要在研究针对单一类型结节分类算法的基础上,设计通用的结节分类算法。     

基于深度学习技术的磁共振成像研究进展

磁共振（MR）成像是当前应用于临床医学诊断的重要医学成像手段之一。如何缩短扫描时间进行快速成像一直以来都是MR成像领域中的热门研究问题。近年来,随着深度学习的兴起和快速发展,深度学习被广泛应用于医学图像处理领域中。目前基于深度学习的MR成像方法作为MR成像的新兴方向,相应的研究已取得了一系列进展。本文对几种常见的基于深度学习的MR成像方法进行归纳和简要分析,并对其研究前景进行了展望。     

改进型深度学习模型在乳腺肿瘤良恶性鉴别中的应用

目的:解决传统方法在临床中对病理图像检测不足以及人工判断导致的错误判断等问题。方法:使用乳腺肿瘤细胞数据集,首先对数据集进行数据增强,增强后数据集为原来的2倍,将增强后数据集输入到本文提出的模型中进行训练。结果:经过100次迭代,训练集的准确率为97.44%,在测试集中准确率为96.4%,召回率为95.5%,与同类型文献相比都有明显提高。结论:本文章提出的改进型卷积神经网络具有收敛快,泛化好等特点。可以对乳腺肿瘤细胞的良恶性进行有效的辨识分类。     

基于深度学习分割掩膜的胸片图像配准技术及其应用

医学图像配准技术对临床诊断治疗具有重要意义。相比传统的图像配准方法,目前基于深度学习的配准方法提高了配准的精度和速度。为了将深度学习图像配准技术应用于胸片的配准以及减影分析,本研究先采用深度学习掩膜对原始胸片进行预处理,然后以掩膜图像作为输入,以ResUNet网络作为配准框架来实现胸片图像配准,最后评估配准效果。结果显示深度学习掩膜结合深度学习图像配准方法训练出的模型在胸片配准上具有良好的图像配准精度。这种基于掩膜的深度学习配准模型可以较好地应用于胸片的减影分析。     

改进的YOLOv4算法在肺结核检测中的应用研究

针对CT影像中肺结核病灶复杂且尺度变化大造成检测精度低的问题,提出了一种改进特征融合方法的YOLOv4网络用于肺结核的检测。首先,采用尺度均衡的金字塔卷积来捕获不同尺度特征层之间的相互作用,并在此基础上以自适应空间特征融合的方式过滤掉不同尺度上的冲突信息,以进行特征的有效融合。其次,在低层特征上引入了坐标注意力以进一步提高小目标的检测精度。根据北京胸科医院提供的300例病患信息,搭建了一套规范的肺结核CT数据集,并在所构建的数据集上进行了实验。输入图片分辨率设定为512×512,与原始YOLOv4相比本文模型mAP提升了4.96%,且该指标优于现有主流肺结核检测算法,如Faster R＿CNN、SSD、RetinaNet等。结果表明改进的YOLOv4算法能够有效解决检测目标尺度变化和小目标检测问题,提高检测精度。     

基于迁移学习的深层卷积神经网络心电信号疲劳分类

传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。本文设计一种深层卷积神经网络模型用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图片送入深层卷积神经网络模型中去训练,实现对操作员疲劳状态的分类。本文方法降低了模型的复杂性,减少了模型的参数,同时训练的数据不需要经过类似噪声滤波、特征提取等任何预处理步骤。结果表明该模型能自动从心电信号中提取有效特征,实现对操作员非疲劳和疲劳两种状态的正确分类,分类准确率达到97.36%。