基于深度学习特征的稀疏表示的人脸识别方法

本文针对传统的基于稀疏表示的人脸识别方法在小样本情况下对类内变化鲁棒性不强的问题,从特征的层面入手,提出了基于深度学习特征的稀疏表示的人脸识别方法。本方法首先利用深度卷积神经网络提取对类内变化不敏感的人脸特征,然后通过稀疏表示对所得人脸特征进行表达分类。本文通过实验,说明了深度学习得到的特征也具有一定的子空间特性,符合基于稀疏表示的人脸识别方法对于子空间的假设条件。实验证明,基于深度学习特征的稀疏表示的人脸识别方法具有较好的识别准确度,对类内变化具有很好的鲁棒性,特别在小样本问题中具有尤为突出的优势。

一种基于聚类的情报分析程序的设计与实现

聚类是一种根据数据相似度对海量数据进行"无监督"分类的信息处理技术。针对当前公安情报工作"数据丰富,知识贫乏"的现状,本文提出了一种基于聚类DBSCAN算法的情报分析程序,以某地市"两抢一盗"案件数据样本为例,测试了该程序在治安防范实践中的有效性,并与数字地图相结合,为预防多发性刑事案件提供了可视化的决策支持。

影像组学对不同X线表现类型乳腺病灶良恶性的鉴别诊断效能

目的探讨影像组学特征分析方法对不同X线表现类型乳腺病灶良恶性的诊断效能。资料与方法回顾性分析行乳腺X线摄片检查并获得病理诊断结果的816例女性患者资料。运用手动分割的方法分割病灶感兴趣区,并进行影像组学特征预处理和提取,用五折交叉验证及逻辑回归方法进行良恶性病灶分类器训练和测试。使用受试者工作特征曲线下面积(AUC)评估乳腺病灶良恶性的诊断效能。结果影像组学特征分类器对乳腺肿块型病灶的鉴别诊断能力最强,其次是钙化,对非对称和结构扭曲的鉴别诊断效能较低(AUC值依次为0.82±0.02、0.75±0.07、0.61±0.05、0.58±0.10,P<0.05);在放射科医师阅片基础上联合运用影像组学方法可提高结构扭曲类型乳腺病灶的鉴别诊断效能(AUC值由0.78±0.08上升至0.82±0.08,P<0.05)。结论影像组学特征分析对于鉴别X线表现类型肿块型病灶的良恶性具有较好的诊断价值。

基于冠状动脉CT血管成像的深度学习模型对冠心病的诊断性能

目的探讨基于冠状动脉CT血管成像的深度学习(DL)模型评估冠心病管腔狭窄的诊断性能。资料与方法回顾性分析2014年7月—2020年7月北京大学首钢医院89例疑似冠心病患者的冠状动脉CT血管成像资料,采用侵入性冠状动脉造影作为参考标准,评价DL模型对冠心病管腔狭窄的诊断性能。管腔直径狭窄≥50%认为是梗阻性冠状动脉狭窄,并在斑块类型、斑块长度、斑块累及血管水平,应用受试者工作特征曲线下面积(AUC)比较DL模型和医师的诊断效能,同时计算敏感度、特异度、阳性预测值、阴性预测值和准确度。结果DL模型诊断阻塞性冠状动脉狭窄的AUC为0.92,敏感度为86.2%,特异度为87.6%,阳性预测值为66.37%,阴性预测值为95.71%,准确度为87.28%。在斑块类型水平,DL模型对混合型斑块所致管腔狭窄的敏感度最高(100%),对非钙化斑块所致管腔狭窄的特异度最高(88.9%),对非钙化斑块所致管腔狭窄的整体诊断效能最优,准确度为89.43%,AUC为0.94。在斑块长度水平,DL模型对局限性斑块与节段性斑块所致管腔狭窄的诊断效能接近,AUC分别为0.91和0.95。在斑块累及血管水平,DL模型对左主干、右冠状动脉、前降支、回旋支及分支血管的管腔狭窄诊断AUC分别为1.00、0.96、0.90、0.90和0.92。DL模型对不同长度斑块所致管腔狭窄的诊断性能差异有统计学意义(χ^(2)=8.43,P=0.01),对不同类型斑块所致管腔狭窄的诊断性能差异无统计学意义(χ^(2)=0.77,P=0.68),对不同累及血管管腔狭窄的诊断性能差异无统计学意义(χ^(2)=9.43,P=0.05)。对于非钙化斑块、混合斑块及节段性斑块所致管腔狭窄,DL模型的诊断性能高于医师,差异有统计学意义(Z=2.53、2.52、2.49,P=0.01)。结论基于冠状动脉CT血管成像的DL模型诊断冠心病具有较高的准确性,是诊断冠心病的可靠辅助工具。

基于深度学习的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能

目的评价基于深度学习(DL)的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能。方法回顾分析932例接受乳腺X线检查患者的头足位(CC)和内外斜位(MLO)资料,由2名低年资医师和DL系统盲法独立阅片,一名高年资医师审核结果。比较DL系统与低年资医师检出敏感度差异,结合双向表χ2检验,评价不同BI-RADS分类、钙化形态和分布影响。结果针对3728幅影像(932例),标记可疑钙化274例。2名低年资医师和DL系统的检出敏感度分别是76.64%(210/274)、82.12%(225/274)和99.64%(273/274)。DL系统检出敏感度不受钙化形态、分布、BI-RADS分类等因素的影响(P均>0.05),而低年资医师对无定形钙化和团簇分布钙化的敏感度明显降低(P均<0.05)。结论基于DL的乳腺X线影像钙化检出系统检出对可疑形态钙化的敏感度高且稳定,可辅助临床医师减少漏检。

基于深度学习的人工智能胸部CT肺结节检测效能评估

背景与目的肺结节精确检测是实现肺癌早诊的基础。基于深度学习的人工智能在肺内结节检测领域发展迅速,对其效能进行验证是促进其应用于临床的前提。本研究旨在评估基于深度学习技术的人工智能软件在胸部计算机断层扫描(computed tomography, CT)恶性及非钙化结节检出中的价值。方法由天津医科大学总医院自建胸部CT肺结节数据库中随机抽取200例胸部CT数据,包含病理证实的肺癌及随访结节病例,导入肺结节人工智能识别系统,记录软件自动识别结节,并与原始影像报告结果进行对比。人工智能软件及阅片者检测到的结节由2名胸部专家进行评估并记录其大小及特征。计算灵敏度、假阳性率评估人工智能软件及医师的结节检测效能,应用McNemar检验确定二者之间是否存在显著性差异。结果 200例胸部多层螺旋CT共包含非钙化结节889枚,其中肺癌结节133枚,小于5 mm结节442枚。人工智能及放射科医师肺癌检出率皆为100%。人工智能软件结节检测灵敏度明显高于放射科医师(99.1%vs 43%, P<0.001)。人工智能总体假阳性率为每例CT 4.9个,排除5 mm以下结节后降为1.5个。结论基于深度学习的人工智能软件能实现恶性肺结节的无漏诊检出,具有较医师更高的结节检出灵敏度,在排除微小结节后可降低假阳性率。

基于乳腺超声动态影像的深度学习模型建立与初步应用

目的建立基于乳腺超声动态影像的深度学习模型方法,探讨其效能。方法对506例乳腺肿块患者行乳腺超声扫查,存储实时动态图像,导入多功能影像标注平台,采用基于深度学习的端到端的肿块检出网络对原始动态序列图像进行分析提取,训练建立最优化深度学习模型,并对模型的效能进行测试验证。结果平均每序列假阳性个数0.1、0.2、0.5,交并比为0.2和0.5时,基于深度学习模型的单帧乳腺超声影像的肿块检出敏感性分别为76.6%、84.2%、86.0%;基于深度学习模型的多帧乳腺超声影像的肿块检出敏感性分别为77.2%、91.8%、95.3%;平均每序列的假阳性个数0.2、0.5,多帧乳腺超声影像的肿块检出敏感性均较单帧乳腺超声影像的肿块检出敏感性高,差异均有统计学意义(均P<0.05)。结论基于乳腺超声动态影像的深度学习模型能提高乳腺超声影像的肿块检出敏感性。

乳腺影像报告和数据系统分类联合影像组学模型鉴别不同X线表型乳腺病灶良性与恶性的价值

目的:探讨乳腺影像报告和数据系统(BI-RADS)分类联合影像组学预测模型鉴别X线摄影不同表现类型乳腺病灶良性与恶性的效能。方法:回顾性分析东南大学附属中大医院2013年5月至2020年8月接受乳腺X线摄影检查并经病理证实的2055例女性患者。根据BI-RADS分类第5版将病灶分为肿块型及非肿块型,肿块型又分为小肿块(最大径≤2 cm)、大肿块(最大径>2 cm),非肿块型又分为非对称、钙化及结构扭曲。通过手动分割病灶感兴趣区提取影像组学特征并构建影像组学模型。使用受试者操作特征曲线及曲线下面积(AUC)评估BI-RADS分类、影像组学及两者联合鉴别诊断乳腺X线摄影不同表现类型良性与恶性病变的效能,采用DeLong检验比较3种模型的AUC。结果:BI-RADS分类、影像组学模型及BI-RADS分类联合影像组学模型诊断乳腺病灶良性与恶性AUC值分别为0.924±0.006、0.827±0.009及0.947±0.005;与BI-RADS分类、影像组学模型比较,联合模型的诊断的AUC最高,差异具有统计学意义(Z值分别为9.29、14.94,P<0.001)。联合模型鉴别大肿块、小肿块及非肿块乳腺病灶良性与恶性的AUC(分别为0.958±0.007、0.933±0.013、0.939±0.008)均高于BI-RADS分类(AUC分别为0.937±0.010、0.896±0.020、0.916±0.011,Z值分别为5.32、3.90、5.08,P<0.001)、影像组学模型(AUC分别为0.872±0.012、0.851±0.021、0.758±0.016,Z值分别为7.86、4.53、12.13,P<0.001)。联合模型诊断非对称乳腺病灶良性与恶性的AUC(0.897±0.017)高于BI-RADS分类(AUC为0.866±0.020,Z=4.27,P<0.001)、影像组学模型(AUC为0.633±0.029,Z=7.44,P<0.001);而联合模型诊断诊断钙化和结构扭曲乳腺病灶良性与恶性的AUC(分别为0.971±0.010、0.811±0.057)仅高于影像组学模型(AUC分别为0.827±0.021、0.586±0.075,Z值分别为7.40、3.15,P<0.001),与BI-RADS分类差异无统计学意义(AUC分别为0.959±0.012、0.800±0.061,Z分别为1.87、0.39,P>0.05)。结论:BI-RADS分类结合影像组学模型预测X线摄影不同表现类型乳腺病灶良性与恶性的效能较高,具有重要的临床应用价值。