基于深度学习的医学图像分割方法

近年来,日渐成熟的人工智能深度学习技术使得众多领域逐渐实现自动化智能化作业。在医疗领域,随着医疗数据电子化和互联网医疗的发展,基于卷积神经网络实现包含定位、分割和分类于一体的辅助诊断系统应用已成为新型医疗模式发展的必然趋势。医学影像分割技术是医疗图像自动分析中的难点和重点,目前仍面临许多亟待解决的问题。该文将从临床医学影像的特点、深度学习主流分割网络和医学图像分割网络在临床中的应用3个方面对医学图像分割领域的研究进展进行系统综述,并进一步分析卷积神经网络在医学影像分割任务中的发展现状、面临的挑战以及未来的发展方向。

基于FA-Net的视网膜眼底图像质量评估

目的提出一种基于人类视觉注意力机制的FA-Net网络结构以使卷积神经网络(CNN)更适用于眼病筛查系统中的图像质量评估。方法FA-Net主网络由VGG-19网络组成,本研究在该基础上将人类视觉注意力机制加入到CNN中,并在训练时使用迁移学习的方法,使用ImageNet的权重初始化网络。注意力网络采用前景提取的方法,提取血管和疑似病灶点等感兴趣区域,并赋予感兴趣区域更高的权重来加强对感兴趣区域的学习。结果在训练FA-Net时,使用了2894张眼底图像。FA-Net在包含2170张眼底图像的测试集上,分类准确率达97.65%,其敏感度和特异性分别为0.978和0.960,曲线下面积(AUC)为0.995。结论FA-Net对比于其他CNN具有更优越的分类性能,能够更准确、高效地评估视网膜眼底图像质量。该网络考虑了人类视觉系统(HVS)和人类注意力机制,通过在VGG-19网络结构中加入注意力模块,在获得更好分类性能的同时也使分类结果更具有可解释性。

基于深度卷积神经网络对中期染色体分类的应用研究

目的通过深度卷积神经网络对分裂中期的染色体图像进行学习,测试其在染色体分类的准确率。方法该研究一共纳入1275例不同个体分裂中期的染色体图片,其中735例作为训练集用于深度卷积神经网络,245例作为测试集用作内部验证,245例外院数据用作外部验证;另取50例染色体图片资料,分别记录人和计算机完成染色体分类的时间及准确率。结果24分类的结果提示,分类网络在内部验证的准确率为91.22%,外部验证的准确率为91.48%;ResNet的分类效率是人工操作的1000倍以上,其准确率明显优于非遗传专科医师。结论深度卷积神经网络在染色体分类的应用价值极具有发展潜力,将有助于构建染色体核型分析自动化平台。

基于循环生成对抗网络的低质量眼底图像增强效果评估

目的构建循环生成对抗网络(CycleGAN)对模糊、曝光不足、曝光过度等低质量眼底图像进行质量提升,并对其效果进行评估。方法从EyePACS数据集中分别选取700张高质量和700张低质量眼底图像作为本研究的数据集。对数据集图像进行裁剪并统一缩放至512×512分辨率。采用2个生成模型和2个判别模型构建CycleGAN,生成模型根据输入的低/高质量眼底图像生成匹配的高/低质量图像,判别模型判别原始图像和生成图像。将本研究提出的算法与限制对比度自适应直方图均衡化(CLAHE)、动态直方图均衡化(DHE)、带色彩恢复的多尺度Retinex(MSRCR)3种图像增强算法的结果进行视觉定性评估,并采用清晰度、BRISQUE、色度、饱和度作为定量指标进行评估。应用糖尿病视网膜病变(DR)诊断网络对原图及不同算法增强图像进行诊断;并比较其准确度和特异度。结果CycleGAN算法对模糊、曝光不足、曝光过度3类低质量眼底图像的增强均取得最优效果,增强后的眼底图像对比度高、色彩丰富,视盘、血管结构清晰。CycleGAN算法增强的图像清晰度仅次于CLAHE算法;BRISQUE质量分数为0.571,比CLAHE、DHE和MSRCR算法分别高出10.2%、7.3%和10.0%;色度和饱和度分别为103.03、123.24,均高于其他算法;该算法增强100张图像仅需35 s,仅次于CLAHE算法,在速度上具有明显优势。CycleGAN算法增强的图像在DR诊断中的准确率和特异度分别为96.75%和99.60%,均较原图有所提高。结论CycleGAN可有效提升模糊、曝光不足、曝光过度眼底图像的质量,并有效提高计算机辅助DR诊断系统的准确率,可能在眼科临床诊断中有很大的应用价值。

基于ResNet50-OC模型的彩色眼底照片质量多分类方法效果评估

目的对基于深度学习的ResNet50-OC模型彩色眼底照片质量多分类的效果进行评估。方法纳入2018年7月在南京医科大学附属明基医院收集的彩色眼底照片PD数据集及EyePACS数据集,临床医师根据眼底图像的成像质量将其大致分为质量较好、曝光不足、曝光过度、边缘模糊和镜头反光5类。在训练集中,每个类别包含1000张图像,其中800张选自EyePACS数据集,200张选自PD数据集;在测试集中,每个类别包含500张图像,其中400张选自EyePACS数据集,100张选自PD数据集。训练集总计5000张图像,测试集总计2500张图像。对图像进行归一化处理和数据扩增。采用迁移学习方法初始化网络模型的参数,在此基础上对比当前深度学习主流分类网络VGG、Inception-resnet-v2、ResNet和DenseNet,选取准确率和Micro F1值最优的网络ResNet50作为分类模型的主网络。在ResNet50训练过程中引入One-Cycle策略加快模型收敛速度,得到最优模型ResNet50-OC并将其应用于眼底照片质量多分类,评估ResNet50与ResNet50-OC对眼底照片进行多分类的准确率和Micro F1值。结果ResNet50对彩色眼底照片质量多分类准确率和Micro F1值明显高于VGG、Inception-resnet-v2、ResNet34和DenseNet。ResNet50-OC模型训练15轮对眼底图像质量多分类准确率为98.77%,高于ResNet50训练50轮的98.76%;ResNet50-OC模型训练15轮对眼底图像质量多分类的Micro F1值为98.78%,与ResNet50训练50轮的Micro F1值相同。结论ResNet50-OC模型可以准确、有效地对彩色眼底照片质量进行多分类,One-Cycle策略可减少训练次数,提高分类效率。