3D-SPRNet:一种基于并行解码器和双注意力机制的胆囊癌分割模型

利用深度学习对胆囊CT癌变部分进行分割,能够为临床医生提供诊断参考。现有方法均采用二维影像切片作为输入,缺少空间上下文信息以及对癌变边界区域的细化。为提高边界分割的准确性,保证空间信息的连续性,本文提出3D-SPRNet胆囊癌分割模型:采用并行解码器提取多尺度高级特征并解码;使用通道注意力帮助网络强调特征提取信息;利用反向注意力关注未被预测的区域,逐步细化癌变边界。选取304位来自上海交通大学医学院附属新华医院胆囊癌患者的CT影像进行实验,得到的MIoU、IoU及Dice系数分别为0.85、0.70、0.83,优于大多数主流分割网络,通过消融实验验证各模块的有效性。实验结果表明,本文提出的网络模型能够改善分割边界粗糙的问题,提高胆囊癌变部分的分割精度。

基于多层次集成学习的骨质疏松辅助诊断研究

目的原发性骨质疏松是一种起病隐匿、病程较长,在中老年人中高发的疾病,其可引起包括骨折在内的一系列严重症状,是我国中老年人致残致死的主要原因之一。与骨质疏松相关的生理检验指标有很多,如何筛选利用这些指标为诊断服务、建立诊断模型,尚未有成熟、统一的方法。方法利用人工智能相关技术,对临床骨质疏松患者指标使用多种特征相关性算法进行特征选择,并在此基础上提出了一种多层次的集成学习框架:SAB-SVMKNN算法,其通过将内部同质学习器集成和外部异质学习器集成结合,将集成学习中的Boosting算法和Bagging算法使用Stacking进行集成,构建性能更强,适应性更好地诊断预测模型。结果使用特征选择从原始数据中的31项临床指标中筛选了对于骨质疏松最重要的8种相关特征,通过这种方式使各模型准确率平均提高了9.2%,且该研究对应的模型准确率提升18.6%,最终达到了94.8%的准确率。结论特征选择对于临床诊断和骨质疏松疾病的研究具有重要意义,该研究构建的预测模型可以有助于提高医生的诊断准确率。