基于深度学习的乳腺超声图像BI-RADS五分类方法

基于乳腺超声图像研究了一种深度学习自动分类算法TDS-Net,用于实现乳腺影像报告和数据系统(BI-RADS)3、4a、4b、4c、5级的五分类.TDS-Net设计了双支路的结构:首先,第一条支路采用提出的DDModule叠加构成,该模块能够减少超声图像中的伪影并提取丰富的局部细节特征;其次,第二条支路由卷积块构成,它主要用于提取图像的全局特征信息,作为第一支路的信息补充;最后,将两条支路融合得到含有丰富特征信息的融合特征图,并采用深度可分离卷积和SENet进一步提取图中的信息,其中,深度可分离卷积能够减少参数并增加网络的非线性进而增强其提取特征的能力,SENet注意力机制能增强高阶特征信息的提取.为验证该算法,采用云南省肿瘤医院提供的数据进行实验,结果显示准确率、精准率、F1值分别为94.67%、94.81%、94.69%,均高于对比算法,体现了该算法的优越性.同时为验证该算法的鲁棒性和普适性,基于两个公共数据集做了良恶性二分类的实验,实验结果同样高于对比算法.这些结果表明,所提算法TDS-Net对乳腺超声图像具有较强的识别能力,有望应用于临床医学.

ARS-CNN算法在新冠肺炎识别中的研究

随着新冠肺炎的蔓延,为了准确诊断新冠肺炎,本文提出了一种改进的基于卷积神经网络的新冠肺炎识别算法即ARS-CNN算法。该算法在CNN网络结构的基础上,加入了新的功能模块首先,为了捕获不同感受野的多尺度特征信息并加强网络对图像特征的利用,提出了跳跃连接RFB结构;其次,通过短连接aspp模块来改善网络在特征提取过程中图像分辨率减少所导致的局部信息丢失的问题;最后,将注意力机制GC模块与sSE模块进行融合实现对特征信息的筛选并完成特征信息之间的交互,从而提高新冠肺炎识别精度。在公开的COVID-19胸部X光数据集(Chest X-ray Database)上的实验表明,本文所提出的算法的加权平均准确率、精准率、召回率、FI分数、特异性分别为98.22%、97.91%、97.95%、97.92%、98.33%。与其他分类算法相比,本文所提出算法能够对肺部疾病进行高效识别,具有更高的识别性能。

改进的NASNet算法在乳腺超声诊断中的应用研究

超声图像在乳腺疾病的临床诊断中具有重要意义,但是乳腺超声图像分辨率低、样本量小,同时对于NASNet算法虽然适用于小样本数据但参数量大难以训练的问题。本研究提出一种改进的NASNet分类算法来检测乳腺肿块的良恶性。首先采用迁移学习技术将NASNet在ImageNet上预训练,将学习到的特征直接用于乳腺超声图像上肿块的良恶性识别,节省计算成本的同时提高精度;然后,为增强网络对超声图像特征的提取能力并使网络轻量化,在NASNet深层融入深度可分离卷积,构造出更深更宽的网络;最后,为了增强与疾病更加相关的特征权重,进一步增强高阶特征信息的提取能力,加入SE模块来筛选超声图像中占比较重的通道特征。为验证该算法,基于本地医院数据集以及公共数据集实验,其中本地医院数据共计1350张超声图像,两个公共数据集共计895张超声图像。采用五折交叉验证的训练方法,并将该算法与目前广泛应用的分类算法进行比较。基于本地医院数据实验的Acc、Sen、F1均为97.52%;公共数据集作为训练集和验证集,本地医院数据集作为测试集的实验的Acc、Sen、F1分别为96.31%、96.31%、96.39%;基于本地医院数据和公共数据的混合数据实验的Acc、Sen、F1均为98.27%。所提算法较其他算法具有优越性,证实了该算法更适用于小样本乳腺超声图像的肿块良恶性分类。

基于改进U-Net的肺野分割算法

针对受肺肩区域、胸膈角及肋骨影响的胸部肺野分割问题,提出了一种基于改进U-Net的肺野分割算法。首先,用inception模块代替U-Net编码块中的卷积层,在增加网络宽度的同时捕获更多的图像特征。然后,在编码块与解码块中引入残差网络,提升网络深度的同时保证网络稳定;在编码与解码之间用跳跃连接增强特征的传递和利用,解决编码部分连续下采样中的胸部肺野特征丢失问题。最后,在编码与解码部分结合通道和空间注意力机制对图像特征进行重标定,有效提高了算法的分割精度。实验结果表明,相比其他分割算法,本算法的分割性能更好,在公开Montgomery County数据集上的准确率、召回率、特异性、平均交并比分别为98.90%、97.81%、99.28%、97.17%。

基于U-Net的多尺度融合视网膜血管分割算法

针对眼底血管图像具有形状多样、分叉较多、曲度复杂的特点,提出了一种多尺度融合视网膜血管分割算法.该算法基于U-Net模型进行改进,首先在编码和解码部分使用短跳跃连接模块将网络浅层和深层的特征信息进行融合,通过增加浅层特征的权重,更多地保留了血管的边缘和细微结构信息.其次在编码部分采用空洞卷积构建空洞空间金字塔池化模块代替传统卷积块,来扩大算法的感受野,从而在不增加网络参数的同时进行多尺度特征融合,提取更丰富的空间信息.通过在DRIVE数据集上进行验证,实验结果表明:本算法的准确率和AUC值分别达到0.9572、0.9811,与U-Net等其他基于深度学习的算法相比分割效果更优,从而验证本算法在视网膜血管分割中更加有效.

籼稻三系不育系安丰A的特征特性

介绍了籼稻不育系安丰A的植物学特征、生物学特性、不育性、抽穗和开花习性、可恢复性与配合力。