基于深度学习的结肠息肉检测算法

近年来,受结肠疾病困扰的人群数量不断增加,由于诊断不及时,结肠疾病容易演变成结肠癌,严重威胁患者的生命健康。结肠息肉是结肠癌在患者体内的前期表征,通过结肠镜及时准确地检测结肠息肉并进行干预可以降低结肠癌发生的概率。目前,深度学习在医学图像处理领域应用广泛,在结肠镜图像息肉检测中应用深度学习技术,可以帮助医生进行精确诊断。针对传统方法在肠息肉检测中因息肉成像差异大、肠息肉类型多样等存在假阳性高的问题,利用U-net++网络对结肠息肉进行检测,提出一种引入注意力机制的U-net++改进模型,采用端到端的结构,并针对不同网络进行实验研究,对不同网络模型在结肠息肉检测结果进行精度和损失度对比分析。经过实验验证,引入注意力机制的U-net++改进网络模型能够快速精确地检测结肠息肉,可以更好地辅助医生进行临床决策和干预,具有重要的研究意义和临床应用价值。

基于深度学习的CT图像肺气管分割

根据肺部计算机横断扫描(computed tomography,CT)图像准确提取肺气管对肺呼吸功能测定和疾病诊断具有重要意义。现有的肺气管分割方法需要依赖大量人机交互才能提升分割精度,而深度学习在医学图像处理领域有比较广泛的应用,尤其是在肺部结节检测和良恶性诊断方面,但深度学习用于肺部CT图像的肺气管分割由于图像噪声和部分容积效应的影响会造成肺气管分割的泄漏,难以分割出微小的气管。原始肺部CT图像中包含骨骼、病床等非感兴趣区域,处理数据量的增大会消耗更多的数据处理时间,且极易造成误差。利用肺气管树的解剖结构信息,对肺气管分割采用分步处理,提出了一种基于Attention-Unet的肺气管分割方法。实验结果表明,将基于深度学习的Attention-Unet网络应用于肺部CT图像的肺气管分割,能提高分割的速度和精度,并有效防止泄漏。

自动感应输液管液位提示器

在日常生活中,生病之后去医院输液是经常发生的事,然而可能因为疏忽,忘记观察输液进度,这种情况对于患者是十分危险的。基于这种情况,我们制作了自动感应液位高度的提示器,这款提示器可以提示液位高度,提醒医护人员某位患者的输液情况,既能够减少医护人员的工作量,又能够降低出现意外的概率,对于患者和医生来说都是有益的。