基于改进的Faster R-CNN的息肉目标检测和分类方法

为了解决结肠镜下腺瘤性息肉和增生性息肉不易分型的问题,提出一种基于改进的Faster R-CNN的目标检测及息肉分类模型.在数据预处理阶段,对原有的2426张息肉图像(1582张腺瘤性息肉图像,844张增生性息肉图像)通过2种方式进行图像增强,并且通过改进的特征提取、边界框回归以及非极大值抑制的网络,用602张图像(386张腺瘤性图像,216张增生性息肉图像)进行测试.通过实验证明,在交并比(IoU)取0.5时,获得了86.8%的平均精度均值,相较于改进之前提升了2.3%.实验结果验证了该模型的潜在临床应用价值.

肾透明细胞癌数字病理图像细胞核ISUP分级预测

针对全切片数字病理图像中的肾透明细胞癌进行精准的细胞核分级并改善肾癌的治疗和预后,提出了一种基于多尺度通道信息拼接与融合残差网络的ccRCC病理图像国际泌尿病理学会核分级方法。通过多尺度通道信息拼接将不同阶段的语义信息进行融合,从而在不损失深度信息的同时提取更多的浅层特征,实现更准确的分类效果。实验收集了90例病人的肾组织病理切片,对WSI图像进行裁切和增强后,按照4:1的比例分成训练集和测试集。在训练集上对CSFNet卷积神经网络模型参数进行迭代优化,并在测试集上验证模型性能。实验结果表明,提出的CSFNet模型鉴别ISUPⅠ级、ISUPⅡ级、ISUPⅢ级和正常病理图像的宏平均AUC与微平均AUC分别为0.9758和0.9794,准确率为88.00%,精确率为88.36%,召回率为86.67%,F1分数为87.32%,且优于其他主流的分类网络模型,因此,本文所提出的肾透明细胞癌病理图像ISUP细胞核分级模型有良好的诊断效能,具有潜在的临床应用价值。