基于CNN和Transformer的两阶段乳腺癌病理图像分类方法研究

目的:为了提高乳腺癌病理图像分类准确率,提出一种基于卷积神经网络(convolutional neural networks,CNN)和Transformer的两阶段乳腺癌病理图像分类方法。方法:首先,采用Macenko归一化和颜色反卷积对乳腺癌病理图像进行预处理,以减少图像的像素差异;其次,构建CNN和Transformer双分支的特征提取路径,分别提取乳腺癌病理图像的局部特征和全局特征;再次,使用BiFusion融合机制对局部特征和全局特征进行有效融合,以增强特征的表达能力;最后,在BreakHis数据集上对提出的分类方法进行验证。结果:提出的方法在40×、100×、200×和400×放大倍数下的AUC分别为0.991、0.982、0.982和0.963,总体性能较优。结论:提出的方法具有较高的诊断性能,可以作为分析乳腺癌病理图像的一种通用方法。

基于LASSO回归的脑部胶质肿瘤MRI预测方法

针对临床中不同级别的脑部胶质肿瘤预测准确性低的问题,本文提出基于LASSO回归的脑部胶质肿瘤MRI预测方法。首先,基于Pyradiomics提取BraTS2019数据集中的T1ce增强图像脑部胶质肿瘤的一阶统计特征、形态特征和纹理特征。然后,采用Mann-Whitney U检验对不同级别的脑部胶质肿瘤进行特征选择,并基于LASSO采用10折交叉验证构建临床预测模型。最后,通过对比SVM模型和ELM模型的诊断效能,结果显示基于LASSO回归的预测模型具有更优的诊断性能。

离散网格顶点法矢量估算方法对比分析

通过梳理离散网格顶点矢量估算方法的研究现状,发现对离散网格顶点矢量估算方法缺少精确度评价指标,相关领域的学者面临难以选择计算方法的问题。对此,设计提出了一种离散网格顶点矢量的定量对比分析方法。通过对比实验结果证明,夹角修正法在同类方法中具有更高的精度和稳定性,为相关领域的研究人员选择顶点矢量计算方法提供了理论指导。

基于CT图像的深度学习模型鉴别良恶性肾肿瘤

目的:探讨基于CT图像的深度学习模型对肾脏良、恶性肿瘤的鉴别诊断价值。方法:回顾性搜集2008-2020年经病理证实且符合本研究要求的798位患者(共805例肾肿瘤)的临床和三期(平扫、皮髓质期和实质期)腹部CT影像资料。其中,来自本院的418例肾癌和78例肾良性肿瘤的资料用于建立影像组学模型和内部验证,来自另外两个研究中心和一个公共数据库(癌症医学图像数据库TCIA)的262例肾癌和47例肾良性肿瘤的资料作为独立外部验证集。使用ITK-SNAP3.6.0软件,在三期CT图像中选择肿瘤边缘显示较清楚的一期图像,选取肿瘤最大层面及其上、下相邻层面,沿病灶边缘手动勾画ROI,再通过软件的空间调整技术,使另外两期CT图像上肿瘤的边缘与勾画的ROI的边缘最大程度地拟合。使用ResNet50网络中的卷积核作为特征提取器,分别提取3期图像上肾肿瘤的影像组学特征,并采用Mann-Whitney U检验进行特征的筛选。对于同一肾肿瘤,分别建立基于单期和3期CT图像的深度学习模型,并对各模型的预测效能进行外部验证。随后,将训练集中良、恶性肿瘤组的样本数按3种比例(1∶1、1∶2、1∶3)进行设置,分别用于极限学习机(ELM)分类模型的训练,建立基于多期CT图像的3种深度学习模型,并对模型进行外部验证。采用AUC曲线评估深度学习模型对良恶性肾肿瘤的鉴别诊断效能,采用综合判别改善指数(IDI)评估模型预测能力的改善情况。结果:基于多期CT图像的预测模型预测恶性肿瘤的AUC(0.84)大于基于单期(平扫、皮髓质期和实质期)图像的3个AUC(0.78、0.79、0.77)。良性与恶性肿瘤的样本数比例分别为1∶1、1∶2和1∶3时,基于多期图像的预测模型的AUC分别为0.85、0.84和0.86。基于多期图像的预测模型与基于单期图像的3个预测模型比较,IDI值分别为0.1215、0.1209和0.0094(P均>0.05)。结论:基于多期CT图像的深度学习模型对肾癌与肾良性肿瘤具有较好的鉴别诊断效能,改变训练集中肾良恶性肿瘤的样本比例对预测模型的诊断效能无显著影响。

结合深度学习与改进的极限学习机的集成学习胸腺瘤CT图像预测方法

针对胸腺瘤患者术前危险程度的预测问题,提出了结合深度学习与改进的极限学习机的集成学习计算机辅助分析方法。首先,将胸腺瘤CT图像通过小波多尺度变换到不同的尺度下并计算小波能量图,以增加图像信息的丰富性和多样性;其次,利用小波能量图训练卷积神经网络模型,并利用卷积核提取小波能量图中与任务相关的特异性深度特征;最后,基于改进的极限学习机为基分类器训练具有差异性的子模型并构建集成学习分类模型,以提高模型的稳定性和预测精度。多中心实验结果表明,所提方法有较好的泛化性能和稳定性,3个验证集的AUC分别为0.833,0.771,0.784。

自适应迁移鲁棒特征的个性化联邦医学图像分类

目的针对联邦学习中多中心医学数据的异质性特征导致全局模型性能不佳的问题,提出一种基于特征迁移的自适应个性化联邦学习算法(adaptive personalized federated learning via feature transfer,APFFT)。方法首先,为降低全局模型中异质性特征信息影响,提出鲁棒特征选择网络(robust feature selection network,RFS-Net)构建个性化本地模型。RFS-Net通过学习两个迁移权重分别确定全局模型向本地模型迁移时的有效特征以及特征迁移的目的地,并构建基于迁移权重的迁移损失函数以加强本地模型对全局模型中有效特征的注意力,从而构建个性化本地模型。然后,为过滤各本地模型中异质性特征信息,利用自适应聚合网络(adaptive aggregation network,AANet)聚合全局模型。AA-Net基于全局模型交叉熵变化更新迁移权重并构建聚合损失,使各本地模型向全局模型迁移鲁棒特征,提高全局模型的特征表达能力。结果在3种医学图像分类任务上与4种现有方法进行比较实验,在肺结核肺腺癌分类任务中,各中心曲线下面积(area under the curve,AUC)分别为0.7915,0.7981,0.7600,0.7057和0.8069;在乳腺癌组织学图像分类任务中,各中心准确率分别为0.9849、0.9808、0.9835、0.9826和0.9834;在肺结节良恶性分类任务中,各中心AUC分别为0.8097,0.8498,0.7848和0.7923。结论所提出的联邦学习方法,降低了多中心的异质性特征影响,实现基于鲁棒特征的个性化本地模型自适应构建和全局模型自适应聚合,模型性能有较大提升。

增强CT熵特征联合传统影像征象对胸腺上皮性肿瘤危险程度的鉴别诊断

目的探讨增强CT熵特征联合传统影像征象的组合模型鉴别诊断胸腺上皮性肿瘤(TET)危险程度的临床价值。方法回顾性分析2008年10月至2021年5月在江门市中心医院和中山大学附属第五医院经手术和组织病理学检查结果证实的178例TET患者的临床资料[男性83例、女性95例;年龄(52.7±12.4)岁,范围26~83岁],按照组织病理学亚型分为低危组(A、AB和B1型)和高危组(B2和B3型)。将全部患者进一步分为训练集(n=86)、内部验证集(n=51)、外部验证集(n=41),其中内部验证集和外部验证集合称为全部验证集(n=92),训练集和验证集分别用于预测模型的过程构建和效能评价。记录TET患者的临床特征,分析病灶的传统CT征象。应用MATLAB R2016平台的开发软件,在增强CT静脉期图像上定量提取、筛选熵特征。通过Mann-Whitney U检验筛选有鉴别价值的熵特征,采用极限学习机(ELM)分类算法计算熵特征权重和熵标签值。采用多因素Logistic回归分析分别构建临床模型、熵模型和组合模型,并采用受试者工作特征曲线对比3个预测模型的诊断效能。结果178例TET患者中,低危组83例[男性38例、女性45例;年龄(52.8±12.4)岁,范围26~83岁];高危组95例[男性45例、女性50例;年龄(52.0±12.0)岁,范围27~80岁]。单因素分析结果显示,训练集CT征象中周围侵犯在2组间的差异有统计学意义(χ^(2)=5.108,P=0.024)。共提取初始熵特征1680个,最终筛选到21个核心熵特征,通过ELM计算得出训练集中低危组熵标签值为0.519±0.21,明显低于高危组(0.997±0.23),2组间差异有统计学意义(t=−9.747,P<0.001)。熵模型在训练集、内部验证集、外部验证集和全部验证集的曲线下面积(AUC)分别为0.929(95%CI:0.876~0.983)、0.832(95%CI:0.723~0.941)、0.802(95%CI:0.666~0.939)、0.803(95%CI:0.715~0.890)。多因素Logistic回归分析结果显示,周围侵犯(OR=6.343;95%CI:1.009~36.604;P=0.039)和熵标签值(OR=20.145;95%CI:5.887~68.936;P<0.001)是预测TET危险程度的独立危险因素,二者共同构建的组合模型在训练集、内部验证集、外部验证集和全部验证集的AUC分别为0.941(95%CI:0.894~0.987)、0.871(95%CI:0.775~0.968)、0.819(95%CI:0.689~0.949)、0.840(95%CI:0.761~0.919)。结论基于胸部增强CT图像的熵特征可以定量评估TET的危险程度;周围侵犯和熵标签值构建的组合模型的诊断效能最高,可以精准指导TET患者的术前治疗策略。