基于两阶段分析的多尺度颈动脉斑块检测方法

目的实现从超声图像中准确检测出多种尺度大小的颈动脉斑块。方法本文提出一种基于深度卷积神经网络的两阶段颈动脉斑块检测方法—SM-YOLO。依次运用中值滤波、直方图均衡化、Gamma变换等算法对数据集进行预处理,提高图像质量。模型的第1阶段基于YOLOX_l目标检测网络构建候选斑块集,添加多尺度图像训练和多尺度图像预测策略,以适应不同形状大小的颈动脉斑块。在第2阶段中,提取并融合方向梯度直方图特征(HOG)和局部二值模式特征(LBP),结合支持向量机分类器(SVM)对候选斑块集进行筛选得到最终的检测结果。将本文构建的模型与多个领先的目标检测模型(YOLOX_l、SSD、EfficientDet、YOLOV5_l、Faster R-CNN)进行定量和可视化结果对比。结果SM-YOLO在测试集上的召回率为89.44%,精确率为90.96%,F1-Score为90.19%,AP为92.70%,各项性能指标和可视化效果均优于其他几种模型。同时其检测时间比Faster R-CNN模型少3倍,基本满足实时检测的要求。结论本文的颈动脉斑块检测方法具有较好的性能,对于在超声图像中准确识别颈动脉斑块具有一定的临床应用价值。

深度注意力机制结合临床特征预测肝细胞癌微血管浸润

目的探讨磁共振成像(MRI)评估微血管浸润(MVI)存在的一致性和诊断性能,以及深度学习注意力机制和临床特征在MVI分类预测中的有效性。方法选取2017年1月~2020年2月南方医科大学附属顺德医院158例患者数据进行回顾性实验,包括常规MRI序列(T_(1)WI、T_(2)WI、DWI)、增强MRI序列(AP、PP、EP、HBP)、合成MRI序列(T1mapping-pre、T1mapping-20min)得到MRI图像以及可能与MVI相关的临床数据。基于EfficientNetB0和注意力模块分别建立单序列深度学习模型和融合模型,并且通过深度学习可视化技术显示肝细胞癌微血管浸润的高危区域。结果基于T1mapping-20min序列和临床特征的融合模型结果要优于其他融合模型。准确度为83.76%,AUC为85.01%,敏感度为83.78%,特异度为87.02%,且深度可视化技术可以显示MVI高危区域。结论本研究成功建立基于多个MRI序列的单序列模型和融合模型,并验证了深度学习算法结合注意力机制和临床特征对MVI分类预测的有效性。

医学图像三维重建系统的研究进展

目前二维断层图像已无法满足临床诊疗的需求,而利用医学图像三维重建系统构建人体模型的方法可有效提高临床诊疗的效率。该综述首先对医学图像三维重建软件进行概述,然后介绍目前Mimics、3DSlicer、Simpleware及Amira这4款医学图像三维重建软件用于三维重建及辅助临床诊疗的主要功能,接着对比分析每个软件存在的优势与不足,最后总结医学图像三维重建软件辅助临床诊疗的可行性和有效性,并提出改进方法和未来展望。

胎儿心电信号的无创提取:基于时间卷积编解码网络

目的实现从孕妇腹壁混合心电信号中提取微弱的胎儿心电信号,为准确估计胎儿心率、分析胎儿心电波形等提供基础。方法利用深度卷积网络(deep CNN)优越的非线性映射能力,本文提出了一种基于时间卷积编解码网络的非线性自适应噪声消除(nonlinear ANC)提取框架,以实现胎儿心电信号的有效提取。首先构建适用于处理胎儿心电信号的深度时间卷积网络(TCED-Net)模型作为非线性映射工具;然后以孕妇胸部心电信号为参考,利用该模型估计孕妇腹壁混合心电信号中的母体心电成分;最后从腹壁混合信号中减去所估计的母体心电成分,以得到完整的胎儿心电信号。实验利用合成心电数据(FECGSYNDB)和临床心电数据(NIFECGDB、PCDB)对方法性能进行测试与对比。结果本文方法在FECGSYNDB上的胎儿R峰检测精度([F1]值)、均方误差(MSE)和质量信噪比(qSNR)分别达到98.89%,0.20和7.84;在NIFECGDB上的[F1]值达到99.1%;在PCDB上的[F1]值达到98.61%。在不同数据集中较之EKF([F1=]93.84%)、ES-RNN([F1]=97.20%)和AECGDecompNet([F1]=95.43%)等现有性能最佳的算法,本文方法的R峰检测精度指标分别高出5.05%、1.9%和3.18%,均优于现有最佳方法。结论与现有算法相比,本文方法可以提取出更为清晰的胎儿心电信号,对孕期进行有效的胎儿健康监护具有一定的应用价值。