基于3D全卷积神经网络的肺叶自动分割方法

基于电子计算机断层扫描(CT)影像的肺叶分割是医生诊断和治疗肺部疾病的重要参考之一,但肺叶边界的模糊以及手动分割的巨大工作量使得医生难以准确、快速地分割肺叶。为此,提出了一种基于新型3D全卷积神经网络的肺叶自动分割方法。对原始CT图像进行预处理,然后利用预处理后图像训练卷积神经网络,再将待分割图像输入到训练好的网络模型中,实现CT图像中肺叶的自动分割。实验数据包括来自上海市肺科医院的50例肺部疾病患者的CT图像,30例被用于训练,20例被用于测试。对分割结果进行了定量评价,其中Dice系数为0.961,Jaccard相似系数为0.916。实验结果表明该肺叶自动分割算法具有更好的分割性能以及更强的泛化能力,即使在训练集数据较少的情况下,也能够准确、快速的分割肺叶。

基于多模态MRI与深度学习的乳腺病变良恶性鉴别

为提高基于动态增强磁共振成像(DCE-MRI)的计算机辅助(CAD)方法对乳腺病变良恶性鉴别的精度,本文基于多模态特征融合,提出一种联合非对称卷积和超轻子空间注意模块的卷积神经网络AC_Ulsam_CNN.首先,采用迁移学习方法预训练模型,筛选出对乳腺病变良恶性鉴别最为有效的DCE-MRI扫描时序.而后,基于最优扫描时序图像,搭建基于AC_Ulsam_CNN网络的模型,以增强分类模型的特征表达能力和鲁棒性.最后,将影像特征与乳腺影像数据报告和数据系统(BI-RADS)分级、表观扩散系数(ADC)和时间-信号强度曲线(TIC)类型等多模态信息进行特征融合,以进一步提高模型对病灶的预测性能.采用五折交叉验证方法进行模型验证,本文方法获得了0.826的准确率(ACC)和0.877的受试者工作曲线下面积(AUC).这表明该算法在小样本量数据下可较好区分乳腺病变的良恶性,而基于多模态数据的融合模型也进一步丰富了特征信息,从而提高病灶的检出精度,为乳腺病灶良恶性的自动鉴别诊断提供了新方法.

基于心电动力学李雅普诺夫指数的急性心肌梗死辅助筛查研究

目的心电图作为常见的心脏疾病检测手段,是基于心电信号的状态信息表征进行诊断。心电图在指标量化方面依赖主观判断,若未发病时表征不明显,其用作急性心肌梗死等心脏疾病的筛查时敏感性存在不足。为寻求更好的途径,本文结合心电动力学理论和混沌学理论算法(即基于心电动力学李雅普诺夫指数的方法取得特征值进行指标量化)进行急性心肌梗死辅助筛查的研究。方法具体是截取心电信号的ST-T敏感段心电信号数字信号,依据确定学习理论将心电数据转化为更敏感的心电动力学数据,再运用混沌学理论计算心电动力学李雅普诺夫指数特征值,取得蕴含心电动力学敏感信息的量化指标,以30名健康人和30例急性心肌梗死患者作为对象进行验证性研究。结果急性心肌梗死患者的心电动力学李雅普诺夫指数特征值普遍高于健康人的心电动力学李雅普诺夫指数特征值,二者相比较差异具有统计学意义。结论基于心电动力学李雅普诺夫指数特征值的量化信息对于急性心肌梗死的辅助筛查具有潜在的临床价值。