人工智能在乳房外Paget病病理诊断及鉴别中的应用

目的建立乳房外Paget病(extramammary Paget’s disease,EMPD)组织病理诊断的人工智能(artificial intelligence,AI)诊断模型,并评价其对EMPD诊断及鉴别诊断的效能。方法收集2003年9月至2023年2月于陆军军医大学第一附属医院皮肤科就诊并行皮肤组织活检术,且病理明确诊断为EMPD、Bowen病、皮肤鳞状细胞癌(squamous cell carcinoma,SCC)以及表皮增生肥厚为主要病理特征的非肿瘤性皮肤病患者的病理资料。以EMPD为主要研究对象,与Bowen病、SCC以及非肿瘤性皮肤病病理图像进行鉴别,通过ResNet101、DenseNet121深度学习神经网络对4种疾病的组织病理进行分类诊断并评价模型效能。结果ResNet101诊断模型诊断EMPD、Bowen病、SCC及非肿瘤性皮肤病的20倍组织病理图像的AUC值分别为0.97、0.98、1.00、0.96,准确度为(0.925±0.011);40倍组织病理图像AUC值分别为1.00、0.99、1.00、0.97,准确度为(0.943±0.017)。DenseNet121诊断模型诊断EMPD、Bowen病、SCC及非肿瘤性皮肤病的20倍组织病理图像的AUC值分别为0.98、0.95、0.99、1.00,准确度为(0.912±0.034);40倍组织病理图像AUC值分别为0.99、0.96、1.00、1.00,准确度为(0.971±0.012)。表示分类诊断模型能够将EMPD与Bowen病、SCC及非肿瘤性皮肤病等的低倍组织病理图像进行有效区分。ResNet101计算量为786.6 M、参数量为4.5 M,DensNet121计算量为289.7 M、参数量为0.8 M。结论本研究建立的组织病理图像人工智能诊断模型对EMPD的诊断及鉴别诊断具有较高效能,并推荐DenseNet121为皮肤病理图片的诊断模型。

基于增强CT图像和Swin Transformer网络的食管癌T分期智能诊断模型的构建与评估

目的基于增强CT图像和Swin Transformer网络,拟构建食管癌T分期智能诊断模型。方法收集2018年1月至2022年4月在陆军军医大学第一附属医院和山西省肿瘤医院胸外科经病理证实为食管癌的150例患者的45000张术前增强CT图像。经过UperNet Swin网络自动分割和肿瘤体积的计算,使用ResNet50、Swin Transformer和VIT 3个网络进行食管癌T分期智能诊断模型的构建。使用精准率、召回率、F1-score、特异度以及阴性预测值(negative predictive value,NPV)等指标在150例内部数据集上评价模型性能,描绘混淆矩阵和ROC曲线。结果在3个食管癌T分期诊断的模型中,Swin Transformer模型结合肿瘤体积、病理信息等特征的分期诊断效果最好,T1~T4期的精准率分别为1.00、0.67、0.83、1.00,AUC为0.861,优于ResNet50和VIT分期诊断模型,它们的精准率分别为0.13、0.27、0.59、0.81和0.03、0.14、0.56、0.75,AUC分别是0.611和0.542。结论与ResNet50和VIT网络比较,Swin Transformer网络能够更精准进行食管癌智能T分期诊断。

颅脑CT影像深度学习预测脑出血破入脑室

目的 探索深度学习技术在脑出血是否破入脑室自动分类方面的应用。方法 收集2010年1月到2020年12月陆军军医大学第一附属医院神经外科收治的1 027例自发性脑出血患者的颅脑CT影像,将每层图像划分到正常、未破入脑室、破入脑室3个类别,利用DenseNet121、ResNet50、ResNet101、Swin-base、Vit-base与VGG16等6种典型的深度网络分别构建用于判断脑出血是否破入脑室的分类模型,并在内部数据集和外部数据集(CQ500)上分别进行测试。为增强深度学习网络的可解释性,利用EigenGradCAM方法制作热力图对深度模型的关注区域进行可视化。结果 利用精确率、召回率、特异性、阴性预测值与F1值评价深度模型性能,VGG16模型在内部测试集上,正常组分别取得0.983、0.977、0.984、0.978与0.980,未破入脑室组分别取得0.917、0.902、0.965、0.958与0.909,破入脑室组分别取得0.877、0.911、0.966、0.976与0.894;外部测试集上,正常组分别取得0.967、0.870、0.985、0.938与0.916,未破入脑室组分别取得0.827、0.939、0.902、0.967与0.879,破入脑室组分别取得0.938、0.906、0.970、0.954与0.922;内部测试集和外部测试集的准确率分别为0.940、0.905。基于EigenGradCAM方法制作的热力图表明VGG16能够合理关注到相关区域。结论 利用VGG16构建的深度模型在判断脑出血是否破入脑室方面取得了最优的预测性能,表明深度学习可以应用于脑室出血的判断。

基于改进YOLOv5算法的创伤伤情识别与定位研究

目的:为减少因创伤患者伤情复杂多变而导致的误检和漏检,提出一种基于注意力(attention)机制的YOLOv5算法。方法:以YOLOv5算法为基本框架,分别在特征提取网络和特征融合网络末端嵌入自注意力模块,并在特征融合网络中引入卷积注意力机制模块,构建YOLOv5-attention算法。在Kaggle平台上对YOLOv5-attention算法进行训练验证,并与Fast-RCNN、YOLOv5算法对骨折部位的识别效果进行比较。结果:YOLOv5-attention算法对创伤患者骨折部位识别的平均精度为0.8598,优于Fast-RCNN算法(平均精度为0.6975)和YOLOv5算法(平均精度为0.8471)。结论:YOLOv5-attention算法检测准确率高、鲁棒性好,能够有效识别和准确定位创伤患者伤情。

空间双线性注意力网络识别溃疡性结肠炎与克罗恩病

目的 利用深度学习技术辅助内镜医师识别溃疡性结肠炎(ulcerative colitis, UC)与克罗恩病(Crohn’s disease, CD)。方法 收集2018年1月至2020年11月陆军特色医学中心消化内科与邵逸夫医院消化内科共1 576例受试者的内镜图像,包括CD、UC与正常三类共计34 300幅,并按照9∶1的比例随机划分训练集与测试集,用于对网络进行训练与测试。在ResNet50基础上构建新颖的空间双线性深度网络(SABA-ResNet),引入空间注意机制,通过膨胀卷积扩大感受野以联系上下文信息,并与普通卷积局部归纳特性相配合,自适应聚焦病变区域。利用双线性注意提高网络的特征表示能力,以二阶信息加权特征映射的通道信息,从而提高模型的分类性能。结果 SABA-ResNet在测试集上对CD、UC和正常识别的总体准确率为92.67%(95%CI:91.91~93.37),AUC分别为0.978(95%CI:0.972~0.983)、0.977(95%CI:0.971~0.982)和0.999(95%CI:0.998~1.000),灵敏度分别为88.40%、89.07%、98.89%,特异性分别为95.49%、94.88%、98.93%,F1值分别为88.80%、89.01%和98.60%。消融实验与类激活映射图表明空间注意与双线性注意可帮助模型捕获更多病变区域的特征。结论 所构建的网络将空间注意与双线性注意相结合,在CD、UC与正常的识别中取得了良好的性能,可以有效辅助内镜医师对UC与CD进行识别。

构建多病种心脏MRI跨设备智能分割算法

目的构建多病种心脏磁共振成像(magnetic resonance imaging,MRI)跨设备智能分割算法,提升模型在多病种条件下、不同影像设备中的通用性。方法利用MICCAI 2020公开的M&Ms Challenge心脏磁共振数据集(n=320)作为研究对象,针对现有分割模型因小样本数据训练导致泛化能力差的问题,提出不平衡相似度优化损失函数USOLoss,改进主流的UNet、DeepLabV3+、TransUNet算法,对不同病种(疾病组)和不同影像设备(设备组)的心脏磁共振成像进行分割,并进行内外部数据验证。结果利用戴斯相似系数(Dice similarity cofficient,DSC)和豪斯多夫距离(Hausdorff distance,HD)评估模型的性能,其中疾病组模型最佳分割结果DSC为0.845(扩张型心肌病,n=20)、0.811(肥厚型心肌病,n=20)、0.833(健康受试者,n=20)和0.816(其他病种,n=0.62),HD为3.05、2.53、2.15和2.36 mm;设备组模型最佳分割结果DSC为0.830(飞利浦,n=20)、0.844(西门子、n=20)、0.843(佳能,n=20)和0.815(通用电气,n=50),HD指标分别为1.96、2.92、1.67和2.08 mm。与未使用构建算法的模型相比,使用USOLoss构建的模型各项测试结果均得到了提升(P<0.05)。结论不平衡相似度优化损失函数全面提升了现有主流深度学习UNet、DeepLabV3+和TransUNet网络模型性能,降低了不同疾病类型和不同影像设备对分割性能的影响。

基于多波段预测的高光谱图像分布式无损压缩

提出了一种基于分布式信源编码的高光谱图像无损压缩算法,用于星载高光谱数据的有效压缩。为充分利用高光谱图像较强的谱间相关性,引入多波段谱间线性预测方案获取当前编码块的预测值,有效降低了编码块的最大预测残差值。在此基础上,根据最大预测残差值确定编码块各像素所属陪集的索引,通过传输每个像素所属陪集的索引代替预测残差,实现高光谱图像压缩。对星载可见/红外成像光谱仪(AVIRIS)获取的高光谱图像进行实验,并与已有的典型算法进行比较,结果显示该算法能够取得较好的无损压缩效果,同时具有较低的编码复杂度,适用于星载高光谱图像的无损压缩。

基于FastICA的高光谱图像目标分割

针对高光谱图像目标识别与分类的应用背景,提出了一种基于快速独立成分分析的高光谱图像目标分割算法.通过引入虚拟维数对图像中的目标端元数量进行估计,利用基于非监督正交子空间投影的异常端元提取算法自动获取目标端元光谱,并将其作为快速独立成分分析的初始混合矩阵.采用最小噪声分量变换对原始数据进行降维,利用快速独立成分分析从降维后的主成分中依次提取出图像中的独立分量.最后,对各独立分量进行恒虚警率检测与形态学滤波,从而得到最终的目标分割结果.对AVIRIS型高光谱图像的实验结果表明,该方法可有效探测出图像中的目标,并可获得较好的分割结果.

基于分布式信源编码的高光谱图像无损压缩研究进展

有效的高光谱图像压缩技术已经成为航天高光谱遥感领域研究的焦点之一。对基于分布式信源编码(Distributed Source Coding,DSC)的高光谱图像压缩技术研究进展进行了综述。首先介绍了DSC的理论基础、实现方式及其在高光谱图像无损压缩应用中的优势;然后总结了基于DSC的高光谱图像无损压缩研究进展,在此基础上给出了一种基于多波段预测的高光谱图像分布式无损压缩算法,实验结果表明,该算法具有较低的编码复杂度,其无损压缩性能优于现有的分布式无损压缩算法;最后指出了DSC在高光谱图像压缩中需要进一步研究的问题。

面向异常检测的高光谱图像压缩技术

异常检测已经成为高光谱图像重要的后续应用之一,提出了一种面向异常检测的高光谱图像压缩算法。为减少压缩对异常检测性能的影响,首先采用RX算子对高光谱图像进行异常检测,并对异常点与背景对应的光谱维矢量进行预处理。对高光谱图像的光谱维矢量进行KL变换,通过引入虚拟维数估计算法对原始数据的本征维数进行估计,在此基础上给出了一种主分量选取方法。最后,采用最优码率分配策略为各主分量分配相应的压缩码率,并利用SPIHT算法分别进行压缩。实验结果表明,该算法在获得较高压缩性能的同时,可有效保持图像中的异常信息。

基于聚类的高光谱图像无损压缩

高光谱海量数据的有效压缩成为遥感技术发展中需要迫切解决的问题。该文提出了一种基于聚类的高光谱图像无损压缩算法。针对高光谱图像不同频谱波段间相关性不同的特点,根据相邻波段相关性大小进行波段分组。由于高光谱图像波段数量较多,采用自适应波段选择算法对高光谱图像进行降维,以获取信息量较大的部分波段,利用 k 均值算法对降维后的波段谱矢量进行聚类。采用多波段预测的方案对各组中的波段进行预测,对于各个分类中的每个像素,分别选取与其空间相邻的已编码的部分同类点进行训练,从而获得当前像素的谱间最优预测系数。对 AVIRIS 型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。

基于3D SPIHT的高光谱图像压缩技术

将三维多级树集合分裂(3D SPIHT)算法用于高光谱图像的压缩。根据高光谱图像的特点进行波段分组以得到处理单元,对各组分别进行三维小波变换,去除谱间和谱内冗余;利用3D SPIHT算法对变换后小波系数进行编码,去除系数之间的冗余。采用整数小波和浮点小波分别进行无损和有损压缩仿真,AVIRIS和OMIS实验结果表明,在bit/pixel为1的条件下,平均PSNR比准三维方法分别高0.91 dB和1.38 dB,且算法具有嵌入式、可伸缩性等优点,但无损压缩的平均bit/pixel比基于预测的方法高0.308和0.159。3D SPIHT算法用于高光谱图像压缩可以获得较好的有损性能,但无损压缩性能逊于基于预测的方法。

高光谱图像分布式有损压缩研究进展

星载高光谱图像的有效压缩已经成为航天高光谱遥感领域研究的热点。分布式信源编码(DSC)技术具有较低的编码复杂度、良好的抗误码性以及可并行实现等优点,已被成功应用于高光谱图像的压缩。针对基于分布式信源编码的高光谱图像有损压缩技术进行了研究。首先简要介绍了分布式信源编码的基本理论与实现方式;然后从二元纠错码与多元陪集码两方面综述了高光谱图像分布式有损压缩的研究现状;最后指出了该领域需要进一步研究的问题。

一种基于最佳比特分配策略的三维小波视频编码新方法

对基于三维小波变换的视频编码进行了研究。由于视频图像传统的三维小波变换结构存在着诸多不足,文章提出了一种改进的三维小波变换结构。在给定的比特率条件下,通过对使得解码图像量化误差达到最小的最佳比特分配策略进行研究,给出了在均匀量化情况下的改进三维小波变换结构的量化步长。实验结果表明该方法的压缩性能明显优于传统方法。

结合预测误差反馈的高光谱图像无损压缩研究

高光谱图像的海量数据给存储和实时传输带来极大困难,必须对其进行有效压缩。提出了一种结合预测误差反馈的高光谱图像无损压缩算法。根据高光谱图像相邻波段相关性强弱进行波段分组,有效降低了波段排序算法的计算量。通过研究波段排序算法的性能,采用最佳后向排序算法对各组进行波段排序。为有效去除高光谱图像相关性,采用JPEG压缩标准中的无损预测模式对各波段进行谱内预测,利用参考波段预测误差对当前波段谱内预测值进行反馈校正,可进一步提高预测精度。最后,利用JPEG-LS标准对参考波段和预测残差进行无损压缩。对AVIRIS型和OMIS-Ⅰ型高光谱图像的实验结果表明,该算法可显著降低压缩后的平均比特率。

基于3维上下文预测的高光谱图像无损压缩

如今高光谱数据的有效压缩已成为遥感技术发展中需要迫切解决的问题,为了对高光谱数据进行有效压缩,提出了一种基于3维上下文预测的高光谱图像无损压缩算法。该算法首先根据相邻波段间的相关性大小进行波段分组,同时对各个分组重新进行波段排序;然后采用自适应波段选择算法对高光谱图像进行降维,再利用k-means算法对降维后的波段谱向矢量进行聚类;最后在参考波段和当前波段中通过定义3维上下文预测结构,在聚类结果的基础上,对各个分类分别训练其最优的预测系数。实验结果表明,该方法可显著降低压缩后图像编码的平均比特率。

基于三维小波变换的视频图像编码研究

本文对视频序列的三维小波变换压缩编码算法进行了研究。与传统方法相比,基于三维小波变换的视频序列压缩算法更能消除帧间的冗余度,获得较高的压缩比,因而是一种很有潜力的编码方法。目前,基于三维小波变换的视频序列压缩编码的具体算法也比较多,本文对其中三种有代表性的算法进行了研究,并分析了这三种算法的优劣,并对其进行了展望。

基于时间轴小波变换的运动对象分割算法研究

对时间轴一维小波变换的视频运动对象分割算法进行了研究。将视频序列进行时间轴一维小波变换,利用变换后的高频帧信息提取出初步的运动掩模图像;进行数学形态学后处理,以消除各种噪声的影响和对象的不连通性,得到理想的运动掩模图像。实验结果表明该方法分割效果较好,分割出的运动对象可直接应用于基于对象的视频编码,且算法耗时较少。

一种基于三维小波变换的视频图像消噪新方法

根据视频图像帧与帧之间在多数情况下存在较强相关性的特点,提出了一种基于三维小波变换的视频图像消噪方法。将被加性平稳高斯噪声污染的连续几帧视频图像进行帧间一维小波变换,根据变换后各帧的特点,采用不同的方法分别进行消噪:对变换后的低频帧进行帧内二维小波变换,在小波域中采用自适应阈值进行消噪;对变换后的其余各高频帧直接采用固定阈值进行消噪。实验结果表明该方法消噪效果较好。

一种结合时间轴滤波的视频消噪新方法

为了提高含噪视频图像的质量,提出了一种二维小波域自适应滤波与时域时间轴滤波相结合的视频图像消噪新方法。首先,对视频序列的各帧在二维小波域中进行自适应滤波,之后在时域中进行时间轴滤波。对于二维小波域滤波算法,提出了一种高效的自适应阈值选取方案;时间轴滤波器则是结合了运动检测和递归平均。实验结果表明,其消噪效果要优于单纯的二维小波域滤波方法。