基于切片关联信息的慢性阻塞性肺疾病CT诊断

慢性阻塞性肺疾病(Chronic Obstructive Pulmonary Disease, COPD)是一种常见的全球呼吸系统疾病,需要耗费医生大量的时间和精力对CT图像进行初步评估诊断。为了提高阅片效率,提出一种基于CT图像切片关联信息的深度网络,辅助诊断慢性阻塞性肺疾病。提出一种分组方式将网络分成若干个网络分支,每个网络分支能够提取局部CT图像切片内部关联信息,结合双向LSTM技术整合各网络分支信息以提取CT图像全局切片关联信息。为了进一步提升网络分支的局部特征提取能力,融入ConvNeXt提出增强的多头卷积注意力模块。对比实验结果表明,所提出的深度网络能够更好地对CT图像进行分类,辅助COPD诊断,其准确率达到92.15%,敏感度达到94.17%,特异性达到91.17%,AUC达到95.33%。

基于深度关联机制的肝胆管超分辨率分割

肝胆管结石是常见的肝脏疾病,已成为我国非肿瘤性胆道疾病死亡的主要原因,实现对肝胆管层间插值分割重建具有重要意义。针对肝胆管等此类树状型组织器官在分割重建过程中出现断层、不连续等现象,本文提出一种基于深度关联机制的肝胆管CT(Computed Tomography)层间超分辨率分割的端到端级联框架,将层间插值网络和分割网络级联起来进行端到端训练,引入ConvLSTM来加强切片间肝胆管的高维特征信息提取,提出一种新损失函数联合插值网络和分割网络进行整个框架的优化训练。实验结果表明,相比于其他现有深度学习方法,本文方法取得了更好的肝胆管分割性能,更有利于肝胆管三维重建。