区分胶质母细胞瘤和单发性脑转移瘤的多模态融合深度学习模型的开发和验证

目的:胶质母细胞瘤(glioblastoma,GBM)和脑转移瘤(brain metastases,BMs)是成人中常见的恶性脑肿瘤,目前磁共振成像(magnetic resonance imaging,MRI)是筛查和评估脑肿瘤预后的常用方法,但其鉴别诊断GBM和BMs的特异性和敏感性有限。近年来,深度神经网络在诊断分类和创建临床决策支持系统方面显示出极大的潜力。本研究旨在应用深度学习技术提取的放射组学特征,探讨其在初诊GBM和单发性脑转移瘤(solitary brain metastases,SBMs)术前准确分类中的可行性,进一步探索基于多模态数据融合对分类任务的影响。方法:回顾性分析经组织病理或临床诊断证实的135例初诊GBM患者和73例SBMs患者的头颅MRI序列数据。首先,选择结构性T_(1)加权、T_(1)C加权和T_(2)加权作为整个模型的3个输入,在配准后的3种模态MR图像上人工勾画感兴趣区域(regions of interest,ROI),并获取多模态放射组学特征,使用基于随机森林(random forest,RF)的特征选择方法降低维度,进一步分析每个特征的重要性。然后,通过对比解纠缠的方法寻找不同模态特征之间的共享特征和互补特征。最后,通过融合不同模态的2种特征,预测每个样本对GBM和SBMs的响应。结果:应用机器学习和本文提出的多模态融合方法的放射组学特征对GBM和SBMs有较好的区分能力。相较于单模态数据,应用支持向量机(support vector machine,SVM)、Logistic回归、RF、自适应增强(adaptive boosting,AdaBoost)、梯度提升决策树(gradient boosting decision tree,GBDT)机器学习算法的多模态融合模型均取得了较大提升,曲线下面积(area under the curve,AUC)分别为0.974、0.978、0.943、0.938、0.947。本研究的对比解纠缠多模态MR融合方法表现更好,测试集上AUC、准确度(accuracy,ACC)、灵敏度(sensitivity,SEN)、特异度(specificity,SPE)分别为0.985、0.984、0.900、0.990。相较于其他多模态融合方法,本研究方法的AUC、ACC和SEN均呈现出最好的性能表现。验证本研究各模块组件作用的消融实验中,同时使用3种损失函数后,AUC、ACC和SEN分别提升了1.6%、10.9%和15.0%。结论:基于深度学习的对比解纠缠多模态MR放射组学特征融合技术有助于提高GBM和SBMs的分类准确性。

基于小波重构的视频图像文本检测方法

提出一种基于小波重构的视频图像文本提取方法.原始图像经小波分解重构得到特征图像,在特征图像上使用固定尺寸的文本检测器提取图像区域的属性特征,利用神经网络分类器确定该图像区域的属性.实验表明,本方法与基于边缘特征的文本提取方法相比,具有更好的性能.

基于特征融合与注意力机制的脑肿瘤分割算法

脑肿瘤核磁共振成像(MRI)的准确分割对手术方案的制定和放疗计划具有重要意义。U-Net作为脑肿瘤分割领域应用最广泛的网络,具有较优的性能,但是存在跳跃连接中语义差距较大、MRI图像中跨通道信息利用不足的问题。为对脑肿瘤各区域进行准确分割,提出一种基于特征融合与注意力机制的改进U-Net模型FFCA-U-Net。在跳跃连接中设计特征融合模块代替U-Net中的直接拼接操作,以有效融合不同层次、不同尺度的特征信息,减小语义差距并调整感受野,增强网络对肿瘤特征的学习能力。在编码器中引入改进的三维坐标注意力机制,沿MRI图像的3个方向捕获跨通道信息,增强网络对脑肿瘤边界信息的感知能力,获得肿瘤子区域更精确的位置。此外,为快速获得肿瘤的相对位置、减少网络学习冗余,增加的掩码图像与MRI图像一起作为网络输入。在MSD数据集上的实验结果表明,FFCA-U-Net在增强肿瘤区域、非增强肿瘤区域和水肿区域的Dice系数分别为0.803 4、0.628 6和0.799 3,平均Dice为0.743 8,优于TransBTS、UNETR等其他先进网络。

拓展医疗人工智能的新疆界

医疗水平的发展对于每个人而言都至关重要,随着人工智能技术的快速发展,医疗领域有望在不久的将来取得更大突破.众所周知,癌症已经逐渐成为影响人类健康的“头号杀手”,而尽早诊断可以在一定程度上提高治愈癌症的可能性.近年来,很多企业都专注于利用人工智能辅助医生做出更好决策,从而帮助癌症患者获得更好治疗,依图医疗就是其中之一.其实,除了癌症检测,依图医疗还针对儿童的健康成长问题展开了技术探索.本文将以依图医疗研发的肺癌影像智能诊断系统和儿童生长发育智能诊断系统为例,围绕基本原理、关键技术、临床应用等问题展开深入分析,探寻人工智能在医疗领域的更大可能.

基于马尔科夫随机场的粘连字符串切分算法

粘连字符串模式复杂,难以通过基于传统图像处理的方法进行准确分割,针对该问题,提出一种基于机器学习的粘连字符串切分方法。包括训练和分割2个部分,对字符串之间的分割位置进行学习,对于输入的粘连字符串,利用马尔科夫随机场网络得到各点可作为分割点的概率,在概率图上使用图像分割的算法确定分割位置。实验结果表明,该算法对模拟的粘连字符串、重叠字符串和真实的手写字符串都可以得到较好的分割结果。

工业烟气黑度监测系统工程技术研究

利用远程监控技术,采集企业违规排放烟气图像,并通过计算机图像识别技术实现对排放黑烟进行自动监测,自动分析其黑度等级,为环保执法提供依据。文章是根据环境保护对烟尘排放的具体技术要求,设计了一套城市烟气黑度自动监测系统解决方案并付诸工程实施。重点叙述了烟气黑度识别技术、无线宽带网建设、图像传输技术等项目建设的关键与技术难点。系统建成后,有效解决了工业黑烟排放污染源的监控。该系统可靠,操作简便,监控直观,达到了系统预期的工程目标,此工程技术值得在智慧城市建设中推广应用。

人工智能在儿童骨龄影像检测中的应用

目的研究对比证明解决人工判读骨龄存在耗时长、人为主观影响大、结果一致性稳定性差等问题。方法使用G-P图谱法、TW计分法、中华05等方法对骨龄X光影像进行对照,开展人工智能和人工判读、以及人工智能辅助人工判读的研究,并进行多阅片者间差异性研究。结果基于TW3标准,250份儿童骨龄片由人工智能系统与医生对比,TW3-AI模型的平均处理时间为1.5±0.2 s,明显短于医生的525.6±55.5 s,准确性与可靠性上TW3-AI模型与专家判读结果的均方根为0.50年,表明两者高度一致;基于G-P标准,745份生长发育异常病例骨龄,医生平均判读耗时约2 min,AI模型仅需要1~2 s,准确性上,AI系统与金标准相差1岁以内的平均比例为84.60%;基于中华05标准,人工组阅片平均耗时明显高于AI一致性辅助评估。结论儿童骨龄智能检测系统,可在秒级完成儿童骨龄影像分析并给出骨化中心评级、骨龄等量化结果,从而辅助医生快速进行疾病诊断与疗效评价,为儿童内分泌疾病诊疗提供决策依据。

面向新型冠状病毒肺炎临床需求的智能影像评价系统--人工智能在新型冠状病毒肺炎诊断中的应用

影像学特征已经成为新型冠状病毒肺炎(Coronavirus Disease 2019,COVID-19)诊断的重要依据之一,肺炎特征快速识别、肺炎严重程度判定、诊断效率提高是防止疫情蔓延的重要措施。但是COVID-19病情变化复杂,防疫工作量大,导致影像科医生在经验和时间上不能迅速准确地对COVID-19影像进行评估。本文介绍了一种COVID-19智能影像评价系统,可对疾病的严重程度进行分级,并对病灶的影像特征进行定量分析,从而辅助医生快速进行病情分析和疗效评价,为COVID-19诊断、治疗提供决策依据。

一种基于核主成分分析的图像超分辨率算法

测试样本和训练样本集的匹配是基于学习的超分辨率算法中关键问题之一。本文方法通过将低分辨率的观察样本映射到高维的核空间中,实现测试样本和训练样本集的准确匹配,避免了基于学习的超分辨率算法中错误匹配问题,提高生成图像的质量。该算法包括:测试样本对训练样本集进行核主成分分析(kernel principal com-ponents analysis,KPCA);利用距离约束算法得到在输入空间中的原像;最后将新生成的图像块进行重组,得到高分辨率的图像。在USPS数据集上进行的实验验证和对比分析表明:基于KPCA的图像超分辨率方法能够取得较好的超分辨率效果。