基于卷积神经网络的超声影像肝癌自动分类

目的针对从原发性肝癌中检测肝细胞癌(HCC)的灵敏度不高和诊断结果高度依赖放射科医生的专业性和临床经验,本文利用深度卷积神经网络(CNN)的方法自动学习B超和超声造影(CEUS)图像中的特征信息,并实现对肝癌的分类。方法建立并验证基于CNN的多个二维(2D)和三维(3D)分类模型,分别对116例患者(其中100例HCC和16例非HCC)的B超和CEUS影像进行定量分析,并对比分析各个模型的分类性能。结果实验结果表明,3D-CNN模型的各方面性能指标都优于2D-CNN模型,验证了3D-CNN模型能同时提取肿瘤区域的2D影像特征及血流时间动态变化特征,比2D-CNN模型更适用于HCC与非HCC分类。其中3D-CNN模型的AUC、准确率和敏感度值最高,分别达到了85%、85%和80%。此外,由于HCC和非HCC样本不均衡,通过扩充非HCC样本的数量可以提升网络的分类性能。结论本文提出的3D-CNN模型能够实现快速、准确的肝癌分类,有望应用于辅助临床医师诊断与治疗肝癌。

利用DSE-Unet自动分割角膜内皮细胞

眼角膜内皮细胞的形态结构信息对于诊断角膜的健康状况至关重要,但由于角膜内皮细胞数量庞大,人工提取细胞边界任务繁琐、耗时,本文基于深度学习技术开发了一种自动分割角膜内皮细胞的算法。该方法在Unet网络架构上引入了密集连接层和注意力模块,用来提取角膜细胞多尺度的特征信息,并将注意力集中在最有效的特征中,达到提升网络分割细胞性能的目的。此外,本文采用标注细胞中心的方法来辅助网络准确地分割细胞形态和结构。利用网上公开的Alizarine角膜细胞显微图像数据集来评估该模型,得到准确率、精确度、灵敏度、特异性和骰子系数分别为91.88%、82.07%、78.20%、95.49%和80.09%。结果表明,该方法能自动、准确地分割角膜内皮细胞,可应用于临床医生诊断角膜疾病。

基于深度学习的B超图像肝癌病灶自动定位

利用B超影像定位肝癌病灶区域有助于医生观察肿瘤及周围组织的特征变化,对病人的临床诊断、治疗方案选择以及预后具有重要的意义。然而在临床应用中,由于肿瘤的异质性和B超影像具有噪声斑点多、对比度差及病灶边缘不清晰等问题,导致定位结果高度依赖于放射科医生经验,具有较大的主观性。基于深度学习的方法建立了SSD肝癌病灶定位网络,并引入Yolo V3、Yolo V4、Faster RCNN和CenterNet等4种常见的目标检测网络进行对比实验,利用自主建立的肝癌B超影像数据集训练和评估模型性能。结果表明,相比其他网络,SSD各方面性能更好,能够自动、快速定位肝癌目标,准确率为94.8%,平均交并比为78.4%。