基于深度学习的肺炎图像目标检测

肺炎是一种严重危害身体健康的疾病,通常使用肺部X光片进行检查。肺炎诊断是肺炎治疗前非常重要的环节,但是由于肺部其他疾病的干扰、医疗数据的爆发式增长以及专业病理医生的缺乏等,导致肺炎的准确诊断较为困难。深度学习能够模仿人脑的机制准确高效地解释医学图像数据,在肺炎图像检测方面获得了广泛应用。构建了3种基于深度学习的图像目标检测模型,单发多框探测器(SSD)、faster-RCNN和faster-RCNN优化模型,对来自Kaggle数据集的26 684张带标签的肺部X光图像进行研究。原始X光图像经预处理后输入3种深度学习模型,分别对单处和两处病灶区域进行目标检测。随机选取500张测试图像,利用损失函数、分类准确率、回归精度和误检病灶数等指标对各模型的性能进行评估。结果表明,faster-RCNN的性能指标优于SSD;Faster-RCNN优化模型的性能指标均优于其他两种模型,其损失函数值小且可快速达到稳定,平均分类准确率为93.7%,平均回归精度为79.8%,且误检病灶数为0。该方法有助于肺炎的准确识别和诊断。

荧光寿命成像在癌症诊断研究中的应用(特邀)

癌症是目前人类所面对的共同难题,降低癌症死亡率的关键是实现早期诊断。荧光寿命因对微环境的敏感性,不仅可以实现对早期癌症组织与正常组织的区分,还可以对药物治疗癌症进行监测,因此荧光寿命成像显微技术在癌症诊断方面具有巨大的应用潜力。本文介绍了荧光寿命成像显微技术的基本原理及检测方法,总结了内源性和外源性荧光团的特征及其与癌症诊断的关系,综述了近年来荧光寿命成像显微技术在神经系统、呼吸系统、消化系统、生殖系统、泌尿系统、内分泌系统以及皮肤系统等癌症诊断中的应用,讨论了荧光寿命成像显微技术在癌症诊断中的应用优势、局限性以及未来发展趋势。

基于改进VGG19卷积神经网络的肺炎图像分类(特邀)

将VGG19卷积神经网络与机器学习算法结合,构建了基于SVM(linear)和XGBoost的两种VGG19改进模型,并且分别利用VGG19模型和两种改进的VGG19模型对细菌性肺炎和病毒性肺炎图像进行分类。对三种网络模型的性能进行评估和比较,结果显示三种模型的平均准确率均在85.9%以上。改进的VGG19模型在准确率的稳定性方面优于传统VGG19模型,基于XGBoost的VGG19模型的综合性能最好,验证了深度学习模型结合机器学习模型的有效性。

推扫式高光谱显微成像系统设计与实验

高光谱显微成像(HMI)是一种新型无损光学诊断技术,其光谱数据能够反映样本的内部微环境变化,图像数据可以反映样本空间结构信息,因此可以作为癌症诊断工具,在未来具有广阔的应用前景。但HMI数据量大且数据结构复杂,将其应用于癌症诊断领域需要进行系统详细的数据解译。设计并搭建了一套推扫式HMI系统,并编写了系统控制、数据采集和数据分析软件,可提供多种基于机器学习的数据处理方法。基于MATLAB编制了具有图形化用户界面的HMI数据采集和数据分析软件,该软件可给出分析结果,为医生病理诊断提供了便利。利用该系统和软件进行皮肤癌的分类与分期研究,验证了系统的性能。HMI系统的光谱范围为465.5~905.1nm,光谱分辨率约为3nm,视场尺寸为400.18μm×192.47μm,放大倍率为28.15,实际分辨率范围为1.10~1.38μm。分别采集基底细胞癌、鳞状细胞癌和恶性黑色素瘤组织的HMI数据,利用图像数据实现了三种皮肤癌的分类,准确率为85%;利用光谱数据实现了鳞状细胞癌的分期鉴别,准确率达到96.4%。