基于Swin Transformer的多尺度边缘优化膀胱癌磁共振成像分割算法

针对膀胱癌磁共振成像(magnetic resonance imaging, MRI)肿瘤区域小、癌变区域边缘模糊等问题,本研究设计了一种以Swin Transformer为骨干网络的多尺度边缘优化膀胱癌MRI分割算法。首先,设计特征提取模块学习细粒度语义特征信息;然后,采用一种多尺度特征金字塔模块解决肿瘤形状复杂多变的问题;最后,采用边缘细节解码模块对肿瘤分割边缘进行优化,提高分割性能。采用五折交叉实验验证算法性能,结果显示,该算法的交并比(IOU)、骰子系数(DICE)和准确率(ACC)分别达到89.11%、93.73%和93.46%。结果表明,本算法分割性能优良,可实现膀胱癌MRI影像精准分割,为临床医生提供辅助诊断工具。

基于边缘特征点互信息熵的医学图像配准方法

基于互信息熵的图像配准方法已经被广泛应用于医学图像配准中,为克服互信息配准方法的不足,结合图像空间结构信息,本文提出一种基于边缘特征点互信息熵的医学图像配准方法,设计了包括互信息熵、图像空间结构和形状特征点等多信息融合的配准新测度。算法首先采用改进的形态学梯度提取医学图像边缘轮廓;然后构造了以边缘区域特征和梯度信息为基础的特征点互信息能量函数,并通过最小化能量函数来获取配准参数;最后,结合梯度下降法优化策略,实现图像配准。实验研究表明,该方法在保证了配准精度的同时,配准速度较快、鲁棒性较好、综合性能优良,具有一定的临床推广价值。

淋巴瘤图像分类技术研究综述

淋巴瘤是源于淋巴造血系统的一类恶性肿瘤,基于医学影像及病理图像的精准诊断对临床治疗淋巴瘤具有重要价值。随着机器学习和深度学习技术的发展,利用人工智能技术对淋巴瘤图像分类已成为医学领域的研究热点之一。对淋巴瘤影像及病理图像分类技术的研究进展进行了系统总结与分析,并重点阐述了基于机器学习等新技术的图像分类方法与研究概况,对淋巴瘤图像分类的相关技术做了总结与展望。

基于深度学习的椎间孔狭窄自动多分级研究

椎间孔狭窄症的术前定性分级诊断对临床医生治疗策略的制定和患者健康恢复至关重要,但目前该方面临床上仍然存在很多问题,并且缺乏相关的研究和行之有效的方法用于辅助临床医生诊断。因此,为提高计算机辅助椎间孔狭窄症诊断准确率以及医生工作效率,本文提出一种基于深度学习的椎间孔狭窄图像自动分级算法。从人体矢状切脊柱核磁共振图像中提取脊柱椎间孔图像,并做图像预处理;设计一种监督式深度卷积神经网络模型,用于实现脊柱椎间孔图像数据集的自动多分级;利用迁移学习方法,解决深度学习算法在小样本数据集上的过拟合问题。实验结果表明,本文算法在脊柱椎间孔图像数据集上的分类精确度可达到87.5%以上,且其具有良好的鲁棒性和泛化能力。

融减自动编码器

自动编码器(AE)是深度学习领域中一种结构简单且应用广泛的无监督特征提取算法。在图像特征提取方面,现有自动编码器普遍存在特征提取不充分、模型参数量较多等问题。针对上述问题,提出了一种用于图像特征提取的融减自动编码器(MRAE)。首先,在该算法中提出“融减网络结构”,该结构在编码器中通过特征交叉传递实现了特征融合,在解码器中通过优化解码结构降低了特征损失并减少了模型参数量;其次,设计一种联合重构损失函数,该函数通过计算特征层之间的重构损失,在加强特征层之间联系的同时可有效避免模型早熟。实验结果表明:在肺部CT图像数据集上,基于融减自动编码器所提取的特征使用支持向量机(SVM)、K-means和分类回归决策树(CART)等分类器,肺炎筛查准确率均在97%以上;在CvD数据集上,基于融减自动编码器所提取的特征使用全连接分类的准确率均在90%以上。

无先兆偏头痛3D-CNN辅助诊断算法

偏头痛是一种严重危害人类健康的脑疾病,其中无先兆偏头痛在临床中占比最多且诊断困难。当前无先兆偏头痛辅助诊断算法研究中,基于机器学习的脑影像功能连接分析方法是最主要的研究方向。由于此类方法多依赖于预定义的脑图谱模板,受模板选择主观因素及分类器性能影响,现有方法的智能化程度和准确率较低,难以满足临床及研究需求。基于设计的新型3D-CNN技术,提出了一种无先兆偏头痛智能辅助诊断算法MwoA3D-Net(3D convolutional neural network based diagnosis of migraine without aura)。该算法采用组信息指导的独立成分分析方法,生成被试的静息态脑网络,并以此作为输入训练MwoA3D-Net,实现对无先兆偏头痛患者与健康对照的自动诊断,可避免因先验模板不同导致的结果差异。在算法设计中引入3D数据增强、L1和L2正则化等一系列优化策略,可有效防止过拟合现象的发生。在60名无先兆偏头痛和65名健康被试数据集上的实验结果表明,MwoA3DNet的平均诊断准确率为98.40%,鲁棒性较高,且所选静息态脑功能网络均具有较强的辨识性,可作为无先兆偏头痛的潜在生物标志物用于个体化诊断。

Research on resting spontaneous brain activity and functional connectivity of acupuncture at uterine acupoints

Objective The resting-state functional magnetic resonance imaging(rs-f MRI)method was used to observe brain activity and its functional connection upon electroacupuncture stimulation at bilateral uterine acupoints(EX-CA1),as well as to investigate the mechanism of acupuncture in the treatment of gynecological diseases.Methods Twenty-two healthy female subjects were stimulated by electroacupuncture at bilateral uterine acupoints;rs-f MRI data of the brain were acquired and standardized.Degree centrality(DC),amplitude of low-frequency fluctuation(ALFF),and regional homogeneity(ReHo)were used to analyze local spontaneous brain activity via acupuncture.An independent component analysis was used to evaluate the functional connectivity of the resting brain networks after acupuncture.Results Analytical results showed that the neural activity intensity of the precuneus lobe,orbitofrontal cortex,lingual gyrus,amygdala,and posterior central gyrus decreased after acupuncture(voxel P<0.001,cluster P<0.05).Functional connectivity analysis revealed weakened auditory and right frontal-parietal networks(voxel P<0.001,cluster P<0.05),enhanced visual network(voxel P<0.001,cluster P<0.05),and synergistic auditory network and hypothalamic-pituitary system.Conclusion Significant differences in neural activity and functional connectivity in specific brain regions were observed after acupuncture intervention at uterine acupoints;the hypothalamic-pituitary system also showed various active states in different brain regions.It is speculated that the effective mechanism of acupuncture at uterine acupoints is related to the regulation of reproductive hormones,emotional changes,and somatic sensations.Therefore,the methods used in this study could clarify the neural mechanism of uterine-point acupuncture in the treatment of gynecological diseases and may serve as a reference for other studies pertaining to acupuncture.

基于BFOA和K-means的复合入侵检测算法

K-means算法对初始聚类中心及簇数K的选择敏感,导致聚类结果不稳定,会对IDS(intrusion detection system,IDS)的检测结果产生重要影响。针对该问题,提出一种基于细菌觅食优化算法(bacterial foraging optimization algorithm,BFOA)和K-means相复合的入侵检测算法(HIDS)。HIDS算法首先基于距离阈值方法动态确定簇数K,再利用BFOA优化生成初始聚类中心,使得选择的初始聚类中心达到全局最优,从而解决了K-means算法的聚类结果不稳定的问题,进而提高入侵检测的准确率。为验证算法的有效性和测试算法性能,将HIDS在KDD99数据集上进行试验测试,入侵检测率可达98.33%。试验结果表明该方法能够有效提高检测率并且降低误检率。