一种基于双分支注意力神经网络的皮肤癌检测框架

皮肤癌是一种主要的癌症,在过去几十年中快速增长,早期发现可以极大提高治愈率。近年来,基于皮肤镜图像利用深度学习模型(尤其是各种卷积神经网络)对皮肤癌进行识别和分类获得了广泛应用。但是与传统的图像识别分类不同,皮肤病检测任务存在数据不平衡、类间差异性小以及皮损面积占比少等方面的挑战。为此,本研究提出一种基于双分支注意力卷积神经网络(DACNN)皮肤癌分类框架。在数据预处理阶段,根据更细粒度的皮肤病类别,对数据集进行分解,降低数据不平衡程度。从网络结构上,上分支网络利用注意力残差学习(ARL)模块有效提取潜在的病变区域特征,接着利用损伤定位网络(LLN)模块定位病变区域。对其裁剪放大输入由ARL构成的下分支网络,进行局部细节的特征提取,然后结合上下分支网络的特征,进行有效的识别。最后,为了进一步缓解数据不平衡问题,在训练阶段中采用加权损失函数。在包含10015张皮肤镜图像数据集上,对所提出的DACNN模型与几种典型的皮肤病变检测框架进行了实验验证和比较。结果表明,DACNN皮肤癌变检测框架的Sensitivity、Accuracy和F1_score等性能指标分别达到了0.922、0.942和0.933,与已有的递归注意力卷积神经网络模型RACNN相比,以上3个指标分别提升了3.48%、2.95%和3.44%。总之,对于各类图像数不平衡,类间图像差异性小以及皮损面积占比少的皮肤镜图像而言,采用适当的类分解,以及双分支注意力神经网络结构首先对潜在的病变区域进行定位放大,然后进行局部细节的特征提取,能够极大的提高皮肤癌的检测准确度。

基于三维有限元模型的人体全腰椎振动特性研究

振动暴露被认为是诱发腰椎退行性病变和下腰痛的重要原因,本研究旨在探寻振动载荷对腰椎生物力学的影响。基于人体腰椎L1节段至骨盆(L1-pelvis)的CT扫描数据,重构L1-Pelvis三维几何模型。对该几何模型进行网格划分和材料特性赋值,建立L1-Pelvis三维有限元模型,并利用可获得的实验数据对模型的有效性进行验证。基于该有限元模型,通过瞬时动态分析计算出腰椎各运动节段在幅值40 N,频率5 Hz轴向正弦振动载荷作用下的力学响应,并与-40 N和+40 N轴向静态载荷作用下的结果进行对比,响应参数包括椎体轴向位移、纤维环膨出变形和纤维环基质冯·米塞斯应力。研究结果表明,相比于静态载荷,振动载荷下腰椎各运动节段的椎体轴向位移、纤维环膨出变形、纤维环基质冯·米塞斯应力的幅值分别增加了0.550~1.020 mm、0.124~0.251 mm、0.043~0.099 MPa,最大增幅分别可达195.0%、175.7%、151.4%。从量化角度说明振动载荷下腰椎发生损伤的风险更高。

基于细化等值面拓扑的病灶切片三维重建方法

脑组织病灶切片的三维重构对于了解神经胶质神经瘤状态具有重要意义,可用于鉴别诊断、手术模拟等。移动立方体(MC)算法是经典的多边形曲面重建算法,具有简单易实现的优点,但其存在低效且梯级现象明显的情况。针对该问题,本研究提出一种细化等值面拓扑的病灶切片空间堆叠重建方法(SSR-RI),旨在实现拓扑构形与运行效率的优化。SSR-RI通过构建空间坐标系对磁共振图像(MRI)切片邻近图进行处理,为了改善双线性插值法中图像分量易受损的问题,提出一种自适应空间插值法,根据灰度值变化自适应选择插值点,对周围进行扩充。在结合等法线顶点的基础上,设计了一种细化等值面提取方式的堆叠重建方法,以提高堆叠速度,并减少梯级问题。为了进一步优化SSR-RI的三维重建效果,提出一种改进的局部反射光照法(PR)以绘制三维病变,利用镜面颜色反射(SCR)与镜面指数(SE)对重建体进行渲染优化。使用公开脑肿瘤分割数据集BraTS的618例病例开展三维重建实验,以验证所提出方法性能。实验结果显示,所提算法的重建时间只需2.124 s,F-score值达到0.845,SSIM值达到0.81,相较于MC算法减少了38%的重建时间,F-score值和SSIM值分别提高了30.89%和38.4%。重构体序列间结构紧密,视觉效果更富立体感和纹理感,有效地提高了三维重建的绘制效率。

射频消融针热损伤区域研究和分析

针对射频消融针消融过程中热损伤区域控制偏离预期以及肿瘤消融不彻底的问题,利用COMSOL仿真软件,研究不同属性的电极材料、冷却循环水、电极结构射频消融针对组织消融效果的影响。研究结果表明,高电导率和热导率材料的消融针,升温更快,可以更加有效的加热组织;靠近针尖的位置,温升由焦耳热决定,而远离针尖位置处的温升,主要由热传导决定;消融针中的冷却循环水,不会改变焦耳热和热传导,但会控制消融针表面温度,降低表面组织吸附量,让组织温升更均匀,从而扩大消融区域;多级针和单极针比,相当于有多个单极针加热源;多个加热源形成的消融区域随时间增大,在组织中相互重叠,可以形成更接近肿瘤形状的消融区域;消融针的弯曲程度趋近180°时,会导致消融区域横向直径增加。

异氟烷麻醉对小鼠自发肌电及TUS/TMAS诱发肌电的影响

经颅超声刺激(TUS)和经颅磁声耦合刺激(TMAS)调控运动皮层效果明显,但受限于清醒状态动物难以束缚,已有研究大多在麻醉状态下进行,对麻醉减弱调控效果的分析集中于中枢神经系统。本研究记录了异氟烷麻醉下24只小鼠的肢体自发肌电和TUS/TMAS诱发肌电,定量分析了麻醉对自发肌电和诱发肌电发放率、潜伏期、时长和幅值的影响。结果显示,随着异氟烷输出浓度从0.40%增加至0.75%,每周期内小鼠自发肌电频次减少约50%,肌电发放时长变短,呈抑制状态;TUS/TMAS诱发肌电的成功率分别降低约50%和70%、潜伏期均延长约0.1 s、时长分别缩短约0.3和0.5 s,表明TUS/TMAS对运动皮层的调控效果随麻醉程度的加深而减弱。肢体自发和诱发肌电在发放率和时长上存在关联性特征,提示麻醉状态下小鼠自发肌电抑制状态可能是刺激效果减弱的影响因素之一。

一种可用于肝癌呼气信号鉴别的改进AdaBoost级联分类器

为了降低呼气检测技术在肝癌筛查中的漏诊率,本研究设计一种改进的AdaBoost级联分类器,并将其应用于鉴别健康志愿者和肝癌患者的呼气信号。首先,对训练样本进行自助划分获得一组训练子集。基于该训练子集,先后利用不同的机器学习算法,采用K折交叉训练和投票法得到多个子分类器;接着,将多个子分类器加权组合得到一个改进的AdaBoost分类器;然后,再次自助划分训练样本,以新的训练子集训练得到另一个AdaBoost分类器;最后,将两个AdaBoost分类器串联形成级联分类器。测试样本送入该级联分类器后,按照级联规则,潜在的异常样本将被反复筛查。以电子鼻采集到的120名志愿者的呼气信号的Relief优化特征集为训练样本,构建改进AdaBoost级联分类器,并对40例测试样本进行鉴别。结果表明,该级联分类器可有效区分出测试组中的肝癌患者和健康人的呼气信号,平均敏感性为93.42%,明显优于传统AdaBoost级联分类器,漏诊率显著降低。此外,该级联分类器的稳定性较好,精度的变异系数仅为3.95%。可见,改进AdaBoost级联分类器可有效提升分类器对肝癌呼气信号的检测能力,对实现基于呼气检测的肝癌无创普及性筛查技术的研究具有重要意义。

基于典型相关分析的脑网络研究方法综述

脑网络分析在研究大脑的认知活动、探究大脑的信息处理模式和辅助精神类疾病的诊断等方面都起着重要作用。近年来,基于多变量数据集的脑网络研究方法得到了普遍关注。典型相关分析(CCA)作为一种基于数据驱动的多元统计方法,能够有效捕捉多变量数据间的隐含关系,被广泛地应用于脑网络研究。综述CCA在脑网络研究中的作用、具体应用模式、存在的优势和局限性。首先,对传统的CCA其及常见变体的算法原理进行归纳总结;然后,阐述基于CCA分析方法在脑网络构建、脑网络分析、脑网络标记物识别方面的研究现状;最后,对基于CCA的脑网络研究方法进行总结并探讨未来研究的方向。

基于少层MoS_(2)纳米片的光学生物传感器用于癌症标志物ctDNA的检测

癌症已成为威胁人类健康和生命的主要疾病之一。循环肿瘤DNA(ctDNA)检测作为一种实用的液体活检技术,在肿瘤诊断、靶向治疗和预后预测中具有重要的应用前景。因此,本课题研究了一种基于少层MoS_(2)纳米片的光学生物传感器用于癌症标志物ctDNA的高灵敏检测。首先,采用剪切剥离法制备少层MoS_(2)纳米片,并对制备条件进行优化,以制备横向尺寸较大、厚度均匀的少层MoS_(2)纳米片;其次,通过分散液吸光度的变化研究少层MoS_(2)纳米片在高浓度盐溶液中的加速聚集沉淀行为;然后,基于MoS_(2)纳米片对单链DNA的吸附力,研究了单链DNA对于盐诱导沉淀少层MoS_(2)纳米片的抑制作用;最后,利用杂交形成的双链DNA从少层MoS_(2)纳米片上脱落而导致的分散液吸光度的变化构建光学生物传感器,并通过cpDNA与不同浓度的ctDNA杂交对该传感器的性能进行检测。结果表明,当cpDNA浓度为100 nM时,浓度范围在25~100 nM的ctDNA与少层MoS_(2)纳米片分散液的吸光度呈反比线性关系。在401和448 nm波长处时,少层MoS_(2)纳米片分散液的吸光度与ctDNA浓度的线性回归方程分别为Y=0.23557-0.00070X,R^(2)=0.94222和Y=0.21253-0.00050X,R^(2)=0.95141。所构建的光学生物传感器成功地实现了对癌症标志物ctDNA的检测;为未来的体外癌症检测和诊断提供了一种有效的传感策略。

微电流促愈合的研究进展

促进皮肤伤口及骨损伤的愈合是近年来促愈合领域的研究重点之一。微电流促愈合因有效、快速的促愈合特性和良好的促愈合效果而受到研究人员关注。目前,有关微电流促愈合的研究可分为有源与无源两类。其中有源微电流促愈合因其便于控制电流、电压等参数,主要用于促进慢性伤口的愈合;而无源微电流促愈合因其能将机械能转化为电能的特点,主要用于促进骨损伤的愈合。有源微电流促愈合,以外源供电方式的不同为脉络,阐述了直流电、交流电及混合电刺激的效果和区别;无源微电流促愈合,以无源微电流来源方式的不同为基础,叙述了化学微电池、压电陶瓷、压电柔性材料和纳米发电机的原理及差异;并探讨了有关内在机理,对发展前景进行了展望。

阴性颞叶癫痫患者静息态脑功能连接网络特征融合策略的分析

静息态功能磁共振成像(rfMRI)的功能连接(FC)可为阴性颞叶癫痫提供脑功能异常指标,但冗余特征影响了精准性。为此,本研究提出结合特异性指数模型与判别相关分析(DCA)的特征融合策略以改善识别效果。将20位患者与20位健康人的rfMRI数据预处理后,以健康人为对照组,构建两类特异性指数模型以量化FC和脑网络FC;采用最小冗余最大相关(mRMR)及独立样本t检验去除冗余特征,应用DCA融合2类FC特异性指标;将融合特征分别输入到K近邻、支持向量机和逻辑回归分类器中,并以嵌套10次10折交叉验证与嵌套10次5折分层交叉验证的平均分类精度来评估算法有效性。结果表明,融合特征识别率达到了91.25%~92.50%,高于非融合方案的识别水平。所提出的特征融合策略可有效地处理冗余信息,增强特征判别能力,为精准识别阴性颞叶癫痫提供了新思路。

基于Unet+Attention的胸部CT影像支气管分割算法

目前肺气管分割中,由于CT图像灰度分布复杂,分割目标像素近似,易造成过分割;而且肺气管像素较少,难以得到更多目标特征,造成细小肺气管容易被忽略。针对这些难点,本研究提出结合Unet网络和注意力机制的肺气管分割算法,注意力机制使用的是关注通道域和空间域的卷积块注意力模型(CBAM),该模型提高了气管特征权重。在损失函数方面,针对原始数据中正负样本失衡的问题,引入focal loss损失函数,该函数对标准交叉熵损失函数进行了改进,使难分类样本在训练过程中得到更多关注;最后通过八连通域判断将孤立点去除,保留较大的几个连通域,即最后的肺气管部分。选用由合作医院提供的24组CT影像和43组CTA影像,共计26157张切片图像作为数据集,进行分割实验。结果表明,分割准确率能够达到0.86,过分割率和欠分割率均值为0.28和0.39。经过注意力模块和损失函数的消融实验,在改进前的准确率、过分割率和欠分割率分别为0.81、0.30、0.40,可见其分割效果均不如Unet+Attention方法。与其他常用方法在相同条件下进行比较后,在保证过分割率和欠分割率不变的情况下,所提出的算法得到了最高的准确率,较好地解决了细小气管分割不准确的问题。

基于心率变异性的自动睡眠分期及其脑电图验证

睡眠障碍会严重影响人们的日常生活,因此睡眠的早期监测对睡眠疾病的预防和诊断有重要意义。采用自行研制的便携式多导睡眠监护仪,开展了103人次的居家夜间睡眠数据收集(含脑电、眼电、肌电和心电信号)。然后,从同步采集的心电数据RR间期中提取时域、频率和非线性特征,组合出最高达426个心率变异性(HRV)特征,基于Xgboost算法构建模型对睡眠中的清醒期(wake)、非快速眼动|期(N1)、非快速眼动Ⅱ期(N2)、非快速眼动Ⅲ期(N3)和快速眼动期(REM)进行五分类(wake、N1、N2、N3、REM)、三分类(wake+N1、REM、N2+N3)和二分类(wake、N1+N2+N3+REM)预测,并与脑电图睡眠分期标签进行验证。最后,五分类、三分类和二分类测试结果准确率分别达到84.0%、89.1%和95.2%,F1-score达到83.2%、88.9%和94.9%,为同类模型研究中表现最佳。说明HRV与睡眠阶段具有良好的相关性,基于便携式设备收集数据构建的算法模型可以较好地识别睡眠状态。

一种新的评估脑白质纤维形态变化的长度特征构建

基于弥散张量成像(DTI)数据可对全脑白质纤维进行三维呈现。当前对脑白质纤维的形态分析已用于研究在发育过程或病理情况下纤维形态的变化。本研究提出了一种新的逐脑白质纤维上点累加的欧氏空间距离表征其长度的特征,并进一步采用人类连接组计划(HCP)数据集中的50例样本从两个方面探究该特征稳定性。其一,不同纤维跟踪算法重建出的脑白质纤维对特征的影响;其二,同一种纤维跟踪算法下不同的脑白质纤维根数对特征的影响。纳入HCP数据集中的254例被试,运用该特征采用基于体素的分析(VBA)方式初步探究性别对脑白质纤维形态的影响。通过类内相关性系数(ICC)模型的计算发现,在两种纤维跟踪算法重建出的总体纤维长度比较接近的情况下,颅内绝大部分体素对应特征值的ICC在0.4以上。此外,同一种纤维跟踪算法下不同的脑白质纤维根数对特征的影响甚微,颅内体素对应特征值的ICC集中在0.8以上。性别对脑白质纤维长度影响的分析结果发现,相比于男性,女性在丘脑、穹窿、小脑中脚和苍白球区域的脑白质纤维长度特征值显著偏高;男性在右侧直回和右侧苍白球区域特征值显著高于女性。所提出的脑白质纤维长度特征丰富了脑白质纤维形态分析方法,可用于研究脑发育和脑相关的疾病。

基于神经影像和机器学习的大脑功能图谱构建方法综述

脑图谱是包括大脑功能探索、神经和认知科学以及临床诊疗在内的脑科学研究的重要工具,其主要通过神经影像数据,利用机器学习方法进行构建,由此产生的分割模式是理解大脑组织和功能的基础,还可用于脑网络节点的定义,并有助于降低神经影像噪声对应用结果的影响。在脑图谱中,相比于结构图谱,功能图谱虽然起步较晚,但其具有更高的功能一致性,已在各类脑功能相关研究中得到了广泛关注和应用。为了揭示功能图谱的发展路径,在调研基于神经影像数据和机器学习所构建的脑功能图谱的种类和方法的基础上,首先将图谱按照皮层和体素、个体和群体以及影像模态等多重属性特征进行分类解读,展示各种图谱的详细信息;然后根据机器学习方法分别综述基于图聚类和基于时间序列聚类的脑图谱构建方法;最后对脑图谱研究领域所面临的挑战和将来可能的研究方向进行展望。

基于MobileNetV2的小肠溃疡病灶图像识别

小肠镜下的溃疡病变形态复杂,鉴别诊断困难。为实现小肠溃疡病变的人工智能辅助识别,提高诊断效率和准确度,构建了一种基于MobileNetV2网络的小肠溃疡性病灶识别算法。以MobileNetV2为主干特征提取网络,将输出特征图进行空间上的多尺度提取后输入至通道注意力模块中进行特征重标定,并将多个尺度上的特征进行融合后输出分类。为了缓解数据集不均衡所带来的影响,提出了一种改进的损失函数。所用数据集来自上海长海医院282位患者的共2124张小肠镜临床图像。采用所提方法对该数据集测试的识别准确率为87.86%,5折交叉验证平均准确率为87.27%。使用梯度加权类激活图进行了可视化验证,同时将所提模块应用在不同主干网络架构上,均具有良好的通用性。研究表明,该网络模型能够更加注重病灶信息,加强病灶特征判别指向,对于小肠溃疡图像具有较高的识别准确率,可初步实现小肠溃疡病灶的自动识别。

基于无源域适应的脑电情绪识别

现有脑电情绪识别中的域适应方法利用源域数据及其特征分布来训练模型,不可避免地需要频繁访问源域,可能会导致源域受试者的隐私信息泄露。针对该问题,本研究提出一种基于高斯混合模型、核范数最大化和Tsallis熵的无源域适应(GNTSFDA)脑电情绪识别方法。首先,基于源域数据和本研究所提出的CNN和Transformer特征混合(CTFM)网络,利用交叉熵损失训练得到源域模型;然后,通过高斯混合模型聚类生成目标域数据的伪标签以构建分类损失;最后,基于伪标签和分类损失在目标域数据上对源域模型再训练以更新其参数,从而得到目标域模型,训练过程中还利用核范数最大化损失来提升模型预测的类判别性和多样性,同时利用Tsallis熵损失来减少模型预测的不确定性。GNTSFDA方法采用留一被试交叉验证的实验范式分别在SEED(源域14个受试者,目标域1个受试者)、SEED-IV(源域14个受试者,目标域1个受试者)和DEAP(源域31个受试者,目标域1个受试者)公开数据集上进行了实验。结果显示,在3个数据集上,目标域模型情绪识别的准确率分别为80.20%、61.20%和58.89%,相较于源域模型分别提升8.98%、7.72%和6.54%。GNTSFDA方法仅需要访问源域模型参数,而不是源域,从而有效地保护了源域受试者的隐私信息,在脑电情绪识别的实际应用中具有重要意义。

基于多模态影像的脑龄预测模型与应用

脑龄预测是借助脑影像数据进行建模与分析,客观评估大脑成熟与老化程度的一种分析技术。随着人工智能算法的发展,脑龄预测的相关研究近年呈现快速增长态势。已有研究普遍认为脑龄预测有助于评估大脑的健康状态,是监测大脑异常发育和老化的有效指标,具有预测大脑异常老化和病变发生的巨大潜力。针对近年来脑龄预测领域的发展,从脑龄分类、脑龄模型及其临床应用等几方面,综述该领域的最新研究进展,并进一步概述脑龄研究未来发展的挑战和趋势。

经颅随机噪声刺激的研究进展

经颅随机噪声刺激(tRNS)是一种利用随机噪声电流调控大脑神经元活动的技术,其通过随机共振等机制影响大脑活动和认知行为,在神经科学和神经病理学等领域展示出较为突出的调控效果,得到越来越多的关注和应用。综述经颅随机噪声刺激的生理效应和实施方法,以及在知觉、运动、学习和记忆以及脑疾病康复等方面的应用,总结相关研究现状和发展趋势。

基于光遗传学技术的脑机接口研究进展

脑机接口作为一种大脑和外部设备之间的双向通信系统,在增强脑功能、人机交互和神经康复方面得到了广泛应用。基于光遗传学技术的脑机接口,弥补了电极刺激在生物兼容性、刺激精度与细胞类型特异性上的缺陷,成为神经工程领域的研究热点。综述了光遗传学脑机接口在动物实验中的应用,以及在闭环调控脑区活动、反馈虚拟感觉和脑-脑交互等方面取得的研究进展;介绍了集成化和微型化新型光遗传学接口的研究前沿;总结了光遗传学脑机接口面临的挑战,以及探讨在多模态脑活动监测和脑-机智能等方向的发展前景。

基于机器学习的重症患者脓毒症实时风险预测模型

脓毒症是人体对感染反应失调导致的器官功能障碍综合症,具有较高的发病率和死亡率。传统的评分系统存在特异性低的问题。本研究基于LightGBM机器学习框架,提出了一种对脓毒症进行早期预测和风险评估的模型,以便对具有脓毒症潜在风险的患者进行及时干预。为了实现该模型,提出基于LASSO特征选择和滑动窗口路径重积分的时间序列特征构建方法,以及基于动态时间规整算法的时间序列聚类采样方法。选择MIMIC-Ⅲ数据库29239位病人和PhysioNet/CinC 2019挑战赛数据集40336位病人的临床信息来训练和验证模型。所提出的模型在MIMIC-Ⅲ和PhysioNet/CinC 2019独立测试集上的灵敏度、特异性、操作特征曲线下面积(AUC)分别为0.7377、0.7304、0.8147和0.8026、0.7891、0.8730。与目前最先进的EASP方法相比,AUC分别提高了3.62%和2.83%。本研究模型可以实时预测脓毒症发生的风险,揭示影响脓毒症发生的重要因素,为脓毒症风险人群的及时干预提供依据。