基于卷积神经网络的新冠肺炎CT图像识别系统

新型冠状病毒肺炎具有以其传播速度快、传染率高的特点,使其成为全世界发病率和死亡率都极高的急性呼吸道传染病,肺部肺结节异常状态的正确识别和新冠肺炎是否感染的准确判别对于全世界医学发展与计算机算法逻辑都具有极其重要的发展意义。本项目所使用的卷积神经网络(CNN)就是通过计算机算法神经网络模拟大脑的学习分辨过程,先从识别图像数据基层初步提取特征,再用神经网络对基层特征进行概括与再聚合。系统以新冠肺炎CT图像为例,采用COVID-19 CHEST X-RAY DATABASE数据集,包含阳性1710张、阴性1345张。为提高检测精度采取了迁移学习的方法进行卷积神经网络的二次深度学习。通过实验得到,构建的模型可以完成是否患有新冠肺炎的分类判断,新冠患者CT影像的平均识别率可达92%,非新冠患者CT影像的平均识别率可达96%。

^(99)Tc^(m)-MIBI SPECT/CT心肌显像对新冠肺炎并发心肌炎的应用价值

目的评估^(99)Tc^(m)-MIBI SPECT/CT核素门控心肌血流灌注显像(G-MPI)在新冠肺炎(COVID-19)并发心肌炎诊断中的临床应用价值。方法对2022年12月至2023年2月期间确诊新冠肺炎患者进行的^(99)Tc^(m)-MIBI SPECT/CT G-MPI检查结果进行了回顾性分析,比较分析了心肌炎患者在性别、年龄、新冠肺炎严重度、心肌酶水平以及心功能参数方面的差异。结果在86例新冠肺炎患者中,51例(59.30%)并发心肌炎。^(99)Tc^(m)-MIBI MPI图像主要呈现“花斑状”改变,即无规律、散在的显像剂分布稀疏减低。其中,32例(62.75%)患者显示左心室各室壁均受累。心肌炎患者的MPI左心室室壁受累情况与心肌炎发生密切相关,尤其是下壁、前壁、侧壁和心尖部位(P<0.001)。年龄与心肌炎风险呈负相关(-0.360,P<0.001),而新冠肺炎严重度与心肌炎风险呈正相关(0.244,P=0.024)。性别、心肌酶、心功能参数(EDV、ESV、LVEF)与心肌炎发生无显著相关性(P>0.05)。结论新冠病毒感染后可以引发心肌炎,且随病情加重而增加。主要群体为中老年患者,但风险随年龄增长有所下降。性别、心肌酶水平、心功能参数与心肌炎无显著关联。^(99)Tc^(m)-MIBI SPECT/CT心肌显像在新冠肺炎并发心肌炎的精准诊断中具有高临床价值,推荐在临床中广泛应用。

床旁肺脏超声在新冠肺炎危重病人中的应用研究

目的总结肺脏超声(Lung ultrasound,LUS)对新冠肺炎(COVID-19)病人的研究结果,探讨半定量LUS评分在COVID-19病人中的应用价值。方法采用床旁经LUS检查法及高分辨率CT(High-resolution CT,HRCT),对60例COVID-19患者肺脏病变进行扫查,得到肺部超声在新冠肺炎中典型肺部表现,并与影像结果对比,得出敏感度、特异度、准确率。并评价两种检查方法在不同分型之间的相关性和一致性。结果(1)患者LUS与HRCT影像结果相比,发现肺实变敏感度为94.1%,特异度为95.7%,诊断准确率为96.8%;胸腔积液敏感度为84.6%,特异度为90.5%,诊断准确率为93.8%;呼吸窘迫综合征敏感度为87.8%,特异度为93.4%,诊断准确率为91.1%;膈肌麻痹敏感度为87.7%,特异度为93.2%,诊断准确率为90%;气胸敏感度为89.2%,特异度为90.3%,诊断准确率为90.2%,肺水肿均为100%。(2)LUS与HRCT对新冠肺炎总检出率、轻型与普通型、重型与危重型Kappa分别为0.659、0.746、0.968,P均<0.001;HRCT诊断肺实变、胸腔积液、肺水肿分别为16、22、16例,LUS为15、26、15例,两者诊断一致性较好。Kappa分别为0.957、0.862、1.000,P均<0.001。(3)在轻型与普通型新冠患者病例中两者相关性r=0.615(P<0.01);在重型与危重型新冠患者病例中两者相关性更好,r=0.784(P<0.01)。结论床旁肺部超声评分可以定量地评估新冠肺炎的分型,并在没有CT扫描的情况下发挥重要作用。

基于CT图像卷积神经网络处理的新冠肺炎检测

为增强对新冠肺炎与普通肺炎的区分能力,协助医护人员对肺炎患者进行胸部CT检测,在人工智能图像分析的基础上提出了一种基于CT图像卷积神经网络处理新冠肺炎的检测方法。首先,搭建一个卷积神经网络模型,通过评估模型深度对检测结果的影响,以选择最佳的网络结构;其次,提出了一种禁忌遗传算法,用以获取网络模型中最优的超参数组合,增强模型的辨识能力;最后,通过最佳的卷积神经网络模型来辨别新冠肺炎与普通肺炎。实验结果表明:所提出的检测算法的准确率、MCC值和F1Score值分别为93.89%,93.32%和91.40%,相对其他模型具有更高的检测精度。

XR-MSF-Unet:新冠肺炎肺部CT图像自动分割模型

新冠肺炎给人类带来极大威胁,自动精确分割新冠肺炎CT图像感染区域可以辅助医生进行诊断治疗,但新冠肺炎的弥漫性感染、感染区域形状多变、与其他肺部组织极易混淆等给CT图像分割带来挑战。为此,提出新冠肺炎肺部CT图像分割新模型XR-MSF-Unet,采用XR卷积模块代替U-Net的两层卷积,XR各分支的不同卷积核使模型能够提取更多有用特征;提出即插即用的融合多尺度特征的注意力模块MSF,融合不同感受野、全局、局部和空间特征,强化网络的细节分割效果。在COVID-19 CT公开数据集的实验表明:提出的XR模块能够增强模型的特征提取能力,提出的MSF模块结合XR模块,能够有效提高模型对新冠肺炎感染区域的分割效果;提出的XR-MSF-Unet模型取得了很好的分割效果,其Dice、IOU、F1-Score和Sensitivity指标分别比基模型U-Net的相应指标高出3.21、5.96、1.22和4.83个百分点,且优于同类模型的分割效果,实现了新冠肺炎肺部CT图像的自动有效分割。

基于DenseNet模型优化的新冠肺炎CT图像检测算法

提出了一种基于DenseNet模型优化的新冠肺炎CT图像检测算法。首先,分析并实现了ResNet、EfficientNet和DenseNet 3种网络模型,完成了在FlyAI平台上对新冠肺炎CT图像检测训练及分类任务。通过对技术原理、分类准确率等参量的分析和对比,表明DenseNet具有优越的自适应能力和分类能力。进一步针对该模型改用Focal Loss损失函数模型,在新冠肺炎CT图像数据集上的识别和分类达到94.57%的准确率,相比原来交叉熵损失函数下的模型,提升2.26%的精度,同时也高于其他检测方法,证明了所提算法的有效性。

基于多尺度并行深度可拆分的CNN新冠肺炎CT图像去噪方法

目前新冠肺炎(COVID-19)在全球蔓延,为了对新冠肺炎进行早期诊断,同时减轻医护人员的工作压力,使用深度学习对患者胸部电子计算机断层扫描(CT)图像进行分析变得越来越重要。针对肺炎图像中纹理细节较为丰富、边缘结构模糊、极易干扰机器及医生诊断的问题,本文提出一种基于多尺度并行深度可拆分卷积神经网络(MSP-ReCNN),对新冠肺炎CT图像进行去噪处理,提升肺炎图像质量。多尺度特征提取模块从不同尺度提取肺炎图像中的纹理特征细节,采用深浅通道并行方式,分别提取肺炎图像中的高维度以及低维度的特征。为进一步优化网络模型,提出一种拆分卷积方式,可将特征图拆分为两类,一类为主要关注特征,另一类为次要关注特征。使用复杂度高的计算方式从主要关注特征中提取关键信息,对于次要关注特征,则采取复杂度低的计算方式提取补偿信息。通过与非局部均值(NLM)去噪算法、收缩卷积神经网络(SCNN)深度模型、去噪卷积神经网络(DnCNN)深度模型对比,以及网络消融实验,可以看出本文提出的模型能有效去除肺炎图像中的噪声,并且可以更好地保留原始图像中的纹理结构细节,为机器以及医生提供更可靠的辅助诊断。

基于改进阈值的VGG网络的新冠肺炎CT图像自动诊断算法

肺部CT能够较准确地鉴定新冠肺炎病例,但医生工作量较大,本研究提出一种基于改进阈值的VGG网络的新冠肺炎CT图像自动诊断算法,通过该模型可快速准确地完成新冠肺炎病例的自动识别,为进一步控制其传播提供帮助。通过比较卷积神经网络VGG中的VGG-11、VGG-13、VGG-16,获得准确率较高的新冠肺炎CT图像自动诊断模型VGG-13,并在此基础上通过改进阈值的方式使准确率由86%提高到了89%,进一步提高诊断的准确性。

新冠肺炎疫情下入院患者实施胸部CT筛查价值初探

目的探讨新冠肺炎疫情下入院患者实施胸部CT筛查的价值。方法采用回顾性研究。收集2020年2月3日至2020年3月19日于某综合医院完成入院患者胸部CT筛查的影像信息,共纳入1370例,并采集2019年2月14日至2019年4月1日完成入院患者胸部X线检查的影像信息,共纳入2193例。对CT与X线检出的疾病种类、疾病检出率进行分析,并用χ^2检验比较CT与X线对肺内疾病与肺炎检出率的组间差异。结果1370例患者入院胸部CT检查阳性率为94.5%;肺内病变检出率为90.2%;肺炎占检出的肺内疾病的55.2%;可疑病毒性肺炎占3.5%。2019年同期2193例入院患者胸部X线检查阳性率为53.7%;肺内病变占42.2%;肺炎占肺内疾病的26.6%。组间比较显示胸部CT对肺内病变(χ^2=764.2,P<0.001)及肺炎(χ^2=681.8,P<0.001)检出率明显高于X线。结论入院胸部CT筛查能及时高效地检出可疑病毒性肺炎,在新冠肺炎疫情下对疑似病例的“早发现、早隔离”及遏制院内感染至关重要。

年龄和CT评分预测新冠肺炎住院患者的死亡风险:基于A-DROP评分

目的:探索研究新冠肺炎住院患者高死亡风险的独立预测因素,旨在区分可能需要加强监护治疗患者,助力新冠肺炎疫情防控。方法:回顾性分析湖北省2家医院确诊为新冠肺炎的302例患者的临床资料。基于A-DROP评分系统(年龄:男性≥70岁,女性≥75岁;脱水表现或血尿素氮≥21 mg·dL^(-1);血氧饱和度≤90%或动脉血氧分压≤60 mmHg;意识障碍;收缩压≤90 mmHg),将患者分为低风险组(A-DROP评分=0)和高风险组(A-DROP评分≥1)。使用多元逻辑回归分析来阐明新冠肺炎住院患者高死亡风险的独立预测因素。结果:高风险组住院患者67例(22.19%),低风险组住院患者235例(77.81%)。高风险组患者的年龄和CT评分较低风险组更高,死亡率显著高于低风险组。根据受试者工作特征曲线,当患者的年龄≥68岁,入院时CT评分≥8时,住院死亡风险较高。多元逻辑回归分析显示,年龄≥68岁(OR为25.31,95%CI:8.99~71.27,P<0.001)和CT评分≥8(OR为2.69,95%CI:1.01~7.21,P=0.048)是新冠肺炎住院患者高死亡风险的独立预测因素。结论:高龄和高CT评分是新冠肺炎住院患者高死亡风险的独立预测因素。

融合频率域特征的双路网络模型诊断新冠肺炎

CT检查在新冠肺炎诊断中起着重要作用,为了能够在有限的CT胸部图像集中获得更多有关新冠肺炎的特征信息、建立更加敏感通用的诊断模型,提出了融合CT图像频域特征的双路网络模型(Dp-Net),该模型主干部分采用ResNet网络模型,并将卷积神经网络的训练过程分为两个部分,一部分提取CT图像空间域的特征,另一部分通过傅里叶变换提取频率域上的特征,将两者训练的结果按照一定的权重进行融合,融合后再由Layer4模块进行一次特征提取。在公开的COVID-CT数据集上与ResNet、VGG等传统的CNN模型进行了比较,也与Self-Trans和LA-DNN等一些改进的CNN模型进行了比较,并对不同权重的融合方案进行了比较,实验结果表明提出的Dp-Net模型在各种评价指标上取得了更好的结果。

CT磨玻璃影像改变对新型冠状病毒肺炎不同阶段的诊断意义

分析CT磨玻璃影像改变对新型冠状病毒肺炎不同阶段的诊断意义。选取386例因呼吸道症状或发热就诊且接受胸部CT检查的患者为样本,实施CT检查,对比GGO影像特点于症状出现3 d内以及3 d之后的临床价值。新冠肺炎病患CT、GGO密度/部分实性改变、沿支气管束分布、同时合并小叶间隔厚度增加的GGO特点对各个阶段新冠肺炎的诊断有重要价值。

用于新冠肺炎CAR的类残差CNN-LSTM

新型冠状病毒肺炎目前已成为全球性的重大公共卫生事件。反转录·聚合酶链反应检测是检测新型冠状病毒肺炎的黄金手段,但从经济角度与效率角度来说,采用基于图像识别技术的计算机辅助诊断则是另一种行之有效的辅助检测手段,提出了一种类残差CNN-LSTM神经网络,针对串行结构卷积神经网络,采用类似于残差网络的思想提取图像的多级抽象特征并使用长短期记忆网络对其进行融合后识别;针对并行卷积神经网络,使用长短期记忆网络融合来自不同结构卷积神经网络的特征后进行识别。上述方法在加州大学开源的数据集上进行了验证,取得了Recall为0.9655,F1-score为0.8819,accuracy为87.25%,AUC为90.72的识别结果,相较于传统结构的卷积神经网络,各项性能指标提高了2~10个百分点。

2019新型冠状病毒肺炎的临床与CT表现

2019年新型冠状病毒肺炎(COVID-19)是短时间内在全球各大洲爆发的一种急性呼吸道传染病.对COVID-19临床及影像的认识是对该传染性疾病有效防控及诊治的关键,胸部CT检查作为COVID-19重要的辅助检查手段在疫情中发挥关键作用.本文根据中国境内核酸及临床诊断的新冠肺炎患者的相关研究,总结其临床与CT表现.

2020年株洲地区63例新冠肺炎患者出院后的随访研究

目的:观察疫情初期新冠肺炎患者出院后的临床特征、实验室检查及影像学指标变化。方法:选取2020年1—3月我院收治的株洲地区63例新冠肺炎患者,出院后对其进行6个月随访。观察患者的临床症状、血常规、肝肾功能、新冠病毒核酸及抗体、肺功能及肺部CT的变化。结果:部分患者出院6个月仍有胸闷、髋关节痛、腹泻等不适症状。患者出院1个月、出院6个月的白细胞计数及淋巴细胞计数与入院时比较差异有统计学意义(P<0.05);入院时与出院6个月的肝功能指标比较差异有统计学意义(P<0.05);出院1个月与6个月的FVC、FEV1、VC及DLCO比较差异有统计学意义(P<0.05)。42.9%的患者出院6个月IgG仍为阳性,58.7%的患者肺部CT仍未恢复正常。结论:疫情初期新冠肺炎患者出院后多数有影像学上的肺部改变,需要进一步随访以确定这些患者的肺功能何时可以完全恢复。白细胞介导的炎症可能与肺弥散功能恢复有关。

新冠肺炎患者核酸转阴后康复期的^(18)F-FDG PET/CT追踪研究

目的利用^(18)F-FDG PET/CT评估COVID-19康复患者全身不同器官的恢复情况。方法对8名COVID-19康复患者和8名健康志愿者进行全身^(18)F-FDG PET/CT扫描,分别测量肺部、纵膈淋巴结、心脏、肝脏、脾脏、双肾以及小肠的SUVmax值,比较不同组间SUVmax值的差异,并分析SUVmax值与相关实验室结果间的关系。结果康复患者组肺部的SUVmax值高于正常对照组(P<0.05),但两组间纵膈淋巴结、肝脏、脾脏、肾脏、左心室侧壁及小肠壁的SUVmax值的差异均无统计学差异(P>0.05)。脾脏SUVmax值与外周血淋巴细胞计数无明显相关性(r=0.524、P=0.183);肺部SUVmax值与血沉(ESR)无明显相关性(r=0.071、P=0.867)。结论在连续两次核酸检测结果为阴性三个月后,COVID-19感染后康复患者的纵隔淋巴结、脾脏和肝脏等多个器官的代谢活动已经基本恢复正常,但是肺部仍存在与炎症相关的反应。

新冠肺炎(COVID-19)的临床特征及CT表现

目的:分析新冠肺炎(COVID-19)的临床特征与CT表现,探讨CT在COVID-19的临床诊断及病情评估中的应用价值。方法:回顾性分析多家医院42例经RT-PCR检测COVID-19阳性病例的临床资料及CT表现,运用SPSS 25.0软件对病灶分布范围及密度等数据进行统计学分析。结果:在首次CT扫描中,31例(73.8%)为两肺受累,21例(50%)病灶在肺外带分布。9例为纯GGO,27例为GGO合并部分实变,5例部分肺叶病灶为完全实变。4例为网格状改变,17例出现支气管充气征,5例出现血管增粗,3例出现铺路石征,3例出现小叶间隔增厚,1例出现胸腔积液,5例出现纵隔淋巴结肿大,1例肺部未见明显异常。在治疗过程中,患者病情缓解,38名患者复查CT表现为病变范围和密度减低。结论:COVID-19的CT表现为双肺多发GGO,伴或不伴实变、血管增粗和小叶间隔增厚。COVID-19的胸部CT特征对该病的诊断和治疗监测具有重要作用。

新冠肺炎CT影像的DNN对抗攻击研究

在深度学习应用于新型冠状肺炎CT智能识别的研究中,大量研究人员通过构建深度神经网络训练模型,从而理解医学影像数据内容,辅助新冠肺炎诊断。提出AMDRC-Net架构,其中的残差结构,通过恒等映射解决了网络退化问题,与此同时,针对残差结构阻碍新特征探索的新问题,受到注意力机制等最新研究启发,研究了长短注意力引导机制。关注深度学习模型安全性问题,讨论基于梯度上升的对抗攻击方法;为了解决其单一性问题,通过长短注意力机制,增加有效对抗扰动的同时减少冗余扰动,紧接着,提出的对抗攻击算法A-IM-FGSM,将对抗攻击问题转化为自适应约束问题,即可微变换思想用于迭代攻击中,探究注意力引导机制与DNN对抗攻击的相互关系。最后进行的实验中,在新型冠状肺炎CT数据集上,通过AMDRC-Net进行模型训练,设计对比实验、可视化实验、对抗攻击实验。

普通型新型冠状病毒肺炎患者首诊临床特征及CT征象纵向演变

目的:探讨普通型新型冠状病毒肺炎(COVID-19)患者首诊临床特征及CT特征纵向演变规律,为其诊治提供辅助决策依据。方法:回顾性分析53例普通型COVID-19患者首诊临床资料及纵向CT影像资料,评价病灶性质、分布和病灶严重程度总评分。采用χ^2检验比较CT病变性质变化。结果:53例普通型COVID-19患者中,41例有疫区或感染患者接触史;发热(75.5%)为最常见症状;出现症状后10天内CT上肺内病灶以磨玻璃影(65.7%、40.5%)为主,第11~16天时则以混合性病灶为主(33.6%);第17天以后病灶性质趋于多样化;病灶分布呈两肺多发、肺野后部及外周为主;肺内病灶严重程度总评分在第11~16天达峰值,随后逐渐减低。结论:普通型COVID-19患者CT征象纵向演变存在一定特征性,能够为该疾病的临床诊疗提供决策依据。

肺部超声监测B线数目与CT对新冠肺炎康复患者的评估价值

目的:观察肺部超声监测B线数目与CT评估新冠病毒肺炎(COVID-19)康复期患者的价值。方法:回顾性分析2020年1-3月广州市第八人民医院收治的87例COVID-19患者的临床资料,收集患者入院、出院及随访时的肺部超声、CT资料,并分析其对康复期患者的病情评估价值。结果:肺部超声与CT诊断肺实变一致性较好(Kappa=0.788,P<0.05);两组出院时和随访时肺部超声、CT征象均提示病情减轻;与入院时相比较,出院、随访时肺部超声B线数、肺间质综合征、肺实变、胸膜下病变均减少,且随访时肺部超声指标较出院时明显改善(P<0.05)。结论:新冠肺炎康复期患者肺部超声监测显示B线数目较入院时明显减少,且在对肺水肿的检测上敏感度优于CT检查,可对病情进行有效监测和评估。