基于特征增强的高血压视网膜病变分类方法研究

高血压视网膜病变是由高血压所引起的眼底疾病,传统分类方法主要是基于区域特征进行分析,识别依据较为单一,准确度不高。为提高分类准确度,本文提出了一种基于特征增强机制的高血压视网膜病变分类方法,设计了基于不同图像色彩空间的眼底图像特征增强方法,增强眼底照片中的病灶特征,提高模型的输入特征值,将处理后的图片输入改进的DenseNet模型中进行分类,从而提高高血压视网膜病变(HR)分类的准确度。采用公开数据集OIA-ODIR对本文提出的基于特征增强的高血压视网膜病变分类方法进行测试,其敏感性、特异性、准确率分别达到97.09%、98.79%、98.67%,与现有的HR分类方法进行分析对比,本文提出的分类方法效果更佳。

基于联合特征学习和多重迁移学习的肝脏病变分类

为了实现对不同肝脏肿瘤病变的精确分类,提出了一种基于联合特征学习和多重迁移学习的肝脏肿瘤病变分类方法.首先通过扩充通道的预处理方式对输入网络的图像进行数据增强处理,使得网络能从原始输入图像中提取到更多的特征信息;然后设计了联合特征学习双流卷积神经网络提取特征,避免由于网络深度增加造成部分特征信息丢失的问题;采用了集成分类器实现最终的分类,并通过多重损失约束方法对整个集成分类器进行约束优化;最后在模型的训练过程中结合参数迁移和域适应来减少损耗并提高模型的拟合性能.采用155张腹部平扫CT图像进行试验,设计了特异性、灵敏性、精确度、F1-score、准确率和误差率几种评价指标.结果表明,此方法能够实现对肝细胞癌(HCC)、转移性肝癌(MET)、血管瘤(HEM)以及正常肝脏组织的分类,平均分类准确率达到96%.

基于注意力机制的糖尿病视网膜病变分类算法

糖尿病视网膜病变是糖尿病的重要并发症之一,是工作人群失明的主要原因。视网膜图像类间差距小,易混淆,由于医疗资源不足和缺乏有经验的眼科医生,难以进行大规模的视网膜图像筛查。为此,提出了一种基于注意力机制的糖尿病视网膜病变分类算法,实现对视网膜图像病变程度的精确分类。对数据集进行数据增强和图像增强等预处理操作,利用EfficientNetV2作为主干分类网络,在网络中加入注意力机制对视网膜图像进行细粒度分类,同时采用迁移学习策略对网络进行训练。所提算法的分类准确率和二次加权Kappa值分别为97.8%和0.843,能够有效地对视网膜图像进行病变程度分类,与其他模型相比具有优越性,对于糖尿病视网膜病变的诊断和治疗具有重要意义。

区域特征融合的高血压视网膜病变分类方法

由于高血压性视网膜病变(hypertensive retinopathy,HR)病灶特征不明显,传统分类算法难以对其进行有效分类。针对这一问题,提出一种具有整体特征和局部特征的区域特征融合HR分类方法,即在整体HR分类模型的基础上,融合局部特征动静脉交叉压迫(arteriovenous nicking,AVN)分类模型来增强HR分类效果。在AVN分类中,提出一种新型的交叉点检测算法,该算法对分类后的动静脉进行逻辑与运算以求出交叉点位置,利用感兴趣区域提取方法从HR眼底图像中提取AVN图像块。提出的融合模型在私有数据集上进行了评估,准确率、敏感性和特异性分别为93.50%、69.83%和98.33%。在单阶段分类模型中分别与已有的方法进行对比,实验结果证明所提出模型效果较好。

半监督学习优化多任务学习网络在糖网病变分类的应用

深度学习在糖尿病视网膜病变(Diabetic retinopathy,DR)筛查中的应用往往可分为病变分类和病变区域分割两项子任务。得益于糖尿病视网膜病变在医学上明确的分类标准和较为充分的数据,深度学习在病变程度分类方面取得一定成果,但如何基于眼底图像得到更精细分级以及图像中病变区域自动分割依然是一个亟待解决的问题。采用多任务学习方法来同时处理以上两项任务,并结合对眼底图像病变区域分割特征辅助预测病变程度。同时在训练过程中引入半监督学习,在使用少量病变区域分割像素级标注数据训练模型后生成更多分割预测作为伪标签。最终以端到端的方式训练多任务模型以提高疾病分级和病变分割的性能,并在公共数据集上验证上述解决方案的有效性。

中国早产儿视网膜病变分类和治疗专家共识(2023年)

早产儿视网膜病变(ROP)是新生儿致盲性眼病,早期筛查和定期随访可以预防该病导致严重视功能损害,被世界卫生组织归类为新生儿可避免盲的防治目标。自2004年中华人民共和国国家卫生健康委员会颁发《早产儿治疗用氧和视网膜病变防治指南》以来,中华医学会眼科学分会眼底病学组积极推动ROP的筛查和治疗,于2014年更新了《中国早产儿视网膜病变筛查指南》。经过近二十年的努力,我国5期ROP病变基本消失。为了合理掌握ROP分类标准及药物治疗的适应证,中华医学会眼科学分会眼底病学组、中国医师协会眼科医师分会眼底病专委会组织相关领域专家通过认真、全面、充分讨论达成共识性意见,参考国际标准术语更新了我国ROP的分类和新名词术语的中文译名,并补充制定抗血管内皮生长因子药物治疗适应证的标准,以供临床医师在临床实践中参考应用。

子宫内膜增生性病变分类的新观点

长期以来,为了对子宫内膜增生性病变给予恰当治疗和判定预后,曾提出了多种病理分类.其中以1994年由WHO根据增生腺体结构的复杂性及细胞的不典型性而提出的4种病变分类法（简称WHO-94分类法）最具代表性[1],在2003年WHO乳腺及女性生殖器官肿瘤病理学和遗传学分类中同时也提到了由Mutter等倡导的以＂子宫内膜上皮内瘤变（EIN）＂为标志的,将子宫内膜增生病变分为良性子宫内膜增生、EIN及子宫内膜癌的新分类法[2],虽迄今仍未被普遍采用,但近几年来,不少的国内外学者支持和赞同这种新的分类法[3-8].在EIN分类法的运用过程中,有些要点应该强调,有些概念必须澄清.

基于EfficientNet的木薯叶病变自动分类模型

针对数据集中标注存在错误的情况下,传统的分类方法的模型在学习错误特征时过于自信导致准确率低的问题,提出了基于EfficientNet的自动分类模型。首先,对输入图像做数据增强,扩充数据后由EfficientNet提取特征;然后,引入标签平滑和随机丢弃节点,使模型不会过于自信,提高模型的泛化能力;最后采用双稳态逻辑损失进行预测。训练中通过对数据集做分层交叉验证来避免过拟合。实验结果表明,所提模型不仅比参数量低的模型表现更加优异,甚至比几倍于自身参数量的如ResNeXt或者十几倍于自身参数量的如RepVGG等模型也有更好的表现。所提模型计算量更小,推理速度更快,算法精度更高,更符合实际落地的要求。所提模型在木薯叶病变公共数据集上的准确率达到了89.66%。

先验权重共享码本下内窥镜图像大肠病变分类

目的大肠息肉和溃疡性结肠炎(ulcerative colitis, UC)是常见的大肠疾病,发病率高,检测需求大,且容易在临床中被漏诊和误诊。因此研究用于内窥镜大肠病变图像分类的计算机辅助诊断(computer-aided diagnosis,CAD)系统十分重要。局域约束线性编码(locality constrained linear coding, LLC)在图像分类领域展现了优异的性能,能够完成对内窥镜中病变图像的分类。但是由于肠胃内窥镜图像中存在的一些微小息肉等病理征状与肠壁十分相似,LLC在这一场景下的性能有待提高。方法由于码本的设计对细微差别检测能力影响大,本文通过改进LLC中的码本来实现更精确的大肠病变分类,其中原始码本被改进为带有先验权重影响的共享码本。主要思想是尝试尽可能多地使用代表私有部分的码本。本文方法重新排列了码本的列,将较少使用的原子排列在码本的后面,成为共享码本。并利用原子使用的频率计算权重,通过在线字典学习的方法,获得具有先验权重的共享码本。利用这一新码本对特征进行编码能实现更为高效精确的图像分类。结果为避免过拟合,将部分Kvasir数据集与部分医院合作数据集合并使用。实验在2 600幅内窥镜图像上进行正常、息肉和UC图像的三分类实验,与压缩感知空间金字塔池化(compressed sensing spatial pyramid pooling, CSSPP)方法、私有共享字典学习算法(category-specific dictionary and shared dictionary learning, CSDL)、环形空间金字塔模型方法 (circular inner ring partitioning,CIRP)、显著性和自适应局部约束线性编码(saliency and adaptive locality constrained linear coding, SALLC)和AlexNet迁移学习的网络比较,本文方法的总体分类准确率为93.82%,较对比方法分别高了2.33%、2.21%、1.91%、0.8%、0.07%。结论本文所提出的先验权重共享码本,综合了词汇袋模型和共享字典的思想,使得对内窥镜图像中相似图片的分类更加精确。

SSM:基于孪生网络的糖尿病视网膜眼底图像分类模型

糖尿病视网膜病变是由糖尿病引起的一种重要眼部疾病,不及时治疗可能会导致失明,现有的诊断方法主要依靠医生手动分类,但这种方法耗时耗力.随着深度学习的发展,越来越多的自动分类技术被应用到医学领域.针对糖尿病视网膜病变严重程度的分类问题,样本图像十分稀缺,传统的单支模型很难达到较高的分类性能,提出一种孪生结构的分类模型Siamese Model with Swin-Transformer and MLP-Based U-Net(SSM),并利用数据扩增来解决此问题.首先,利用直方图均衡化、高斯滤波和增强对比度等方法预处理图像;然后,将预训练的Swin-Transformer作为SSM模型的特征提取分支网络来获得层次化的特征表示;此外,还设计了一个含有跳跃连接结构的MLP-Based U-Net(MU-Net)作为SSM模型的分类器来对提取的特征进行分类.在Messidor数据集上进行训练和测试,与现有最先进的模型相比,SSM模型性能更优,在测试集上的精确率达0.976,召回率达0.975,F1达0.976,准确率达0.975,Kappa系数达0.967.

基于生成对抗网络与双注意力的糖网分类方法

针对在糖尿病视网膜病变分类过程中,因为数据集不均衡、类间特征相似、类内又存有差异,从而导致最终分类准确率不高的问题,提出了一种结合生成对抗网络与双注意力的分类方法AIDnet。首先,在ACGAN网络后加入转置卷积进行改进,生成轻度NPDR、重度NPDR、 PDR的图像平衡数据集;其次,在InceptionV3网络的基础上加入双注意力机制(DAM),在减少计算开销的同时提升性能;最后,利用焦点损失函数增加难以识别病变的权重,减少易识别病变的权重,高效提取DR图像的细节特征。实验结果表明,AIDnet网络在Kaggle数据集上的自动分类准确率为89.53%,敏感度为82.45%,特异性为93.26%;在Messidor2上的准确率达到90.31%,敏感度达到89.28%,特异性达到93.31%。较其他分类方法而言,AIDnet分类效果良好,有助于提高糖尿病视网膜病变的分类准确率。

乳腺良性病变4295例针吸细胞学形态分析

对4295例乳腺良性病变针吸细胞学进行总结。其中3124例获得病理组织学对照、细胞、病理诊断符合率为95％。良性病变中以纤维腺瘤及孔腺增生病多见,描述良性肿瘤及瘤样病变的细胞形态学特点并与某些疾病作了鉴别诊断。作者认为乳腺针吸细胞学对乳腺肿块的定性,显示出快速、安全、简便和准确性高的优点,为临床治疗提供了可靠的依据。

基于深度学习的肾小球病理图像识别与分类

病理切片中肾小球的识别和分类是诊断肾脏病变程度和病变类型的关键,为解决肾小球的识别和分类问题,从中检测出肾小球并进行分类,设计了一个基于深度学习的完整的肾小球检测及分类框架.该框架包括肾小球识别的4个阶段,第1阶段的扫描窗生成中,设计一种网络框架RGNet,用于初步判断肾小球可能出现的位置;第2阶段的检测和粗分类中,针对肾小球数据改进了Faster R-CNN;第3阶段基于NMS算法设计了NMS-Lite算法,将检测到的肾小球进行合并;在第4阶段的细分类中,使用数据增强等技巧训练2个神经网络,实现肾小球的病变程度分类.实验结果表明,所提肾小球检测方法在测试集上取得了与同类方法可比的精度,且在一定程度上解决了相似类别的肾小球难以区分的问题.

糖尿病神经病变临床表现多样

糖尿病神经病变分类 糖尿病神经病变分为全身对称性多发性神经病变和局灶和多灶性神经病变,前者包括慢性远端型、对称性、多发性神经病变（DPN）和自主神经病变（DAN）,后者包括颅神经、躯干、局部肢体、近端肌萎缩和慢性炎性反应性、脱髓鞘性、多发性神经病变（CIDP）。

深度学习方法在糖尿病视网膜病变诊断中的应用

深度学习可以有效提取图像隐含特征,在医学影像识别方面的应用快速发展.由于糖尿病视网膜病变(Diabetic retinopathy,DR)诊断标准明确、分类体系成熟,应用深度学习诊断糖尿病视网膜病变近年来成为研究热点.本文从深度学习方法在DR诊断中的最新研究进展、DR诊断的一般流程、公共数据集、医学影像标注方法、主要实现模型、面临的主要挑战几方面,对深度学习方法在糖尿病视网膜病变诊断中的应用进行了详细综述,便于更多机器视觉、尤其是深度学习医学影像的研究者们参照对比,加快该领域研究的成熟度和临床落地应用.

基于Self-Attention StyleGAN的皮肤癌图像生成与分类

针对以黑色素瘤为代表的皮肤癌分类任务存在数据集各类样本数量、权重不均衡,且现有的对抗生成网络生成的皮肤癌样本图像质量较差导致临床诊断时难以分辨等问题,提出了一种基于自注意力的样式生成对抗网络(Self-Attention StyleGAN)与SE-ResNeXt-50相结合的皮肤癌图像样本生成与分类框架。该框架在样式生成对抗网络(StyleGAN)的基础上引入了自注意力机制,对生成器的样式控制和噪声输入结构进行了重新设计,并重构了鉴别器对图像生成器进行了调整,从而有效地合成高质量的皮肤癌病变图像。使用SE-ResNeXt-50来对皮肤癌样本图像进行分类,更好地提取样本图像不同层次特征图的信息,从而提高了平衡多类精度(BMA)。实验结果表明,该模型在ISIC2019皮肤癌数据集上生成的样本图像质量较高,且分类BMA达到94.71%。该方法提高了皮肤癌病变图像分类的准确性,帮助皮肤科医生对不同类型的皮肤癌病变进行判断和诊断,并对不同阶段和难以区分的皮肤癌病变进行分析。

融合注意力机制和高效网络的糖尿病视网膜病变识别与分类

目的糖尿病视网膜病变(diabetic retinopathy,DR)是一种病发率和致盲率都很高的糖尿病并发症。临床中,由于视网膜图像不同等级之间差异性小以及临床医生经验的不同,会出现误诊、漏诊等情况,目前基于人工DR的诊断分类性能差且耗时费力。基于此,本文提出一种融合注意力机制(attention mechanism)和高效率网络(highefficiency network,Efficient Net)的DR影像自动分类识别方法,以此达到对病变类型的精确诊断。方法针对实验中DR数据集存在的问题,进行剔除、去噪、扩增和归一化等处理;利用Efficient Net进行特征提取,采用迁移学习的策略用DR的数据集对Efficient Net进行学习与训练,提取深度特征。为了解决病变之间差异小的问题,防止网络对糖尿病视网膜图像的特征学习时出现错分等情况,在Efficient Net输出结果上加入注意力机制;根据网络提取的特征在深度分类器中进行分类,将视网膜图像按等级进行五分类。结果本文方法的分类精度、敏感性、特异性和二次加权(kappa)值分别为97.2%、95.6%、98.7%和0.84,具有较好的分类性能及鲁棒性。结论基于融合注意力机制的高效率网络(attention Efficient Net,A-EfficientNet)的DR分类算法有效地提高了DR筛查效率,解决了人工分类的手动提取特征的局限性,在临床上对医生诊断起到了辅助作用,能更有效地防治此类恶性眼疾造成严重视力损伤、甚至失明。

非增生型糖尿病视网膜病变合并糖尿病视神经病变的临床分类及表现

目的观察非增生期糖尿病视网膜病变（NPDR）合并糖尿病视神经病变（DON）的临床分类及表现。方法经荧光素眼底血管造影（FFA）检查确诊为NPDR的224例患者440只眼纳入研究。采用光相干断层扫描（OCT）检查观察视盘形态，测量视盘周围视网膜神经纤维层（RNFI。）厚度。同时检测糖化血红蛋白（HbAlc）、血脂水平等全身相关指标。根据检查结果将合并DON的患者作为DON组，其余未合并DON的患者作为对照组。DON组患者进一步分为糖尿病视盘病变（DP）、缺血性视神经病变（AION）及视神经萎缩等3个亚组。观察DP、AION、视神经萎缩的发病率。分析各组间平均RNFL厚度及全身相关指标的差异。结果224例440只眼中，合并DON者14例19只眼，占患眼的4．3％；未合并DON者210例421只眼，占患眼的95．7％。DON组14例19只眼中，DP2例2只眼，占患眼的10．5％；AION8例12只眼，占患眼的63．2％；视神经萎缩4例5只眼，占患眼的26．3％。DP组患眼均无明显视网膜病变。AION在无明显视网膜病变、轻度、中度、重度NPDR期的发病率比较，差异无统计学意义（x2=0．019，P〉0．05）。与对照组比较，AION组视盘垂直径、水平径及视盘杯盘比（C／D）比值均较小，差异均有统计学意义（t=-2．425，-3．432，-3．871；P〈0．05）；糖尿病病程明显延长，差异也有统计学意义（t-2．320；P〈0．05）。结论NPDR可发生DP、AION、视神经萎缩3种病变。AION患者视盘垂直径、水平径及视盘C／D比值均较小，糖尿病病程明显延长。

微型快照式窄带多光谱成像宫颈癌筛查方法

白光阴道镜图像对比度较低,不利于医生鉴别不同病变程度组织,也不利于自动化宫颈癌筛查。利用癌变组织富含血红蛋白成分及血红蛋白具有特征波段这一特性,与传统高光谱空间扫描成像及分时获取不同波段多光谱成像方法相反,利用快照式多光谱窄带成像来加速光谱图像获取过程,提升不同病变程度组织之间灰度对比度同时,降低后续图像分析处理算法难度,实现对宫颈组织病变类型高帧率自动化分类。首先,使用微型快照式窄带多光谱摄像方法,在血红蛋白的两个强吸收峰(415±10)和(525±10) nm、一个反射带(620±10) nm和一个背景波段(450±10) nm共四个波段对宫颈组织进行快照式零时差获取四幅窄带光谱图像。而后,对所获取的光谱图像进行简单代数加减,以生成突显病变组织的融合图像,提高不同病变程度组织之间的对比度。最后,使用欧式距离分类算法,对光谱融合图像中不同病变级别进行分类,建立计算机辅助宫颈癌筛查方法。创新点在于实现了高帧率计算机辅助光学病理诊断方法。分别采用临床常规白光阴道镜及微型快照式窄带多光谱摄像对宫颈癌手术切下的新鲜组织进行彩色图像及光谱融合图像的高帧率采集,并使用同一个欧式距离分类算法对两种图像进行自动分类,分类结果都以组织病理诊断作为标准来计算正确率。通过对比两种分类结果正确率来检验光谱融合图像相对于彩色图像是否提升对比度,及其是否可以实现与组织病理诊断(金标准)结果一致的诊断。欧式距离分类算法对光谱融合图像分类准确率接近100%,远高于对白光阴道镜图像约50%的准确率。多位临床医生对基于微型快照式多光谱摄像头光谱融合图像的计算机自动分类结果表示接受。微型快照式窄带多光谱成像方法能有效提升光谱融合图像获取帧率及不同病变程度组织之间灰度对比度,能有效快速地将宫颈组织划分为与组织病理诊断结果一致的病变类型。由于诊断客观、无创伤、结果立等可得,该方法将有助于实现落后地区宫颈癌筛查的普及以及图像导航下的宫颈癌精准治疗手术。