基于CNN的肌肉收缩超声图像分类

肌肉收缩训练对运动康复的意义重大,为了研究卷积神经网络(Convolutional Neural Network,CNN)在肌肉收缩超声图像分类问题中的可行性并评估效果,采用两种CNN模型(Res Net101和VGG19)对肱二头肌超声图像中肌肉是否收缩进行分类,并开展对比分析。实验结果表明,VGG 19模型分类效果较好,在准确度、参数数量及训练效率上均有明显优势,泛化能力强。

甲状腺腺瘤与结节性甲状腺肿超声图像特征的对比分析

目的:探讨甲状腺腺瘤与结节性甲状腺肿的超声图像特征。方法:选择2016年12月—2019年4月接收的超声检查结果显示为甲状腺腺瘤(160例)与结节性甲状腺肿(160例)的患者(最终均以病理检查结果为金标准确诊)为研究对象,并依照其病情自述与初步诊断情况将其分为甲状腺腺瘤组与结节性甲状腺肿组。对两组患者的超声图像特征、超声图像分类情况进行对比分析。结果:两组患者在结节数量、结节大小以及内部回声等方面比较差异均有统计学意义(P<0.05)。此外,在超声图像分类方面,结节性甲状腺肿组患者以Ⅰ型与Ⅱ型居多,甲状腺腺瘤组患者则以Ⅲ型与Ⅳ型居多,差异有统计学意义(P<0.05)。结论:超声能明确检测出甲状腺腺瘤与结节性甲状腺肿患者的结节综合性状(大小、数量等),且其超声检查结果各有相应的特征,有利于快速准确区分和诊断患者的实际病情,从而制订安全可靠的治疗方案。

基于BP神经网络的超声肝图像识别

肝超声图像识别,通过基于空间灰度独立矩阵,空间频率分解和分形特征进行特征提取,采用双隐层BP神经网络对正常肝脏,肝硬化和肝癌超声图像进行分类识别。首先提取图像特征并归一化特征向量集。再使用第1隐层对取样肝脏超声波图像进行分类,分别出正常和非正常肝脏。然后用第2隐层对非正常肝进行分类,区别出肝癌和肝硬化图像。最后通过不断调整网络参数,达到理想分类结果。

基于多分类AdaBoost改进算法的TEE标准切面分类

针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题,提出一种结合特征袋(BOF)特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图(TEE)标准切面分类方法。首先采用BOF方法对超声图像进行描述;然后采用主动学习方法选择对分类器最有价值的样本作为训练集;最后,在AdaBoost算法对弱分类器的迭代训练中,根据临时强分类器的分类情况调整样本更新规则,实现对多分类AdaBoost算法的改进和TEE标准切面的分类。在TEE数据集和三个UCI数据集上的实验表明,相比AdaBoost.SAMME算法、多分类支持向量机(SVM)算法、BP神经网络和AdaBoost.M2算法,所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升,且比较难分的类别分类准确率提升最为显著。实验结果表明,在包含类间相似样本的数据集上,分类器的性能有显著提升。

融合深度网络和浅层纹理特征的甲状腺结节癌变超声图像诊断

目的在甲状腺结节图像中对甲状腺结节进行良恶性分析,对于甲状腺癌的早期诊断有着重要的意义。随着医疗影像学的发展,大部分的早期甲状腺结节可以在超声图像中准确地检测出来,但对于结节的性质仍然缺乏准确的判断。因此,为实现更为准确的早期甲状腺结节良恶性超声图像诊断,避免不必要的针刺或其他病理活检手术、减轻病患生理痛苦和心理压力及其医疗费用,提出一种基于深度网络和浅层纹理特征融合的甲状腺结节良恶性分类新算法。方法本文提出的甲状腺结节分类算法由4步组成。首先对超声图像进行尺度配准、人工标记以及图像复原去除以增强图像质量。然后,对增强的图像进行数据扩展,并作为训练集对预训练过的GoogLeNet卷积神经网络进行迁移学习以提取图像中的深度特征。同时,提取图像的旋转不变性局部二值模式(LBP)特征作为图像的纹理特征。最后,将深度特征与图像的纹理特征相融合并输入至代价敏感随机森林分类器中对图像进行良恶性分类。结果本文方法在标准的甲状腺结节癌变数据集上对甲状腺结节图像取得了正确率99. 15%,敏感性99. 73%,特异性95. 85%以及ROC曲线下面积0. 997 0的的好成绩,优于现有的甲状腺结节图像分类方法。结论实验结果表明,图像的深度特征可以描述医疗超声图像中病灶的整体感官特征,而浅层次纹理特征则可以描述超声图像的边缘、灰度分布等特征,将二者统一的融合特征则可以更为全面地描述图像中病灶区域与非病灶区域之间的差异以及不同病灶性质之间的差异。因此,本文方法可以准确地对甲状腺结节进行分类从而避免不必要手术、减轻病患痛苦和压力。