应用数学视域下分形几何学在医学图像处理中的应用

针对医学图像边界不清晰,不利于结合图像对患者疾病进行分类和辨识的问题,在应用数学视域下,开展对分形几何学在医学图像处理中的应用研究。首先,结合人体内各器官结构的自相似特征,构建医学图像分形自相似模型;其次,利用分形几何学分割图像,并进行压缩;最后,完成医学图像内插处理。通过实例证明,应用新处理方法可以实现对医学图像分维数的分析,准确辨识疾病类型以及病变状态。

课程思政融入大学物理课程初探

物理学是非常重要的一门自然科学,与技术创新结合紧密。思想政治教育可以开阔思路,培养学生探索和创新精神,提升其科学思维能力,使其掌握科学方法,形成科学的自然观、辩证唯物主义的世界观。文章从中华优秀传统文化、中国近现代物理成果、生活案例、物理实验、专业认同等几个方面提出了以学生为中心课程思政的具体实施途径和方法。如此既能增添物理课堂的趣味性,又能润物无声地培养学生的核心价值观、法治观、哲学观等,旨在对思政元素有效融入大学物理课程起到一定的补充作用。

非单频声场中耦合双泡振动特性研究

利用Keller-Miksis方程,计算了初始半径分别为2、5μm的耦合气泡在非单频声场中气泡半径、次Bjerknes力的变化规律.计算结果表明,非单频驱动声场中耦合双泡的半径、次Bjerknes力与驱动声压幅值、声压幅值之比、驱动频率有关.当声压幅值比、驱动频率一定时,驱动声压越大,最大膨胀半径越大、次Bjerknes力越大;驱动声压、驱动频率一定时,声压幅值比越大,最大膨胀半径越大、次Bjerknes力越大;当驱动声压的振幅、声压幅值比一定时,驱动频率越大,最大膨胀半径越小、次Bjerknes力越小.

基于增强患者肺功能设计的一种球式呼吸训练器

为呼吸衰弱患者设计了居家自测球式呼吸训练器,该装置主要通过患者自我深长呼吸使空心筒顶部的球体上移,进而增强患者呼吸肌的扩张幅度,长期训练有利于改善肺功能。在患者呼气的同时,空心筒里面的静触点和动触点接触,使得LED灯发亮,起到监测指示作用,并且球体底部的连杆上连接有合金制成的配重块,能够根据患者需求选择配重块的安装数量,训练强度可调节。该球式呼吸训练器避免了以往其他辅助训练装置过于简单、存在二次感染的问题,可供不同状态的病患者肺部训练时使用,且安全性好、趣味性强。

DRT Net:面向特征增强的双残差Res-Transformer肺炎识别模型

针对肺部X射线图像的病灶区域较小、形状复杂,与正常组织间的边界模糊,使得肺炎图像中的病灶特征提取不充分的问题,提出了一个面向特征增强的双残差Res-Transformer肺炎识别模型,设计3种不同的特征增强策略对模型特征提取能力进行增强。设计了组注意力双残差模块(GADRM),采用双残差结构进行高效的特征融合,将双残差结构与通道混洗、通道注意力、空间注意力结合,增强模型对于病灶区域特征的提取能力;在网络的高层采用全局局部特征提取模块(GLFEM),结合CNN和Transformer的优势使网络充分提取图像的全局和局部特征,获得高层语义信息的全局特征,进一步增强网络的语义特征提取能力;设计了跨层双注意力特征融合模块(CDAFFM),融合浅层网络的空间信息以及深层网络的通道信息,对网络提取到的跨层特征进行增强。为了验证本文模型的有效性,分别在COVID-19 CHEST X-RAY数据集上进行消融实验和对比实验。实验结果表明,本文所提出网络的准确率、精确率、召回率,F1值和AUC值分别为98.41%,94.42%,94.20%,94.26%和99.65%。DRT Net能够帮助放射科医生使用胸部X光片对肺炎进行诊断,具有重要的临床作用。

M^(3)Res-Transformer:新冠肺炎胸部X-ray图像识别模型

新冠肺炎(COVID-19)自爆发以来严重影响人类生命健康,近年来残差神经网络广泛应用于COVID-19识别任务中,辅助医生快速地诊断COVID-19患者,但是COVID-19图像病变区域形状复杂、大小不一,与周围组织的边界模糊,导致网络难以提取有效特征.本文针对上述问题,提出一种M^(3)Res-Transformer的新冠肺炎胸部X-ray图像识别模型,采用Res-Transformer作为模型的主干网络,结合ResNet和ViT,有效地整合局部病变特征和全局特征;设计混合残差注意力模块(mixed residual attention Module,mraM),同时考虑通道和空间位置的相互依赖性,增强网络的特征表达能力;为了增大感受野,提取多尺度特征,通过叠加具有不同扩张率的扩张卷积构造多尺度扩张残差模块(multiscale dilated residual Module,mdrM),根据不同层次特征尺度的差异,使用3个逐渐收缩尺度的mdrM进行多尺度特征提取;提出上下文交叉感知模块(contextual cross-awareness Module,ccaM),使用深层特征中的语义信息来引导浅层特征,然后将浅层特征中的空间信息嵌入深层特征中,采用交叉加权注意力机制高效聚合深层和浅层特征,获得更丰富的上下文信息.为了验证本文所提模型的有效性,在新冠肺炎胸部X-ray图像数据集上进行实验,与先进的CNN分类模型、融合不同注意力机制的ResNet50模型、基于Transformer的分类模型对比以及消融实验.结果表明,本文所提模型的Acc、Pre、Rec、F1-Score与Spe指标分别为96.33%、96.36%、96.33%、96.35%与96.26%,在COVID-19胸部X-ray图像识别任务中有效提升了识别精度,并通过可视化方法对其进行进一步验证,为COVID-19的辅助诊断提供重要的参考价值.

单阶段实例分割——从局部到整体的网络结构研究综述

单阶段实例分割是近年来深度学习领域的研究热点,其通过将目标检测和目标分割并行的方式实现图像的实例级分割,该方法目前已被广泛应用于图像目标分割领域。首先,阐述了单阶段实例分割基本原理。然后,从局部和整体2个方面对单阶段实例分割的网络结构进行梳理,在局部网络结构方面,从特征提取、特征融合、特征预测3个方面进行归纳,其中,在特征预测部分,按照有锚框到无锚框的思路对目标边界框的生成方式进行分类,按照全局掩膜到局部掩膜的思路对目标掩膜的表示方式进行分类,全局掩膜包括原型系数方法、目标位置方法和目标边界方法,局部掩膜包括目标轮廓方法、目标位置方法和目标特征方法;在整体网络结构方面,对22个主流的网络结构进行总结。接着,归纳了单阶段实例分割在医学图像分割、视频图像分割、遥感图像分割等应用领域的发展现状。最后,对单阶段实例分割的发展方向进行展望。

面向牙齿X-RAY图像分割的牙齿模型

医学图像分割技术为临床诊断和治疗提供关键依据,但传统的图像分割技术易将图像过度分割且分割效果不够精细。为解决这些问题,本文研究采用U-Net网络分割牙齿X-Ray图像,通过合理选择池化操作、激活函数和周期数目,解决牙齿X-Ray图像中存在的牙齿与周围组织的对比度低、边界模糊、牙齿与背景分布不均、牙齿与组织粘连等问题。实验结果表明,U-Net网络具备有效的牙齿X-Ray图像的分割性能。

强化特征提取能力的下颌骨骨折检测3M-YOLOv5网络

针对人工智能辅助骨折部位治疗时由于骨折部位通常伴随着出血等症状,不同体位所拍摄的CT影像存在较大差异,骨折部位大小不一,以及受到出血部位以及周围组织的干扰,骨折部位的特征提取不充分、骨折部位检测精度不高的问题,设计了一种3M-YOLOv5网络来检测下颌骨骨折部位。在特征提取网络中采用密集模块,利用密集连接特性提高网络的特征提取能力;采用局部全局注意力模块来提取CT影像的全局信息;构造一个轻量化的多尺度密集块,以较少的参数量提取骨折部位的多尺度特征;在特征增强网络中设计跨维度双向特征融合模块,使得特征图的高度、宽度以及通道之间有所交互,同时引入可训练的权重来平衡不同尺度特征图的融合重要性。为了验证3M-YOLOv5网络的有效性,在自建数据集上进行消融实验和对比实验。实验结果表明,在置信度阈值取0.5时,3M-YOLOv5网络的mAP值、F1值、召回率、精确率分别为99.17%,99.06%,98.81%和99.32%。所提出的下颌骨骨折CT影像检测网络能够较好地检测出影像中的骨折部位,辅助医生制定治疗方案。

基于医疗全周期临床真实世界数据的新发传染病监测预警系统设计与实现

针对传染病监测系统绝大多数是针对诊断后的病历信息进行监测,是一种被动的监测系统,缺乏对新发传染病的预警问题搭建基于医疗全周期临床真实世界数据的新发传染病监测预警系统。基于医院已建立的诊前、诊中、诊后智能系统,采集医疗全周期临床真实世界数据;结合贝叶斯网络和W&D算法构建传染病预警模型,搭建传染病知识图谱;基于传染病智能诊断模型与专家确认,建立静默监控预警和主动嗅探预警;建立综合分析预警中心。结果显示。该系统能够实现对新发传染病从静默监控及主动嗅探两个角度进行监测预警,对于提高传染病防控的效率和效果,使防控关口前移,具有重要意义。

跨模态注意力YOLOv5的PET/CT肺部肿瘤检测

目的 肺部肿瘤早期症状不典型易导致错过最佳治疗时间,有效准确的肺部肿瘤检测技术在计算机辅助诊断中变得日益重要,但在肺部肿瘤PET/CT(positron emission computed tomography/computed tomography)多模态影像中,肿瘤与周围组织粘连导致边缘模糊和对比度低,且存在病灶区域小、大小分布不均衡等问题。针对上述问题,提出一种跨模态注意力YOLOv5(cross-modal attention you only look once v5, CA-YOLOv5)的肺部肿瘤检测模型。方法首先,在主干网络中设计双分支并行的自学习注意力,利用实例归一化学习比例系数,同时利用特征值与平均值之间差值计算每个特征所包含信息量,增强肿瘤特征和提高对比度;其次,为充分学习多模态影像的多模态优势信息,设计跨模态注意力对多模态特征进行交互式学习,其中Transformer用于建模深浅层特征的远距离相互依赖关系,学习功能和解剖信息以提高肺部肿瘤识别能力;最后,针对病灶区域小、大小分布不均衡的问题,设计动态特征增强模块,利用不同感受野的多分支分组扩张卷积和分组可变形卷积,使网络充分高效挖掘肺部肿瘤特征的多尺度语义信息。结果 在肺部肿瘤PET/CT数据集上与其他10种方法进行性能对比,CA-YOLOv5获得了97.37%精度、94.01%召回率、96.36%mAP(mean average precision)和95.67%F1的最佳性能,并且在同设备上训练耗时最短。在LUNA16(lung nodule analysis 16)数据集中本文同样获得了97.52%精度和97.45%mAP的最佳性能。结论 本文基于多模态互补特征提出跨模态注意力YOLOv5检测模型,利用注意力机制和多尺度语义信息,实现了肺部肿瘤检测模型在多模态影像上的有效识别,使模型识别更加准确和更具鲁棒性。

基于轻量化方向Transformer模型的肺炎X光片辅助诊断

为满足轻量化卷积神经网络(CNN)对肺炎X光片中方向和语义信息提取的需求,提出一种基于轻量化方向Transformer的肺炎X光片辅助诊断模型。首先,构造CNN结合Transformer的密集连接架构,实现深浅层中局部和全局信息的结合;其次,设计方向卷积捕获不同大小、形状特征的空间和方向信息,并降低Transformer学习全局特征的计算复杂度;然后,为每个样本特征采用专门的卷积核,降低方向卷积参数量,并保持高效计算;最后,通过构造均衡聚焦损失函数来提高模型肺炎识别能力。在肺炎X光片数据集中,所提出模型以较低的模型参数量、计算量,以及较短的运行时间,获得了98.87%准确率和98.85%AUC值的最佳性能,在3个公共肺炎相关数据集中均获得较强的鲁棒性和较优的泛化能力。