多分支与自注意力结合的前列腺癌灶分割方法

针对磁共振成像(magnetic resonance imaging,MRI)中前列腺癌病灶形状各异、与相邻组织对比度低、边界模糊等问题,提出一种结合多分支结构与自注意力机制的前列腺癌病灶分割网络。首先利用多分支结构提取图像中不同尺度的特征,增加网络提取特征的多样性。其次通过多头自注意力机制对全局信息进行建模,计算图像中元素之间的相关性,增强癌灶区域与背景的差异来提高前列腺癌病灶区域的分割精度。实验结果表明,所提方法在前列腺癌灶分割任务中的Dice相似性系数、交并比和95%豪斯多夫距离分别为79.23%、69.26%、7.21,更接近人工标注的结果。

联合特征子空间下Wasserstein距离对齐的胃CT图像识别

为提高小样本下胃肿瘤的辅助诊断性能,结合临床实践,研究联合特征子空间下Wasserstein距离对齐的胃CT图像识别方法。首先,为减少源域特征和目标域特征之间的差异,进行有效迁移,利用主成分分析(Principal Component Analysis, PCA)法寻找子空间的线性变换基向量,构建联合特征子空间,实现数据全局均值和协方差的对齐;然后,采用基于最优传输理论的Wasserstein距离算法进一步衡量子空间内正负标签数据特征之间的分布距离,增加正负标签数据特征之间的区分度,实现细粒度迁移;最后,针对传统极限学习机算法容易过拟合且稳定性差的问题,使用L_1范数正则化对输出权重矩阵进行稀疏约束,提高模型鲁棒性,实现迁移特征的有效分类。实验结果表明,该方法在内部测试集的AUC为0.891,外部测试集的AUC为0.897,一定程度上可为医生提供较好的诊断参考,具有现实意义。

基于自适应聚合权重联邦学习的肺结节CT图像分类

针对目前医学影像面临多中心数据存在数据孤岛以及非独立同分布的问题(Non-IID),提出了一种基于自适应聚合权重的联邦学习算法(FedAaw)。在全局模型聚合过程中,提出准确率阈值来筛选出本地模型,并由中心服务器采用筛选后模型的准确率计算相应的聚合权重,从而对全局模型进行聚合,使得分类性能较佳的模型参与全局模型的构建,以达到缓解多中心数据Non-IID的问题。同时,为提高模型挖掘图像长短距离信息之间的能力,在本地和全局模型中引入多头自注意力(MHSA)机制。此外,为缓解端对端的冗余特征造成的模型过拟合问题,提取全局模型中卷积核的特征,并采用基于L1范数的稀疏贝叶斯极限学习机(SBELML_(1))的集成学习方法完成各中心数据的特征分类。最后,通过多次打乱不同中心的数据分布来验证FedAaw算法的抗干扰能力。5个中心的测试集AUC变化范围为中心1(0.7947~0.8037)、中心2(0.8105~0.8405)、中心3(0.6768~0.7758)、中心4(0.8496~0.9063)、中心5(0.8913~0.9348),该结果表明:FedAaw在多中心数据上具有良好的分类性能且抗干扰能力较强。