基于深度学习技术的医用影像检测方法研究

为了提升医学影像检测的智能化水平,文中对基于深度学习技术的相关图像处理、重构算法展开了研究。以肺部结节的自动检测为应用场景,对X光胸片的纹理特征提取方法进行研究。从灰度统计特征、灰度差异特征及多尺度高斯微分滤波器纹理特征等多个角度,提取了X光胸片的74个纹理特征作为支持向量机算法模型的输入。同时为了防止训练过程中产生的过拟合现象,解决深度学习算法对于训练样本容量的需求,提高样本数量与特征数量的比例,文中还引入了卷积稀疏编码算法对JSRT数据集进行重构,并按照1∶5的比例对算法仿真所需的数据集进行扩充。在分类器选择上,考虑到数据集中正负样本失衡对于分类器训练造成的不利影响,引入了代价敏感支持向量机算法(CS-SVM)。在公开医学影像数据集上进行的仿真结果表明,采用卷积稀疏编码进行数据集扩充后,算法的灵敏度与特异度指标可达到0.788和0.769,分别提升了2.8%和3.8%。

基于故障定位集的医疗器械电路故障在线检测方法

考虑到传统方法在检测医疗器械电路故障时存在漏检率和误检率高、故障信号采集质量差的问题,提出一种基于故障定位集的医疗器械电路故障在线检测方法。利用电路故障函数,提取出医疗器械电路故障信息特征,根据医疗器械运行过程中电路故障定位集特征信息的状态方程,计算出电路故障定位集的后验概率估计,构建医疗器械电路故障定位集模型。在此基础上,利用小波变换分解医疗器械电路故障信息,获取离散小波系数,通过重构医疗器械电路故障信息,定位医疗器械电路故障位置,实现对医疗器械电路故障在线检测。实验结果表明:所提方法不仅可以降低电路故障的漏检率和误检率,还可以在故障信号采集的信噪比方面提高故障信号采集质量。