基于心脏电影磁共振图像的一种新的右心室多图谱分割方法

基于心脏电影磁共振图像的右心室(RV)分割,对心脏疾病的诊疗及预后有着十分重要的意义.右心室结构复杂,传统图像分割方法始终未能达到较高的精度.多图谱方法通过配准和融合来实现RV 分割,是近几年RV 分割中的主要方法之一.本文提出一种新的右心室多图谱分割方法,能够实现RV 的全自动准分割.本文首先采用自适应仿射传播算法获取一系列图谱集,并基于豪斯多夫距离和归一化互信息选择与目标图像最相似的图谱集;然后,依次采用多分辨率的仿射变换和Diffeomorphic demons 算法将目标图像配准到最相似图谱集,并将配准得到的形变场应用于标记图像获得粗分割结果;最后,本文采用COLLATE 算法融合粗分割结果得到RV 轮廓. 30 例心脏电影磁共振数据被用于回顾性分析.本文算法与放射专家手工分割的RV 相比, Dice 指标和豪斯多夫距离的平均值分别为0.84, 11.46 mm;舒张末期容积,收缩末期容积,射血分数的相关系数和偏差均值分别是0.94, 0.90, 0.86;2.5113,–3.4783, 0.0341.与卷积神经网络相比,本文算法在收缩末期的分割精度更接近手动分割结果.实验结果表明,该方法从有效的图谱选择和基于多分辨率的Diffeomorphic demons 算法的多级配准提高了右心室分割的精度,有望应用于临床辅助诊断.

基于大规模临床数据深度学习的口腔疾病人工智能预防与诊断平台的构建

目的构建基于大规模临床数据深度学习的口腔疾病人工智能预防与诊断平台。方法本研究通过机器学习的智能辨识算法,对采集的海量口腔多模态影像大数据进行整理加工,通过口腔疾病的协同推理和智能分析、口腔疾病知识图谱的构建及口腔疾病演化预测等技术方法搭建人工智能预防与诊断平台。结果目前已构建了口腔疾病大数据库,基于影像分析的口腔疾病智能预防、诊断系统,以及结合协同推理与知识演化的口腔疾病预测分析系统和基于大数据云平台的人工智能预防与诊断平台。结论本平台有助于实现口腔疾病的早发现、早诊断与早治疗,特别是可引导口腔癌患者的早期治疗,降低民众就诊的经济成本,提高全民口腔健康水平。

人工智能医疗器械软件网络安全技术考量

随着深度学习技术的发展,人工智能技术在临床上的应用研究火热,目前已有多个深度学习辅助诊断软件产品经审批上市。大部分人工智能医疗器械软件具备网络连接功能以实现电子数据交换或远程控制,从而不可避免地带来网络安全风险。人工智能医疗器械软件是基于“医疗器械数据”,采用人工智能技术实现预期用途的医疗器械软件,相比普通医疗器械软件,具有更高的网络安全要求。文章从网络安全角度出发,探讨人工智能医疗器械软件的网络安全方面的技术考量。

融合双注意力机制3D U-Net的肺肿瘤分割

目的精确的肺肿瘤分割对肺癌诊断、手术规划以及放疗具有重要意义。计算机断层扫描(computed tomography,CT)是肺癌诊疗中最重要的辅助手段,但阅片是一项依靠医生主观经验、劳动密集型的工作,容易造成诊断结果的不稳定,实现快速、稳定和准确的肺肿瘤自动分割方法是当前研究的热点。随着深度学习的发展,使用卷积神经网络进行肺肿瘤的自动分割成为了主流。本文针对3D U-Net准确度不足,容易出现假阳性的问题,设计并实现了3维卷积神经网络DAU-Net(dual attention U-Net)。方法首先对数据进行预处理,调整CT图像切片内的像素间距,设置窗宽、窗位,并通过裁剪去除CT图像中的冗余信息。DAU-Net以3D U-Net为基础结构,将每两个相邻的卷积层替换为残差结构,并在收缩路径和扩张路径中间加入并联在一起的位置注意力模块和通道注意力模块。预测时,采用连通域分析对网络输出的二值图像进行后处理,通过判断每个像素与周围26个像素的连通关系获取所有的连通域,并清除最大连通域外的其他区域,进一步提升分割精度。结果实验数据来自上海胸科医院,总共1010例肺癌患者,每例数据只包含一个病灶,专业的放射科医师提供了金标准,实验采用十折交叉验证。结果表明,本文提出的肺肿瘤分割算法与3D U-Net相比,Dice系数和哈斯多夫距离分别提升了2.5%和9.7%,假阳性率减少了13.6%。结论本文算法能够有效提升肺肿瘤的分割精度,有助于实现肺癌的快速、稳定和准确分割。

人工智能应用于青光眼临床筛查及卫生效益分析

目的:探讨应用人工智能系统对青光眼患者的检出率、筛查的时间成本和经济成本,总结分析其应用于青光眼筛查的优越性与可行性。方法:回顾性研究。收集2019-2020年使用腾讯觅影眼底照片辅助诊断系统进行青光眼筛查的53700例受检者,2012-2018年使用北京同仁医院眼科研究所远程眼科会诊中心的493221例患者,邯郸眼病研究中接受基础眼病筛查的6716名受检者资料。评价人工智能筛查系统对青光眼的检出率,并采用Pearson x^检验,比较人工智能筛查系统与远程阅片平台、基础眼病筛查对于青光眼检出率的差异,并对三种筛查方式的时间成本和经济成本进行比较分析。结果:临床应用表明,其成本效益的可靠数据及主要指标:检出率、x^2值、时间成本、经济成本等效益显著。人工智能筛查系统对青光眼的检出率为6.56%,远程眼科会诊平台的检出率为2.78%,邯郸眼病研究的检出率为1.70%,人工智能筛查系统与另外两种模式对青光眼诊断检出率的差异有统计学意义(P<0.05)。而且使用人工智能筛查系统的患者其医疗时间成本和经济成本花费较低。结论:可行性分析表明,相较于远程眼科会诊平台和基础眼病筛查,人工智能筛查系统对青光眼的检出率较高,同时患者的时间成本和经济成本都得到了大幅度降低,这为青光眼筛查提供了一种有效而快捷的方式,值得临床推广。

眼底图像深度学习技术对屈光不正的智能诊断研究

目的:提出一种基于人类视觉注意力机制的RE-Net网络结构以使卷积神经网络(CNN)更适用于眼底相的屈光不正的智能诊断评估。方法:RE-Net由Res Net34作为骨干网络,进一步使用了上下文注意力模块,包括通道注意力机制和空间注意力机制,使其相应的通道发挥最大的作用,提高响应区域的权重。结果:使用了4358张眼底图像作为RE-Net的训练集。在包含485张眼底图像的测试集上,分类准确率分别为,高度近视93.3%,中度近视89.7%,轻度近视83.2%,轻度远视82.5%,中度远视79.5%,重度远视84.6%,平均分类准确率达85.5%,曲线下面积(AUC)为0.909,灵敏度为0.93,特异性为0.89, Kappa值为0.79 (x^2=23.21,P<0.05)。结论:基于深度学习的RE-NET人工智能诊断系统能较好进行屈光不正的诊断评估,有望为屈光不正提供一种新的筛查工具。

人工智能医学软件产品研发工艺及监管政策研究

研究分析人工智能医学软件产品研发工艺及国内外监管政策、相关文献,为人工智能医学软件的注册申报、技术审评及现场检查相关工作提供借鉴。