【摘 要】
：
由于气候多变、环境恶化及生产环境不达标等原因,患蜂窝肺疾病的人数开始逐年增加,且5年生存率不足30%,比大多数癌症的生存率都低。目前蜂窝肺的评估主要依靠临床经验丰富的专业医师进行人工视觉判断,这种视觉评估具有较强的主观性,依赖于医师的临床经验和对征象的认知能力,并且只能对病人的患病情况进行定性分析,无法做到精准定量分析。目前,研究人员已经在医学图像的识别、检测和分割领域中获得了骄人的成绩,故可通过
论文部分内容阅读
由于气候多变、环境恶化及生产环境不达标等原因,患蜂窝肺疾病的人数开始逐年增加,且5年生存率不足30%,比大多数癌症的生存率都低。目前蜂窝肺的评估主要依靠临床经验丰富的专业医师进行人工视觉判断,这种视觉评估具有较强的主观性,依赖于医师的临床经验和对征象的认知能力,并且只能对病人的患病情况进行定性分析,无法做到精准定量分析。目前,研究人员已经在医学图像的识别、检测和分割领域中获得了骄人的成绩,故可通过计算机辅助系统帮助医疗人员对患者进行诊断和治疗,提高患者的健康水平,改善患者生活质量。针对蜂窝肺病变图像临床变化较大、形状不规则、灰度不均匀、纹理和形变复杂的特性,本文从蜂窝肺病变图像的自动识别和病灶区域的自动分割两个方面对计算机辅助诊断方法进行研究:（1）针对Mobile Net算法存在的特征提取能力有限,同时分类识别准确率较低的问题,本文结合多尺度特征融合方法和空洞卷积的机制机理,提出了一种用于识别蜂窝肺病变图像的分类算法。该算法通过采用多尺度特征融合模块融合不同尺度的特征信息用于解决特征丢失和特征提取不充分的问题。同时针对Re LU激活函数在作用于通道数量较少的卷积层输出时易造成特征信息丢失的情况,设计了一种更适合用于蜂窝肺图像识别的激活函数,以保留每个通道的特征信息。最后,选择合适的改进深度可分离卷积模块的数量可以有效减少模型参数量并且降低计算机资源消耗,获取更好的分类效果。通过对比实验表明,该算法可以在保证运算速度的情况下有效提升蜂窝肺识别分类的准确性。（2）在蜂窝肺病变区域分割方面,针对其图像特征呈现形状不规则、灰度不均匀、纹理和变形复杂等特性导致模型分割效果和泛化性较差的问题,本文提出了一种用于分割蜂窝肺病灶区域的分割算法。该算法通过使用划分注意力模块在不同通道提取蜂窝肺图像中的特征信息,之后采用权重重分配机制提高重要特征在当前任务中的权重,细化分割边缘。为解决解码阶段过程中,由于模型在进行上采样操作时会导致输出特征图中出现分辨率和病灶区域模糊不清的问题,本文在跳跃连接阶段研究并使用注意力机制获取每个通道的权重值,通过权重值的重新分配和校准,进一步提升分割模型对蜂窝肺疾病的整体分割性能。最后,利用改进的上采样模块进行特征图的恢复可以实现蜂窝肺病变部位的进一步精细化分割。与现有的医学图像分割算法在蜂窝肺数据集中的实验结果相比,该算法具有更好的分割性能和更强的抗干扰能力。本文为蜂窝肺CT影像的检测诊疗提供了新的研究思路,构建的蜂窝肺自动识别和分割模型具有较大的发展潜力。随着蜂窝肺图像质量和数量的不断增加,可有效提高医师对蜂窝肺疾病的诊疗效率,降低医疗成本。
其他文献
关键词覆盖最优路径查询（Keyword-aware Optimal Route Query,KOR）查找满足关键词全覆盖和路径长度约束条件下,时间开销最小的路线,是旅行规划、路径导航等应用的高频查询。尽可能地缩短KOR的执行时间是KOR优化的最主要目标。现有算法的优化主要是采用高效的路径拓展剪枝策略,缩小搜索空间,降低算法复杂度,但是在查找长路径时,由于搜索深度大,搜索规模的增加依然过大。针对现有
肺癌是最常见的恶性肿瘤,其发病率和死亡率都逐年上升,并一直是影响人们正常生活和身体健康的首要危险因素之一。早期准确预测患者疾病特异性生存期对于疾病诊断、治疗计划和生存期改善极其重要。其最大意义,就是通过早期智能预测确定肺癌病人的重要预后因素,以便于合理防止过度诊断和医院资源的浪费,同时为临床医师和家人进行医学决策提供依据。近年来,随着医学设备的更新迭代以及计算机技术的快速发展,多模态、多时期的医学
在线网络中过大的数据量导致了“信息过载”问题,用户很难高效地从海量的网络数据中挑选出他们所感兴趣的内容。推荐模型作为应对信息过载问题的一种可靠且有效的手段,可以根据过往的历史行为记录,完成海量候选信息集合上的筛选任务,并针对用户的需求和兴趣进行个性化、精确化的推送。近年来,随着推荐任务场景中对关系建模的需求不断增长,利用图卷积网络搭建协同过滤推荐模型成为热点。图卷积网络是专门针对图数据而设计的一种
人工智能作为计算机学科的主流分支,在生物信息学中的应用取得卓越成效。人工智能技术不仅为生物数据建模提供新的方案,同时能够探索具有生物学价值的新发现。近期Alpha Fold完成人类蛋白质组98.5%的蛋白质结构预测,掀起深度学习助力生物信息学研究的热潮。药物研发作为生物信息学研究的重要领域,谋求利用人工智能算法指导快速且精准的药物-靶标相互作用识别。药物-靶标相互作用是指药物分子与蛋白质表层上特定
结直肠癌是世界第三大恶性肿瘤,其死亡率在所有恶性肿瘤疾病中高居第二,已严重威胁到人们的生命安全。目前,先开展新辅助放化疗方法,再进行手术切除肿瘤组织是结直肠癌推荐治疗方法之一。然而,由于患者身体状况不同,化疗将会给不同的患者带来不同的疗效。为了保证后续切除手术的顺利进行,手术前通过医学影像分析化疗效果是非常有必要的。肿瘤组织分割是整个分析工作的基础,其在临床实践中主要依靠医师手动完成。然而,医师手
构建更加精细的脑区亚区可以为揭示更全面的脑区认知、神经环路等提供更多的可能。以动物大脑为桥梁,基于影像特征进行人类大脑与猕猴大脑的跨物种比较,能为未来验证人类大脑上的发现和假设提供支持,进而发现人类大脑的工作机制和脑疾病的发展规律。猕猴上顶叶Brodmann 5区（PE区）在手臂运动的过程中负责处理深度和方向信息。有研究表明,人类大脑Brodmann 5区和猕猴大脑PE区是同源区域,从细胞构筑角度
构建功能化和血管化的三维组织是解决器官移植问题的主要方式,功能化和血管化的实现有利于构建体中营养物质的运输和细胞生长。三维（3D）打印技术凭借其能够精准制备复杂结构的能力和对多种材料的兼容特性,在实现体外组织的功能化、血管化方面发挥重要作用。3D打印的广泛使用推动了兼容可打印特性和生物功能支架材料的开发。水凝胶材料由于能够包容细胞生长,并具有可调控的力学性能,成为3D打印组织工程支架的首选材料。本
医学图像分割是医学处理领域的重要子方向,训练出高性能的深度图像分割模型是获得良好的医学图像病灶分割结果的关键所在。由于医学图像成像过程复杂,并且具有低对比度和噪声严重等特点。特别是超声图像这种利用超声反射原理形成的图像,其形成过程更加不稳定,这些特点就极大地增加了深度学习在医学图像领域广泛应用的难度。相比于自然图像来说,医学图像难以获取,标注成本也远大于自然图像。当数据匮乏的时候,神经网络的训练通
人脑是由无数神经元相互连接形成的复杂网络,基于脑网络的分类与预测在疾病诊断和脑机接口领域应用较广。脑网络随时间动态变化,对下一时间段脑功能网络的预测可以提前了解被试之后的脑认知状态,是现有脑机接口应用的拓展;对脑功能网络进行分类,对有望实现不同脑疾病诊断。因此,脑网络分类及预测是脑网络研究中新出现的热点。随着深度学习的发展,卷积神经网络（Convolutional Neural Networks,
脑网络是目前脑科学研究的主要手段之一。脑功能网络基于脑影像功能数据构建,研究人员已经提出了许多方法,取得了不少成果。但脑影像功能数据采集过程中不可避免会受到采集设备参数设置、噪声以及被试自身等因素的影响,使得构建的脑功能网络存在伪连接或丢失连接,导致网络表征不准确,可靠性相对较低,某些实验无法得到较为准确的结论,且结论的重测信度较低。因此,为了精准构建脑功能网络,研究脑功能网络的构建技术非常重要。