【摘 要】
：
子宫内膜上皮内瘤变（EIN）已经被证明是子宫内膜癌（EC）的癌前病变,精准诊断EIN对于女性生殖系统健康尤为重要。EIN也被称为非典型性增生,区别于良性典型性增生（Hw A）和正常子宫内膜（NE）,但三者在子宫内膜组织形态上十分相似,临床诊断中容易发生误诊和漏诊,同时病理科医生稀缺也是当前中国病理学界的一大现状。计算机辅助诊断在很大程度上缓解了医生的阅片压力,特别是基于深度学习的病理组织图像分析,
论文部分内容阅读
子宫内膜上皮内瘤变（EIN）已经被证明是子宫内膜癌（EC）的癌前病变,精准诊断EIN对于女性生殖系统健康尤为重要。EIN也被称为非典型性增生,区别于良性典型性增生（Hw A）和正常子宫内膜（NE）,但三者在子宫内膜组织形态上十分相似,临床诊断中容易发生误诊和漏诊,同时病理科医生稀缺也是当前中国病理学界的一大现状。计算机辅助诊断在很大程度上缓解了医生的阅片压力,特别是基于深度学习的病理组织图像分析,有望同时提高诊断效率和准确率。考虑到以往的研究大多仅限于在子宫内膜细胞核上进行单一尺度的特征分析,本文分别从单尺度和多尺度两个角度构建深度学习模型识别子宫内膜病变,具体的研究工作如下:（1）设计基于全局图像的单尺度网络Global Net和基于局部图像的单尺度网络Local Net分别完成子宫内膜分类任务（三分类:NE、Hw A、EIN）和癌前筛查任务（二分类:NE＆Hw A vs.EIN）。Global Net使用端到端的全监督学习在整张图像上提取全局特征完成分类任务,而Local Net基于弱监督部署多实例学习在四张切分子图上提取局部特征完成分类任务。子宫内膜分类任务上Global Net与Local Net的准确率分别为92.52%、92.81%,在癌前筛查任务上AUC分别为0.9687、0.9668。Global Net与Local Net在两个任务中的分类性能虽然处于同一水平（p＞0.05）,但Global Net在分类中更擅长识别Hw A,Local Net则更擅长识别NE。（2）根据全局（相对于背景的细胞学变化）和局部特征（腺体与间质比率和病变尺寸）都有助于识别子宫内膜病变的经验,以Global Net和Local Net在分类时的互补性为基础,本文提出了一个结合全局特征和局部特征的多尺度网络G2LNet对子宫内膜组织图像进行诊断。G2LNet从全局图像中提取上下文特征,并部署多实例学习从局部图像中提取纹理特征,随后融合上下文和纹理特征,再加入注意力模块完成子宫内膜分类任务和癌前筛查任务。G2LNet在子宫内膜分类任务上取得的准确率和F1-score分别为97.01%和0.9698,在癌前筛查任务上取得的准确率和AUC分别为99.07%和0.9902。在两个任务中G2LNet的性能均优于基于单尺度图像的模型包括Global Net和Local Net（p＜0.05）,验证了多尺度网络结构的有效性。G2LNet在两个任务中的各项评估指标也明显高于现有的最新方法HIENet和SVMCNN（P＜0.05）,证明G2LNet在识别子宫内膜病变任务上具有更好的性能。（3）在外部验证数据上进行子宫内膜分类任务,G2LNet取得的准确率和F1-score分别为95.34%和0.9531。G2LNet的分类准确率与中等年资（具有6年病理学经验）的病理科医生相当,但G2LNet在分类中更擅长识别EIN,医生则更擅长识别NE和Hw A。此外,本文使用Grad＿Cam的方法可视化G2LNet分类时的关注区域,为病理科医生提供更直观的结果和解释。G2LNet的关注区域显示部分病例能够正确分类正是由于全局特征和局部特征的互补,进一步验证了多尺度特征的结合有助于模型分类性能的提升。
其他文献
软件漏洞在软件开发中不可避免,在软件正式版本发布前,通常需要对软件源代码进行审计,尽可能检出软件中潜在的安全问题,并对其进行修复。为此,研究人员提出了一系列基于规则和基于机器学习的代码漏洞检测方法。基于规则的漏洞检测方法由于需要人工专家参与规则的制订,因此对漏洞变体和新漏洞类型的检测能力差。基于机器学习的漏洞检测方法虽然功能强大,但仍需要先验知识,人工定义漏洞特征。随着深度学习和代码表征技术的发展
随着城市化建设的提速,城市在面积扩张迅速的同时面貌也日新月异。因而,城市管理者所掌握的信息也需要及时更新,以保障城市生活质量。在此背景下,利用居民日常生活中产生的出行大数据,设计机器学习算法动态化、智能化辅助管理者开展城市规划工作就显得极为重要。在辅助城市规划的相关工作中,自动识别用地功能与精准预测区域交通流是两个重要的方面。与此同时,用地功能属性与交通流变化之间存在紧密且复杂的联系可以被挖掘利用
秦腔是中华文明历史发展的瑰宝,也是最古老的传统戏曲之一。目前秦腔表演形式受限、传播渠道单一,使得秦腔面临传承断代甚至消失的危险。随着计算机感知能力的提升和虚拟现实技术的发展,应用动作识别和增强现实等技术实现传统戏曲的交互式数字化虚拟展演成为了虚拟现实领域的研究热点。本文针对秦腔虚拟展演动作识别和三维模型注册等关键环节,提出基于骨架数据的时空图卷积网络改进模型和基于POSIT优化的位姿估计算法,解决
颅面复原是根据颅骨和面部之间的关系从颅骨重建面部,以帮助识别颅骨身份。本文针对现有计算机辅助颅面复原方法缺少五官细节、复原人脸真实感效果较弱的问题,利用人工智能与图形图像学方法,将颅面复原问题转换为颅面图像翻译问题,实现对蒙古人种颅骨高真实感的面貌复原,复原结果在考古、医学、刑侦等领域拥有广泛的应用前景。本文研究工作主要包括:（1）构建二维颅面图像数据集,首先对三维颅面模型进行数据预处理,再通过正
行为识别是计算机视觉领域中的一个重要研究方向,其有着很广泛的应用场景,包括行为分析、视频检索、人机互动、游戏娱乐等。现有的基于视频的行为识别模型算法还存在两个问题:1)视频是由有序的图像组成,但视频的时间维度和空间维度的重要性并不相等,如果将空间特征和时序特征以相等的比例放入到分类器中对进行分类,这就会导致时空特征不平衡的问题,从而影响分类结果;2)尽管已有很多方案对视频时序特征的提取可以达到很精
基于图索引的数据关系结构是推荐系统、数据挖掘、信息检索等应用领域的基本构成组件。随着文化资源智能化的进程不断加快,文化资源数据呈现出零散、非结构等特点,导致定义并挖掘公共文化资源实体间关联关系非常困难,进而使得用户难以获得所需要的文化资源。近似最近邻搜索算法能够在候选集合中快速搜索出与查询对象相似的数据,基于图索引的近似最近邻搜索算法因其搜索速度快、搜索精度高而备受关注。但基于图索引的搜索算法在构
秦腔是中华文化的瑰宝,它为探究汉文化、追寻中国古典艺术提供了宝贵线索。而如今秦腔虽然作为我国的非物质文化遗产,但其受众群体逐渐小众化、老龄化。为了改变当前现状,本文提出一种基于深度学习的人脸图像卡通化与动画生成方法,并将其应用在秦腔角色上。通过将传统秦腔文化与现代信息技术相融合,实现秦腔的文化创新,使古老秦腔艺术焕活新的生机。本文主要研究进展包括:（1）在秦腔角色的人脸图像卡通化研究中,针对原有图
文物作为人类文明璀璨历史的物理存证,通过预防性保护研究,提升文物的保存质量,延长文物的生存周期是当前文物保护领域的热点问题。近年来,随着物联网和5G技术的发展,基于物联网的文物生存环境监测技术得到了广泛应用,但对文物本体状态的监测还鲜有涉及。针对馆藏青铜器本体监测效率低下和准确度不高等问题,本文对青铜器预防性保护过程中的病害检测问题展开研究,面向病害识别和病害定位两个子任务,分别提出基于深度学习的
在线社交网络已然成为社会关系维系与信息传播的重要渠道和载体。影响力最大化是社交网络的研究热点之一,对信息扩散、专家发现、推荐系统等应用意义重大。对于给定的传播模型,选择具有最大影响力的用户作为种子节点,可以最优化传播的速度与广度。众所周知,用户的影响力（体现为用户的地位、阶层）评估是影响力最大化研究的核心问题,即找到在线社交网络中最具话语权的用户,如微博的“大V”用户。探究影响用户地位、阶层的因素
近年来,卷积图神经网络（GCNs）及其变体因其在半监督学习任务中的卓越表现而受到了广泛关注。卷积图神经网络已经在计算机视觉、自然语言处理、社交网络以及应用化学等诸多领域产生了十分深远的影响。但目前大多数方法有两个问题:第一是算法对特征传播方向不够鲁棒,由于现有的大部分方法是基于特征值分解的,无法用于有向图;并且仅有的一小部分可用于有向图的方法,其性能比在无向图的性能差距较大;第二是大多数网络针对特