基于目标检测的小儿白内障病灶识别和定位

小儿白内障是一种常见的严重危害婴幼儿视力健康发育的眼科疾病,通常发生在婴幼儿视觉发育的敏感时期。如果得不到及时有效的医学诊断和治疗,将会造成不可逆的视力损害。临床上,弥散光源影像是眼科医生诊断小儿白内障的主要介质,然而,小儿白内障具有多样性,很难直接地给出详细的病灶描述。因此,病灶的准确分析无疑是建立小儿白内障早期筛查、诊断和监测管理的关键。随着人工智能的发展,基于深度学习的分类和目标检测算法在医疗领域中得到了广泛的应用。计算机辅助自动诊断为医疗影像分析开辟了一个新的研究方向。弥散光源影像的积累也为小儿白内障病灶的自动检测提供了数据支持,使得基于计算机算法进行客观、快速、准确地小儿白内障病灶定位和识别成为了可能。本文以国内某著名眼科医院提供的小儿白内障弥散光源影像为基础,基于深度学习的目标检测算法构建了一个小儿白内障病灶自动检测模型,并以此模型为基础进行了多个角度的病灶分级识别,实现了小儿白内障病灶的精准分析。本文的研究内容主要包括小儿白内障病灶的自动检测和分级两部分。在病灶检测中,首先基于像素四邻域关系的降噪算法预处理小儿白内障弥散光源影像,过滤噪声;然后,提出了一种带有跳跃连接结构的Faster R-CNN目标检测算法,充分融合浅层位置信息和深层语义信息,对病灶进行了自动检测研究,有效地提升了检测的准确率。病灶分级研究主要包括病灶混浊致密性、面积和位置三个角度的分析,其中混浊致密性由检测模型可以直接得到,本文进一步对检测模型输出的结果进行阈值计算以得到病灶混浊面积和位置两个角度的分级。针对阈值和病灶复杂性存在的不确定性问题,本文提出了基于卷积神经网络和基于特征融合的病灶分级模型。基于卷积神经网络的病灶分级是采用深度卷积神经网络训练模型直接分级;基于特征融合的病灶分级首先提取颜色、纹理、形状等初级特征,然后进行多种特征融合,之后利用主成分分析对融合后的特征进行降维,最后使用Softmax进行分类。两个模型均得到了更加客观的病灶分级结果。实验结果表明,具有一个跳跃连接结构的病灶检测模型得到了最优的性能,其在正常晶状体、患病晶状体、病灶致密和病灶非致密四个类别的检测准确率分别达到了99.8%、99.7%、90.4%和89.4%,并且具有最高的MeanIoU(0.9174)。ResNet-50深度卷积神经网络在病灶混浊面积和位置两个角度分级问题上均获得了最优的性能,其准确率分别为92.59%和91.78%。本文的病灶检测和分级研究为小儿白内障计算机辅助诊断应用于临床提供了一种可行方案,同时也为其它医学影像的研究提供了借鉴意义。

基于医学影像的急性脑卒中辅助诊断关键技术研究

脑卒中俗称"脑中风"是一种急性脑血管疾病,是由于颅内血管突然堵塞或破裂导致血液无法流入大脑而引起脑组织损伤的一组疾病,包括出血性和缺血性两大类型.脑卒中具有高发病率,致死率,致残率和复发率的特点,严重威胁我国城乡居民生命健康.为更好地评估预后,指导治疗和制定二级防控策略,我国发布相关指南对两类脑卒中进行了更为细致的分型讨论.分型诊断的关键是识别和量化患者大脑医学影像中的相关区域和组织.目前,需要依靠医生观测病变组织边界,位置,形状大小,以确定具体分型,进而制定针对性诊治方案,但这样不仅耗时耗力还会引入观测者的主观差异.因此,医疗欠发达地区更倾向于实施普适性治疗方案,这使得多数患者无法享受rt-PA溶栓等针对性治疗方式带来的益处,患者的治疗风险陡增,治疗效果却大打折扣.随着计算机技术的发展,计算机辅助诊断的临床价值日益凸显,通过计算机辅助诊断技术实现脑卒中病程管理,分层指导进而实现患者的个性化治疗已成为领域内的研究热点.我国发布的治疗指南参考国际指南共识,同时结合最新循证医学证据编写而成.本文以治疗指南为指导基础,开展基于人工智能算法的脑卒中病灶精准量化分析研究,本文的主要研究内容和贡献如下:1)针对缺血性脑卒中辅助检测算法面临的数据不均衡,图像伪影干扰等问题,提出基于多平面信息融合的联合分割算法.磁共振弥散加权成像(Diffusion-weighted Imaging,DWI)是一种磁共振成像(Magnetic Resonance Imaging,MRI)技术,被临床公认为缺血性脑卒中金指标.通过算法获取患者DWI影像中的病灶信息将大大提高卒中诊断效率.但算法实现面临诸多困难,如样本不均衡,病灶不均质,边缘畸形,伪影噪声等.因此,边缘误识别,错检,定位不准等情况时有发生.本文对传统的Mask R-CNN分割原理展开研究,并基于此设计针对不同解剖面的检测分割算法.Mask R-CNN是一种两阶段的图像分割器,第一阶段通过区域候选网络(Region Proposal Network,RPN)生成大量先验(候选)框,第二阶段基于先验框进行坐标回归,目标分类和分割.针对分割结果中出现的错检,漏检,定位不准等问题,本文利用在相邻影像切片中得到的高置信度病灶分割结果对当前影像切片的分割结果进行修正,并设计信息融合算法计算不同帧对当前帧的贡献强度,进而帮助恢复误检,漏检等情形下的缺血性病灶.实验结果表明本方法分割Dice为0.622优于DeepMedic的0.563.2)基于大规模出血性脑卒中CT数据集,提出弱监督引导注意力模型,提升出血性脑卒中亚型分类的精度.颅内血管破裂后,血红细胞的状态变化将显著影响计算机断层扫描(Computed Tomography,CT)的影像学特征.出血性脑卒中亚型分类具有较强的临床指导意义,但现有的研究普遍分类粒度过大,对亚型的分辨能力不足.另外,很少有研究针对特大规模数据,传统算法模型无法从中获取更多性能增益.因此,本文将探索如何基于大规模影像数据进行细致的缺血性脑卒中亚型分类.本文对多种算法开展研究,通过充足的实验选择基准算法,并在此基础上提出了弱监督引导注意力机制和联合特征优化算法.本文方法引入软注意力机制,以无监督算法的分割结果作为软注意力的引导,使算法更加关注那些与诊断相关的可疑区域,同时抑制正常区域的特征表达;本文通过联合特征优化算法显著提升算法的最终性能.实验表明,引导注意力机制能有效抑制噪声表达,提升分类性能,而多重特征聚合能有效解决单张分类算法的误检,漏检等问题,极大程度提高算法精度.本方法的平均F1分数高于其他方法至少4%.3)针对非典型缺血性脑卒中患者诊断设备受限的问题,提出基于CT影像的对称区域特征比较算法,提升病灶识别精度.MRI是对急性脑卒中最敏感的筛查方式,但MRI拍摄禁忌较多,如体内不能有心脏起搏器,胰岛素泵等金属物品,但此类患者往往拥有更高的卒中患病风险.CT作为具备卒中临床表现患者的首选筛查方式,几乎没有拍摄限制.并且早在1996年,CT影像就在评估静脉注射tPA溶栓治疗中发挥关键作用.因此,探索基于CT影像的急性缺血性脑卒中病灶量化识别方法具有重要临床意义.由于放射科医生也难以准确勾画出CT上的缺血性病变,本文针对数据标注问题,提出基于图像配准技术的标注迁移算法;研究表明通过比较大脑对称侧可以提高判断缺血组织的准确率.但现有相关的研究使用特征过于单一,不足以处理复杂的CT影像,性能普遍较差.本文通过深度学习算法对影像中的脑部区域进行对称特征提取,计算差分特征,以放大病灶与健康组织的特征差异.实验结果显示,本文所提算法在急性期脑缺血的辅助筛查中具备一定的有效性.综上所述,本文在治疗指南的指导下开展研究,研究成果分别针对诊断流程中的三个重要环节.研究内容1基于DWI序列影像实现缺血性脑卒中病灶精准量化分割;研究内容2基于CT影像实现出血性脑卒中病灶精确亚型分类;研究内容3基于CT影像实现非典型缺血性脑卒中患者病灶量化识别.研究内容1,2分别解决缺血性和出血性病灶量化问题,研究内容3作为研究内容1的场景补充.本文将方法应用于多个数据集,对比分析了本文所提算法与现有算法的性能差异.结果显示,本文方法能有效量化脑卒中病灶,具有临床应用价值.

磁共振弥散加权与磁敏感加权成像联合应用于急性脑血管病早期精准诊断的临床研究

本研究采用磁共振扩散加权成像(DWI)和磁敏加权成像(SWI)联合应用于急性脑梗死和出血早期诊断的临床应用价值,并探讨其在病灶识别中的作用.方法 本研究以2022年12月-2024年12月住院的30例急性脑梗死及36例脑出血病人为研究对象,在发病6 h内行 DWI及 SWI成像.用 GEMR360核磁共振仪采集图像,用 dw4.2工作站对 ADC像和 SWI相位图进行处理和对比,测定相应的成像参数.采用 SPSS27.0软件,比较干预前后(<6 h,7~12 h,13~24 h)的影像学改变.结果 DWI在脑梗死早期诊断(<6 h)具有较高的敏感性,ADC值明显降低;SWI在显示脑出血微小病灶方面有一定的优势,尤其在<12 h以内有更显著的强化作用.联合应用可显著提高病灶鉴别率,局部异质化比例(R-HI)及功能评价(FMA)均与病灶改变存在显著性差异.各时间点各影像指标均有显著差异(P<0.05).结论 DWI和 SWI联合成像可实现急性脑梗死和脑出血的早期精确分型,显著提高病灶识别率,为临床个体化治疗提供科学依据.

一种肺部影像病灶的识别模型参数训练方法及识别方法

本发明公开了一种肺部影像病灶的识别模型参数训练方法,该方法的过程是:先获取肺部医学影像样本,集成库;再采用灰度共生矩阵计算各个肺部医学影像的纹理特征数据,作为SVM分类器的训练参数;最后采用交叉验证优化SVM模型的参数,得到最优模型参数.然后训练方法得到最优模型参数的基础上,提出一种肺部影像病灶的识别方法,从而达到自动识别肺部医学影像病灶的目的,降低识别医学影像的工作量,提高工作效率及提升识别的精准度.本发明方法经实验论证:对8类肺部疾病的医学图像具有较好的识别率和误识率.

深度学习算法及其医学影像分析应用研究

目的:智能医学影像处理与分析是智慧医疗和精准医疗的基础支撑技术,也是人工智能领域的研究热点和难点之一.当前,基于深度学习的医学影像分析方法,因其能很好的符合临床上"端对端"的临床需求及其在自然图像处理领域所取得的良好效果,而逐步获得临床医生及医学影像学研究者更多的关注和应用.借助人工智能技术,现有的医学图像分析研究工作已经取得了较大的成绩和进步,但是智能医学影像处理与分析技术辅助临床影像学诊断的效率和准确率还有待进一步提高,且离实现精准可靠的临床实用阶段仍有很大的距离,该领域的研究仍然面临着来源于医学影像数据和算法设计等多方面的巨大挑战和困难.缺乏足够海量的标记医学影像数据及其自身具有的非均匀性,退化性和形态结构复杂性等特点,决定了对医学影像分析算法研究和应用的难度和广度.算法模型是智能医学影像处理与分析的核心和关键,为此本文针对乳腺癌病理图像多分类识别及脊柱MRI中的疾病检测和分类任务,基于深度学习技术,就智能医学影像处理与分析的算法模型做了较为系统和深入的研究,提出了三个实用性强,泛化性广的深度学习算法模型.方法及结果:本文针对乳腺癌病理图像的多分类问题,提出了一种结构化的深度学习模型;针对基于MRI的脊柱疾病病灶检测难题,提出了一种深度多尺度多任务的全卷积检测网络;针对脊椎多结构病灶分割和诊断报告生成问题,提出了一种新型的循环生成对抗分割网络.(1)本文首先提出了一种结构化的深度学习模型CSDCNN用于乳腺癌病理图像细粒度图像分类,其创新之处在于其不但能自动调节不同类别之间的特征空间距离,还能够提取图像的高层语义特征,克服传统机器学习方法在特征提取方面的不足.CSDCNN是国内外首个高精度,全自动的乳腺癌病理图像多分类方法,可将乳腺癌病理图像细分为八种子类,在验证集和测试集上同时达到了平均94%的多分类精确度.(2)本文提出了一种深度多尺度多任务的全卷积网络(DMML-Net)用于脊柱MRI影像病灶目标检测和分类.此方法的创新之处在于DMML-Net融合了多尺度,多输出学习和多任务回归学习理论,具有较强的多尺度多任务学习能力,以及泛化性和鲁棒性.通过将DMML-Net应用于脊柱MRI中的疾病检测和分类任务中,实现了国内外首个基于发病机制的腰间盘椎间孔狭窄诊断系统.DMML-Net达到了90%的检测正确率.(3)本文提出了一种新型的循环生成对抗网络Spine-GAN用于多种脊柱疾病的诊断.该算法模型可同时对椎间盘,椎骨和神经孔等多种脊柱结构进行全自动分割和分类,进而智能的生成完整的临床诊断报告.此方法的创新之处在于Spine-Gan不但能够克服核磁共振图像中脊柱结构的高变异性和高复杂性,而且还能保留正常脊柱结构和不正常结构的细微差异性,能够动态的学习脊柱相邻结构间不明显但很重要的空间病理关系,从而突破小数据集的局限性.Spine-GAN实现了三种脊柱疾病的准确分割,放射学分类和病理相关性表示.具体来说,Spine-GAN的像素精度达到了96.2%,特异性和敏感性分布高达89.1%和86%.结论:本文提出了三种创新型的深度学习算法模型,分别应用于乳腺癌病理图像的自动诊断,脊柱疾病病灶的自动定位与分类,脊柱疾病病灶的分割与放射科诊断报告的生成.其中,深度学习模型CSDCNN的提出,对于乳腺癌病理图像的细粒度图像分类研究具有重要促进作用,可为临床诊断和医学研究提供重要的处理工具和技术方法;DMML-Net和Spine-GAN算法模型在脊柱疾病的临床诊疗及MRI影像处理等领域具有重要应用和研究价值,同时对智能生成医学影像诊断报告研究方面也具有一定的促进作用.