首页 > 文献资料
-
RSNA2018肺部影像学
2018年11月25～30日在芝加哥举办的RSNA 2018以“未雨绸缪,为明天而战”为主题,旨在全方位发展影像医学,以更好的服务于临床.深度学习/人工智能在全球信息化浪潮下依旧热度不减,同样依托于计算机的影像组学也一样吸引眼球.能量CT成像、低剂量成像、肺部MRI、肺结节筛查、肺癌放射诊疗、肺气肿及弥漫性病变等仍较为重要,本文将对2018年RSNA肺部影像学内容进行综述.
-
RSNA2018骨骼肌肉影像学
2018年RSNA年会上关于骨肌关节成像方面的科学报告有180余篇,主要内容包括肌肉骨关节疾病的定量及定性研究、深度学习的应用、骨折和肿瘤的诊断等,本文将按照部位进行相关综述.
-
像素闪烁算法对提升高BMI者Revolution CT单能量图像质量的价值
目的 探讨基于深度学习的像素闪烁算法(PS)对提升高身体质量指数(BMI)者Revolution CT单能量图像质量中的价值.方法 回顾性分析行Revolution CT能谱成像(GSI)检查的患者资料,首先选取行腹部平扫的高BMI(≥25 kg/m2)患者共38例,测量其肝门水平腹部皮下脂肪噪声(SD)值,计算皮下脂肪的SD均值,选取高于平均值(6 HU)的患者共20例,并排除弥漫性肝脏病变(脂肪肝、肝硬化等)、右肾占位性病变(病灶体积大于右肾体积的1/2)、图像有呼吸运动伪影的患者5例.终入组病例15例,男7例,女8例,年龄48～81岁,平均(62±9)岁,BMI 25～34 kg/m2,平均BMI为(28±3)kg/m2.扫描参数:GSI成像模式,螺距0.992,转速0.8 s/r,探测器宽度80 mm,140 ～ 80 kVp瞬时(0.5 ms)切换,管电流320 ～400 mA,层厚5 mm,层间距5 mm,重组方法50％自适应统计迭代重组(ASIR-V).重组得到70 keV单能量图像.在GE AW4.6工作站应用PS软件A7模式后处理,获得的PS图像.将处理前后的图像分为A组(PS前)、B组(PS后).由2名放射科医师(诊断经验分别为5年和3年)采用双盲法对两组图像进行测量.测量肝门水平肝右叶、右侧肾门水平肾脏、右侧肝门水平腹部皮下脂肪的CT值以及腹部皮下脂肪的SD值,并分别计算肝脏、肾脏实质的信噪比(SNR)和对比噪声比(CNR).采用Shapiro-Wilk检验数据的正态性.采用Levene检验分析数据的方差齐性.应用Spearman相关分析检验2名观察者所测得数据的一致性,若一致性良好则取年资高者所测得的数据进行后续的统计分析.采用秩和检验比较两组肝右叶、右侧肾脏、腹部皮下脂肪CT值、腹部皮下脂肪的SD值以及肝脏、肾脏的CNR值和SNR值.结果 两组数据一致性良好.两组间肝脏、肾脏、皮下脂肪CT值差异无统计学意义(P＞0.05);两组间皮下脂肪SD值分别为7.83 HU (6.93,9.32)、2.47 HU (2.27,2.97),差异具有统计学意义(P＜0.05),B组SD值较A组相比降低了约68％;两组间肝脏、肾脏的SNR值和CNR值分别为7.51(5.90,8.13)、21.09(18.16,24.31)、4.55(3.92,5.12)、18.29(15.95,21.46)和23.11(18.95,23.11)、67.15(54.18,73.77)、13.89(11.78,15.51)、57.96 (48.75,64.48),差异具有统计学意义(P＜0.05),B组肝脏、肾脏的CNR、SNR约是A组的3倍.结论 基于深度学习PS可以减少图像噪声,增加图像的CNR,从而提升高BMI者Revolution CT GSI的单能量图像质量.
-
深度机器学习辅助医院智能化管理
目的 随着人工智能的不断发展,搜索引擎,网上购物,金融交易,无人驾驶等领域出现了很多智能化创新项目,传统的医院管理工作也迎来了智能化风潮的冲击.现有大部分大型医院已经逐步实施了虚拟机、信息平台及云存储等大数据相关技术的基础搭建工作,探索采用智能化技术深入挖掘大数据中隐藏的规则和知识,深度机器学习方法改善医院现代化管理机制.方法 总结医院相关管理工作之外,介绍了现有人工智能的应用,并由信息科自行创新设计和研发了辅助医院智能化管理的深度机器学习系统.结果 系统提供决策建议给医疗质量监控、医院运营管理及医疗辅助诊断.结论 系统增强了数据分析能力,突出了图形显示效果,改善了医院不良事件上报患者模型中预测的成功率,为人工智能在医院的应用提供了新思路.
-
深度卷积神经网络在放射治疗计划图像分割中的应用
目的:结合全卷积神经网络(Fully Convolutional Network, FCN)和多孔卷积(Atrous Convolution, AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画.方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集.选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network, D-FCN).分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的佳分割模型,后使用测试集图像对充分训练后获取的佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力.结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%.结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割.
-
利用深度反卷积神经网络自动勾画放疗危及器官
目的:勾画危及器官是放射治疗中非常重要的常规工作.然而,目前的人工勾画非常耗时,而且依赖于医生的知识和经验.为此,本研究提出一种深度反卷积神经网络,用于自动和精确地勾画危及器官.方法:深度反卷积神经网络是一个用于自动分割的端到端框架.实验使用了230例头颈部患者的数据,在其中随机选择了184例作为训练集,用于调制自动分割模型的参数,其余46例用作测试集评估方法的性能.用于分割的危及器官包括脑干、脊髓、左腮腺、右腮腺、左颞叶、右颞叶、甲状腺、喉、气管9个危及器官.自动分割精度的量化指标使用戴斯相似性系数和豪斯多夫距离.结果:所有危及器官自动分割的戴斯相似性系数值均在0.70以上(平均值为0.81),豪斯多夫距离值在5.0 mm内(平均值为4.3 mm),表明本研究提出的自动分割方法能准确地分割危及器官.结论:利用深度反卷积神经网络建立了一种自动分割危及器官的方法,可以得到较准确的结果,为放射治疗流程自动化提供了技术支持.
-
结合迁移学习与深度卷积网络的心电分类研究
为解决一维深度卷积网络(1D-DCNN)在心电分类方面存在的多类疾病识别不准、难以提取佳特征等问题,提出一种结合迁移学习与二维深度卷积网络(2D-DCNN)直接识别心电图像的方法.首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号.接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值.本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98％,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性.为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较.量化结果表明,结合迁移学习和2D-DCNN方法,比优1D-DCNN算法,其准确率提升2％、敏感度提升0.6％、特异性提高4％;在二分类与多分类任务中,均好于现有的其他算法.
-
基于卷积神经网络的细胞识别
结合深度学习理论,将卷积神经网络算法运用到细胞识别上.相比传统的细胞识别算法,基于卷积神经网络的细胞识别使流程变得简单,同时也使得细胞的识别率更高.与多层神经网络、支持向量机及决策树等机器学习算法相比,卷积神经网络算法由于本身网络的复杂度以及训练集的大样本量,其深度远大于传统的机器学习算法,能较这些手工提取特征的方法更好地表达特征和区分细胞,终取得的分类效果也要优于前者.研究结果表明卷积神经网络算法能较好地用于细胞识别.
-
基于深度学习特征的乳腺肿瘤分类模型评估
目的 本文结合深度学习特征(DF)和传统图像特征(HCF)特点,利用多分类器融合的方法 建立一个乳腺肿瘤分类模型,并深入评估和分析不同深度学习网络特征的肿瘤分类性能.方法回顾性分析106例乳腺肿瘤患者的头尾位和内外倾斜位投影的全数字乳腺成像数据.首先从肿瘤区域提取23维HCF(12维形态及11维纹理特征),用t检验进行显著性特征选择;然后分别从3个卷积神经网络模型提取不同维度DF,在实验中,3个不同深度学习网络产生了相应DF,分别是AlexNet,VGG16和GoogLeNet;后结合2个投影数据的DF和HCF,采用多分类器的融合模型对特征进行训练和测试,实验重点分析不同DF在肿瘤分类上的性能.结果 结合DF和HCF建立的分类模型比使用单独HCF的分类模型表现出更好的性能;相比于其它网络框架,DFAlexNet和HCF的结合表现出更高精度的分类结果.结论 结合DF和HCF的特征方法建立一个分类模型,对于良恶性乳腺肿瘤具有优秀的鉴别能力,且泛化能力更强,能作为临床辅助诊断工具.
-
基于深度学习的肿瘤细胞病理学研究
近年来,大数据环境下幂级式增长的海量训练样本为癌症的诊断带来了数据资源,同时互联网的发展促进了深度学习开源框架的应用水平,推动了图像数据的精细化自动分类进入深度挖掘阶段.基于深度学习量化的核特征和派生特征可解决肿瘤细胞样本分类问题,因此肿瘤细胞病理学的研究为癌症的早期筛查和准确诊断提供条件.如何学习出更高层次的可视化特征网络模型,以及如何习得快速高效特异性强的新学习方法,需要高判别性、高稳定性及较好鲁棒性的肿瘤细胞自动分类学习算法应于临床诊断治疗中.
-
基于深度学习的超声自动测量左室射血分数的研究
目的 为提高基于超声心动图Simpson法的左室射血分数(LVEF)测量的效率,提出一种基于深度学习自动测量LVEF的方法.方法 首先,建立卷积神经网络,利用收集的38 153幅标记的数据对网络进行训练测试和验证,将采集到的超声心动图数据自动分成5类,获取心尖二腔(A2C)和四腔(A4C)切面;其次,建立全卷积神经网络,以VGG-19为主干架构,利用收集的3871幅A2C和4679幅A4C数据进行训练测试和验证,对自动获得A2C和A4C的左室进行自动分割,计算LVEF.结果 该方法获得A2C和A4C的准确率达96.8％,分割真阳性率达88.8％,所得LVEF误差率为0.038 947.结论 深度学习自动测量LVEF的方法较传统方法精度和效率更高,具有较好的临床应用价值.
-
人工智能在癌症诊疗应用中的进展
随着大数据处理、算法的多样性、计算能力的提升,人工智能在各个领域都在快速发展.而人工智能在医疗健康领域的应用,尤其在癌症诊疗方面更有着巨大潜在价值.它不仅可以在短时间内对大量知识汇聚分析,还可以作为医师的有力工具,为每一位患者做出好的治疗决策,这让科技发展真正转换成患者的实际利益.现主要从人工智能在数字化病理图像、医学影像、智能诊疗、基因组学几方面的应用进行阐述,介绍当前人工智能在癌症诊疗中的新进展.
-
基于深度信念网络脑电信号表征情绪状态的识别研究
随着机器学习技术的快速发展,深度学习等系列算法在一维生理信号处理方面得到了广泛的应用.本文针对脑电(EEG)信号,使用深度学习开源框架中的深度信念网络(DBN)模型识别积极、消极、中性3种情绪状态,并与支持向量机(SVM)进行识别效率的对比,通过采集受试者在不同情绪刺激状态下的脑电信号,利用深度信念网络和支持向量机分别对基于不同特征变换和不同频段的情绪表征数据进行识别.研究结果发现,利用深度信念网络对差分熵(DE)特征进行识别的平均准确率为89.12％±6.54％,与之前的研究相比在同一批数据集上的识别效果更好,同时深度信念网络的分类效果在数值上好于传统的支持向量机(平均分类准确率为84.2％±9.24％),其准确率和稳定性都有相应更好的趋势,另外受试者在3次重复试验中都能得到比较一致的分类准确率(标准差的平均值为1.44％),试验结果较为稳定,试验具有一定的可重复性.研究结果显示,差分熵特征相比于其他特征在分类器中有着更好的分类准确率,此外,方法中使用Beta频段和Gamma频段在情绪识别模型中有着更好的分类效果.综上所述,利用深度学习算法进行情绪识别,能够在准确率上有所提升,对于建立能够更准确地识别情绪状态的辅助识别系统有着一定的借鉴意义.此外,本文研究结果进一步提示可以通过分类结果反演找出与情绪状态相关的脑区和频段,从而加深对于情绪机制的理解,因此本文在利用脑电信号表征情绪状态的识别研究领域具有一定的学术价值和应用价值,值得更深入的探究.
-
基于深度学习方法的慢性阻塞性肺疾病危重度分类研究
本文提出了一种基于深度学习方法的慢性阻塞性肺疾病危重程度自动分类算法,并以大样本临床数据为输入特征,分析各特征在分类中所占的权重.研究通过特征选择、模型训练、参数优化、模型测试,建立了基于深信度网络架构的分类预测模型,通过对2007年、2011年两个版本的慢性阻塞性肺疾病全球倡议组织(GOLD)危重程度标准进行自动分类与测试,分类准确率均达到90％以上.同时,通过分析模型系数矩阵得出输入特征的贡献度排序,并通过该排序发现,贡献度较大的输入特征与临床诊断先验知识之间存在较好的吻合性,证明了深信度网络分类模型的有效性.通过本文研究,期望能为深度学习方法在疾病诊断辅助决策中的应用提供有效解决方案.
-
基于集成学习的临床心电图分类算法研究
随着心电图数据量快速增长,计算机辅助心电图分析也有着越来越广阔的应用需求.本文在基于导联卷积神经网络的临床心电图分类算法上提出多种策略,进一步提升其在实际应用中的性能.首先用不同的预处理方法和训练方法获得两个不同的分类器,接着用多重输出预测法来增强每个分类器的性能,后用贝叶斯方法进行融合.测试了超过15万条心电图记录,所提方法的准确率和受试者工作特征曲线下面积(AUC)分别为85.04％和0.918 5,明显优于基于特征提取的传统方法.
-
基于深度学习和医学图像的癌症计算机辅助诊断研究进展
日益精细化的癌症医学图像提供了大量的有用信息,对辅助医生作出准确诊断发挥着至关重要的作用.为了准确、高效地利用这些信息,基于癌症医学图像的计算机辅助诊断(CAD)研究成为业界热点.近年来,深度学习技术的应用使这方面的研究取得了长足进步.本文拟就深度学习应用于癌症医学图像的计算机辅助诊断的研究进展予以综述.我们发现深度学习在肿瘤分割和分类方面展示了比传统浅层学习方法更好的效果,不仅有广阔的研究空间,也有较好的临床应用前景.
-
基于人工智能策略优化结核病诊断
结核病是严重危害人类健康的重大传染病之一,自2014年开始已超过人类免疫缺陷病毒感染/获得性免疫缺陷综合征位居由单一病原引起患者死亡的传染病之首.我国是全球第三大结核病高负担国家,2016年新发结核病例约为90万人.我国面临着严峻的结核疫情,尤其对于结核病的早期诊断和疑难结核病误诊漏诊更导致治疗的延迟和结核病的传播.随着人工智能在医学领域的应用,机器学习和深度学习方法在结核病的诊断中体现了重要价值.该文阐述了机器学习和深度学习在结核病诊断中的应用现状和未来的发展方向.
-
护士在线学习自我效能感与深度学习的关系研究
目的 探讨护士在线学习自我效能及深度学习的现状及影响因素,分析两者的相关性.方法 于2018年4-5月采用成人在线学习自我效能感量表和网络深度学习量表对杭州市某三甲医院476名护士进行调查.结果 护士在线学习自我效能感得分为(88.57±12.25)分,网络深度学习得分为(48.47±6.19)分,学历、上网技能水平和自主学习能力是在线学习自我效能感和深度学习的影响因素.相关分析显示,护士在线学习自我效能感对网络深度学习有正向预测作用(R=0.492,调整后R2=0.239,P=0.000),两者关系呈正相关(P＜0.01).结论 护士在线学习自我效能感和深度学习情况有待提高,前者是后者的重要影响因素,故护理管理者和教育者应加强护士在线学习自我效能感的培养,以促进深度学习.
-
深度学习在联合超声和钼靶检查乳腺癌中的应用
目的:探讨深度学习在乳腺良恶性病变鉴别中的意义.方法:对100例乳腺疾病患者的x线钼靶及超声检查的数据用反向传播神经网络进行深度学习分析,随机选择50例样本作为训练样本,组成训练集,其余样本组成测试集.建立神经网络诊断模型,分析神经网络模型的诊断结果.结果:100例患者中,手术与病理证实乳腺恶性病变62例,乳腺良性肿瘤或肿瘤样病变38例,钼靶X线诊断的特异度、敏感度及诊断正确率分别为89.5％、87.1％和88.0％;B超诊断的特异度、敏感度及诊断正确率分别为86.8％、83.9％和85.0％.X线钼靶和B超无明显差异.而深度学习的神经网络的特异度为95.5％,敏感度为96.4％,总的正确率为96.0％,明显高于X线钼靶和B超,差异有高度统计学意义.结论:结合X线钼靶和B超检查的深度学习在判断乳腺良恶性病变性质方面有一定的应用价值.
-
数理科学思维在神经外科教学中的意义
目的 探讨数理科学思维的教育对神经外科基本技能培养及高新技术创新中的意义.方法 结合神经外科发展历史及各种技术出现的背景和原理,分析数理科学思维在神经外科发展中的重要性.结果 以数理科学思维为基础的研究方法在神经外科多种技术的出现中发挥了很好作用.现代神经外科学多项技术的发展高度依赖于数理科学,包括立体定向、显微镜、内窥镜、神经导航、虚拟现实及人工智能等.许多具有重要意义的创新性成果均离不开数理科学.结论 在神经外科教学中实践并探索数理科学思维的培养,对推动神经外科学的发展及技术创新具有重要作用.
