首页 > 文献资料
-
基于深度学习的胎儿颜面部超声标准切面自动识别
在常规胎儿超声诊断过程中,精确识别出胎儿颜面部超声标准切面(FFSP)至关重要.传统方法是由医生进行主观评估,这种人工评判的方式不仅耗费时间精力,而且严重依赖操作者经验,所以结果往往不可靠.因此,临床超声诊断亟需一种FFSP自动识别方法.提出使用深度卷积网络识别FFSP,同时还分析不同深度的网络对于FFSP的识别性能.对于这些网络模型,采用不同的训练方式:随机初始化网络参数和基于ImageNet预训练基础网络的迁移学习.在研究中,数据采集的是孕周20～ 36周胎儿颜面部超声图像.训练集包括1 037张标准切面图像(轴状切面375张,冠状切面257张,矢状切面405张)以及3 812张非标准切面图像,共计4 849张;测试集包括792张标准切面图像和1 626张非标准切面图像,共计2 418张.后测试集实验结果显示,迁移学习的方法使得网络识别结果增加9.29％,同时当网络结构由8层增加至16层时,分类结果提升3.17％,深度网络对于FFSP分类高正确率为94.5％,相比之前研究方法的好结果提升3.66％,表明深度卷积网络能够有效地检测出FFSP,为临床自动FFSP检测方法打下研究基础.
关键词： 胎儿颜面部标准切面识别 超声图像 深度卷积网络 迁移学习 -
基于Fisher向量和混合描述符的胎盘成熟度分级
胎盘成熟度分级(PMG)对于评估胎儿生长和孕妇健康来说至关重要.目前,PMG主要依赖于临床医生的主观判断,不仅十分耗时,而且由于工作的重复性和冗余性,常会产生误判.传统机器学习中使用的手工特征提取方法,不能很好解决PMG的分级问题,因此提出从B超图像和彩色多普勒能量图像中提取深度混合描述符进行胎盘成熟度自动分级的方法.从深度卷积神经网络中提取卷积特征,并将其与手工特征结合形成混合描述符来提高模型性能.首先,将多个特征层的不同模型进行融合,从图像中获取混合描述符.同时,考虑到深度表达特征,使用迁移学习策略来增强分级性能.然后,用Fisher向量(FV)对提取的描述符进行编码.后,使用支持向量机(SVM)分类器对胎盘成熟度进行分级.用医生标注好的数据进行测试,在基于19层网络的混合特征模型获得高达94.15％的精确度,比单一使用手工特征模型提升3.01％,比CNN特征模型提升7.35％.实验结果证明,所提方法能够有效应用于胎盘成熟度自动分级.
-
基于深度卷积网络和结合策略的乳腺组织病理图像细胞核异型性自动评分
细胞核异型性是评估乳腺癌恶性程度的一个重要指标,主要体现在细胞核的形状、大小变化、纹理和质密度不均化.提出基于深度学习和结合策略模型的乳腺组织细胞核异型性自动评分模型.该模型使用3个卷积神经网络,分别处理每个病例的3种不同分辨率下的组织病理图像,每个网络结合滑动窗口和绝对多数投票法,评估每个病例同一种分辨率下的图像的分值,得到3种分辨率下的评分结果.使用相对多数投票法,综合评估每个病例的终细胞核异型性评分结果.为评估模型对细胞核异型性评分的有效性,利用训练好的模型对124个病例的测试图像进行自动评分,并把其评分结果与病理医生的评分结果作比较,进行性能评估.该模型的评分正确率得分为67分,其结果在现有的细胞核异型性评分模型中准确率排名第二.此外,该模型的计算效率也很高,平均在每张×10、×20、×40分辨率下图像的计算时间分别约为1.2、5.5、30 s.研究表明,该细胞核异型性评分模型不仅具有较高的准确性,而且计算效率高,因此具备潜在的临床应用能力.
-
基于深度卷积网络的结直肠全扫描病理图像的多种组织分割
结直肠全扫描图像处理困难,原因在于图像的数据量大、结构复杂、信息含量多.目前对于结直肠癌组织病理图像的研究通常包含肿瘤和基质两种组织类型,只有一小部分研究可以解决多种组织的问题,但又不是处理全扫描的结直肠病理图像.提出一种基于深度卷积网络的结直肠全扫描病理图像进行多种类型组织分割的模型.该模型使用的网络层数有8层,利用深度卷积网络学习结直肠全扫描图像中典型的8种类型的组织,利用训练好的模型对这8种类型的结直肠组织进行分类测试,其测试集分类准确率达92.48％.利用该模型对结直肠全扫描病理图像中的8种类型组织进行分割,首先对全扫描图像进行预处理,分成5000像素×5000像素大小的图像块,然后标记出每一张中的8种类型的组织,后将所得到的标记结果进行拼接,从而获得整张结直肠全扫描病理图像的8种类型组织的标记结果.该方法对8种类型的组织分割的准确率比较高,有一定辅助诊断的帮助.
-
基于深度卷积网络的阿尔茨海默病诊断模型研究
目的:提出一种基于脑MRI与深度学习和迁移学习准确区分阿尔茨海默病(Alzheimer's disease,AD)与正常老化(normal control,NC)的方法.方法:选取阿尔茨海默病神经影像学组织(Alzheimer Disease Neuroimaging Initiative,ADNI)数据库中194例NC与105例AD受试者的脑结构磁共振成像(structural MRI,sMRI),生成全脑灰质图.基于经典网络AlexNet采用特征迁移学习的方法对AD与NC分别进行特征提取,再结合主成分分析法与序列前向搜索的方法对特征降维与选择,后运用支持向量机对所选特征进行分类,统计高斯平滑核半高宽(full width at half maximum,FWHM)分别为0、8 mm时在卷积层conv3、conv4、conv5的分类准确率、灵敏度和特异性.结果:在AlexNet第四卷积层(conv4)分类准确率达到优,在高斯平滑核FWHM为0 mm时,conv4分类准确率为95.14％,灵敏度和特异性分别为96.43％和94.83％.结论:通过该研究提出的分类方法建立的特征迁移学习模型在AD与NC分类中取得较为理想的分类结果,说明该方法是一种可行的分类方法.
