目的:探讨基于眼前节光学相干断层扫描(AS-OCT)图像的核性白内障智能辅助分级算法对白内障分级的诊断价值。方法:采用诊断试验研究方法，收集2020年11月至2021年9月间同济大学附属第十人民医院电子病例系统中核性白内障患者939例1 608眼的AS-OCT图像资料，所有资料均符合临床阅片清晰度要求。其中男398例664眼，女541例944眼，年龄18～94岁，平均年龄(65.7±18.6)岁。由3名经验丰富的临床医生基于晶状体混浊分类系统(LOCS Ⅲ分级系统)，对所收集的AS-OCT图像进行1～6级人工标注。构建一种基于多级排序的全局-局部白内障分级算法，该算法包含5个基本的二元分类全局-局部网络(GL-Net)，每个GL-Net聚合白内障核区域、原始图像等多尺度信息进行核性白内障分级。基于消融实验和模型对比试验，采用准确率、精确率、灵敏度、F1指标及Kappa系数对模型性能进行评价，且所有结果均通过五折交叉验证。结果:模型在核性白内障数据集上的准确率、精确率、灵敏度、F1、Kappa分别为87.81%、88.88%、88.33%、88.51%、85.22%。消融实验结果表明，ResNet18结合局部特征和全局特征进行多级排序分类，模型在准确率、精确率、灵敏度、F1、Kappa指标上均有提升。与ResNet34、VGG16、Ranking-CNN、MRF-Net模型比较，本研究模型各性能指标均有提升。结论:基于深度学习的AS-OCT核性白内障图像多级排序分类算法对白内障分级具有较高的准确度，有望辅助提高眼科医生对核性白内障的诊断精度以及效率。

目标 建立一种新的基于全局-局部注意机制和YOLOv5的宫颈病变细胞检测模型(Trans-YOLOv5),为准确、高效地分析宫颈细胞学图像并做出诊断提供帮助.方法 使用共含有7410张宫颈细胞学图像且均包含对应真实标签的公开数据集.采用结合了数据扩增方式与标签平滑等技巧的YOLOv5网络结构实现对宫颈病变细胞的多分类检测.在YOLOv5骨干网络引用CBT3以增强深层全局信息提取能力,设计ADH检测头提高检测头解耦后定位分支对纹理特征的结合能力,从而实现全局-局部注意机制的融合.结果 实验结果表明Trans-YOLOv5优于目前最先进的方法.mAP和AR分别达到65.9%和53.3%,消融实验结果验证了Trans-YOLOv5各组成部分的有效性.结论 本文发挥不同注意力机制分别在全局特征与局部特征提取能力的差异,提升YOLOv5对宫颈细胞图像中异常细胞的检测精度,展现了其在自动化辅助宫颈癌筛查工作量的巨大潜力.

针对过去对急性肾损伤(acute kidney injury,AKI)患者的识别存在临床时间序列数据未被充分利用、提前预测窗口较短及缺少连续预测研究等不足,本研究提出了一种卷积神经网络和两阶段交叉注意力的混合网络模型(CTSA-Net),实现对 1 期及以上AKI的每小时连续预测.CTSA-Net的注意力支路、CNN支路及特征融合模块可增强对时间序列数据的全局表示以及局部细节的感知能力,从而提高对AKI的连续预测性能.在AKI发生时、发生前24、48及72h四个预测时间点,模型预测AKI的受试者工作特征曲线下面积分别为0.946、0.907、0.895 和 0.879,准确率-召回率曲线下面积分别为 0.979、0.960、0.949 和 0.939.实验结果表明,CTSA-Net模型在多个预测时间点进行AKI预测的性能较好,可用于患者的实时监测,辅助医生进行临床决策.

提出一种多尺度功能脑网络融合特征的抑郁症分类方法,具体思想包括:首先通过精细化脑区,建立4种不同尺度的脑网络;然后对每种尺度的脑网络分别提取局部特征和全局特征,并将多种尺度脑网络的特征进行有效融合并降维;最后使用支持向量机对患者脑部功能磁共振影像进行分类.试验结果表明,分别提取局部特征和全局特征,并进行有效融合,可以提升识别效果;空间尺度减小会得到更多有效特征,进而能够有效提升分类结果;多尺度特征融合也可以在很大程度上对分类结果起到积极作用.与传统单一大尺度脑网络方法相比,本研究提出的方法获得了更加优秀的试验结果,识别率可达88.67％,充分验证了本研究提出方法的有效性和可行性,并为抑郁症患者的临床诊断与治疗提供生物学依据.

为了提高肺结节检测的精确度和效率,提出一种基于多特征融合和XGBoost的肺结节检测模型.首先采用阈值分割与形态学运算,获得候选结节区域;然后通过基于超分辨率重建的卷积神经网络进行候选结节的特征增强;其次采用快速鲁棒特征、灰度共生矩阵、灰度不变矩的提取方法获得候选结节的局部与全局的多种特征,采用词袋模型进行降维并融合;最后利用XGBoost-决策树分类模型去除假阳性结节,完成肺结节的检测.在LIDC-IDRI数据上进行的实验表明该模型能达到97.87％的准确率和97.92％的召回率.该模型可用于辅助医生进行肺结节诊断,具有一定的临床应用价值.

脑肿瘤图像分割问题是脑肿瘤临床诊断和治疗脑肿瘤疾病计算机辅助诊断的基础.针对脑肿瘤MRI图像分割网络深度过深和局部与全局特征信息联系匮乏导致图像分割精度降低等问题,提出一种基于三重注意力的脑肿瘤图像分割网络.首先,借鉴残差结构,将原始图像分割网络结构的编码层和解码层中的卷积模块替换为深度残差模块,解决网络加深带来的梯度消失问题.其次,通过引入三重注意力模块,融合图像局部与全局特征信息,使网络更好地学习重要的图像特征信息,提升网络对脑肿瘤图像的分割精度.最后,在MICCAI比赛发布的BraTS脑肿瘤图像分割数据集上(包括335例患者病例),采用Dice系数等脑肿瘤评价指标进行性能评估.其中,脑肿瘤整体可达85.20％,脑肿瘤核心可达87.10％,增强脑肿瘤区域可达80.80％.实验结果显示,所提出的分割网络能够在不增加计算时间的前提下提高脑肿瘤MRI图像的分割性能.

为提高儿童肺炎的临床诊断准确率,进一步为肺炎治疗精准用药提供依据,本研究提出了一个级联的特征正交融合网络模型对小儿胸片图像进行自动分类,将预处理的图像输入到网络A用来诊断是否患肺炎,然后将网络A的输出作为网络B的输入,判断肺炎的病原体类型.网络A和网络B均以深度残差网络(ResNeXt-50)为基础网络,首先将压缩-激励模块(squeeze-and-excitation networks,SE-Net)融合到ResNeXt-50中,然后利用空洞卷积获取多尺度特征,并通过自注意力机制获得网络中具有代表性的局部特征,从局部特征中提取与全局特征正交的分量.最后将正交分量与全局特征进行融合,形成最终的特征表征并完成分类.实验结果表明,该模型在二分类模型的分类准确率达到97.78％,在三分类的准确率达到85.13％.该模型具有良好的分类效果,可帮助医生实现对儿童肺炎快速有效的临床诊断.

目的 提出融合视觉Transformer与边缘引导的编码-解码网络(RET-Net)算法,观察其分割脊柱MRI的效能.方法 基于二类分割公开脊柱数据集spinesagt2wdataset3选取195幅脊柱三维T2WI及经过标注的对应脊柱掩码,对脊柱区域与背景设置不同标签.将残差卷积网络嵌入编码-解码网络,引入边缘模块引导网络,关注脊柱边缘粒度信息并提取边缘特征;结合视觉Transformer与残差网络提取脊柱全局及局部信息,构建RET-Net分割脊柱的深度学习模型,评价其分割脊柱的效能.结果 利用RET-Net算法能准确分割脊柱椎骨区域,边缘分割较为平滑;RET-Net在数据集中的戴斯相似系数(DSC)为90.15％,交并比(IOU)为81.06％,敏感度(SE)为92.71％,特异度(SP)为99.57％,准确率(ACC)为98.61％,豪斯多夫距离(HD)为1.84 mm,其DSC及ACC等均优于UNet、PSPNet和Attention-UNet等基础分割模型.结论 融合视觉Transformer与边缘引导RET-Net算法分割脊柱MRI效能较佳.

针对当前深度学习分割算法参数数量多和计算复杂度高的问题,提出了一种融合多种注意力机制的轻量级模型MAUNet用于皮肤病变分割.该模型在UNet网络基础上融合深度可分离卷积和门控注意力机制模块,用于提取全局和局部特征信息;融入外部注意力机制模块来增强样本间的联系;利用空间和通道注意力模块分别提取通道和空间特征.以ISIC2017皮肤病公开数据集作为数据源,改进的UNet模型实现特征提取与分类.与基线模型UNet相比,平均交并比和Dice相似性系数分别提高了2.18％和1.28％,同时参数量和计算复杂度仅为基线模型的2.1％和0.58％.实验结果表明该模型在参数数量平衡性、计算复杂度和分割检测性能上均达到了较好的水平.

鉴于现有肝脏CT影像分割算法中存在的对比度较低、边界模糊、分割效果差问题,提出一种基于条件参数化卷积与注意力的分割网络(CPat-Net).首先用条件参数化卷积替代残差网络中的常规卷积,其次将融合后的条件残差卷积模块集成至编码器中,用以提升模型容量和保持高效计算.然后利用特征注意(CPat)模块中的空间和通道注意力获取特征图的语义和细节信息,从而将局部特征与其全局依赖性更好地结合起来,最后利用深度监督进行多尺度语义信息的融合,提升方法的性能与鲁棒性.实验表明,在肝脏CT影像数据集中本文方法的Dice相似系数、交并比、Jaccrad系数分别达到了94.1％、90.3％、92.4％.相较于UNet、CENet、CSNet等前沿方法,本文方法在肝部分割上的准确度更为优异.