针对机器学习方法在对脑电特征进行分类时无法同时兼顾脑电信号的时-空域特征的问题,利用添加注意力机制的卷积神经网络提取空间特征和双向门控循环单元提取时间特征,提出一种基于特征融合的运动想象(Motor Imagery,MI)脑电分类算法(Attention-EEGNet-BiGRU,AEBGNet),AEBGNet可将时、空域两类特征相融合,得到更具表征性的时-空域特征,最终构建的AEBGNet分类模型在BCI competition IV 2b数据集上取得80.37%的平均正确率,比标准的EEGNet方法提高6.09%.结果表明,本文方法可以有效提高MI脑电信号的分类正确率,为MI脑电信号的分类提供新的思路.

提出一种基于卷积神经网络的X线片下肢关节角度识别算法,首先在X线片中使用Yolov5目标检测模型来识别特定类别的感兴趣区域,并使用U-Net模型进行热图回归来识别关键特征点,最后进行下肢关节角度的计算.研究结果表明,本文提出的算法相比于之前的算法精度更高,结果准确可靠,为临床研究和实践提供参考.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.

目的 通过机器学习分析"舌边白涎"舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能.方法 使用Python进行图像预处理,搭建用于舌象识别的视觉几何组 16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对"舌边白涎"舌象鉴别分析的效果,并结合热力图分析"舌边白涎"典型舌象表现.结果 基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16 及残差网络 50 层(residual network 50,ResNet50)模型验证准确率均较高,达到 80%以上,且ResNet50 模型优于VGG16 模型,可为舌象识别提供一定参考.基于加权梯度类激活映射(gradient-weighted class activa-tion mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析.结论 基于卷积神经网络模型对舌象数据库进行分析,实现"舌边白涎"舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴.

目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

目的:近年来甲状腺癌发病率显著提高，超声和细针穿刺活检等术前检查不断完善，但仍存在诊断性手术及过度诊疗的现象。本研究旨在探讨利用生物阻抗及深度学习技术对甲状腺组织进行分类的可行性。方法:为了提高分类的准确性，我们设计一套适合甲状腺组织的电阻抗测量系统，采集来自321例患者的331个离体甲状腺标本共1 340项数据集。随后，建立一个基于多特征的一维卷积神经网络（one dimensional convolution neural, 1D-CNN）结合长短期记忆网络（long short-term memory, LSTM）混合模型对甲状腺组织进行分类。其中80%（1 072/1 340）的数据用于训练，另外20%（268/1340）用于测试。采用受试者工作特征曲线（receiver operating characteristic curve，ROC）、宏平均ROC、微平均ROC及曲线下面积（area under the curve，AUC）等指标对甲状腺组织分类模型进行评价。此外，用敏感性、特异性、阳性预测值、阴性预测值和约登指数比较该分类模型与超声的诊断价值。结果:甲状腺组织两分类（恶性/非恶性组织）模型的ROC-AUC=0.94，总体准确率达到91.4%。进一步建立三分类（恶性/良性/正常组织）模型，其中正常、良性和恶性组的ROC-AUC分别为0.91、0.85和0.92，微平均ROC-AUC和宏平均ROC-AUC分别为0.91和0.90。且与超声相比，甲状腺组织分类模型具有更高的特异性。结论:本研究基于生物阻抗及CNN-LSTM建立的甲状腺组织分类模型具有较高的准确率和较好的稳定性，该技术有望在未来的临床应用中提供有用的补充信息，从而有助于甲状腺疾病的治疗决策和管理。

目的:探讨基于计算机深度学习经皮椎板间脊柱内镜下手术视野的多元素识别网络模型的研究及应用价值。方法:回顾性队列研究。纳入2021年9月—2022年3月徐州中心医院脊柱外科行经皮椎板间脊柱内镜下腰椎间盘切除术的腰椎间盘突出患者62例，其中男34例、女28例，年龄27~77（50.0±14.7）岁。收集患者内镜手术视频，选取4 840张经皮脊柱内镜手术视野图片（包含各种组织结构及手术器械）建立图片数据集，按照2∶1∶2分为训练集、验证集和测试集，开发8种基于实例分割的卷积神经网络模型（模型的分割头部分别为Solov2、CondInst、Mask R-CNN及Yolact，主干网络分别设置为ResNet101、ResNet50）。采用边框检测、轮廓分割的均值平均精度（mAP）及图像实时识别的每秒帧数（FPS）来衡量各模型对（神经、黄韧带、髓核等）解剖结构，以及（内镜钳、高速金刚石磨钻等）手术器械的分类、定位及图像实时识别的性能。结果:（1）8种卷积神经网络模型在图像边界框检测的精度方面由高到低依次为Mask R-CNN（ResNet101）、CondInst（ResNet101）、CondInst（ResNet50）、Mask R-CNN（ResNet50）、Yolact（ResNet101）、Yolact（ResNet50），其中，Mask R-CNN（ResNet101）模型精度最高（mAP=68.7%），Yolact（ResNet50）精度最低（mAP=49.7%）。（2）8种卷积神经网络模型在图像轮廓分割的精度方面由高到低依次Solov2（ResNet101）、Solov2（ResNet50）、Mask R-CNN（ResNet101）、CondInst（ResNet101）、Mask R-CNN（ResNet50）、CondInst（ResNet50）、Yolact（ResNet101）、Yolact（ResNet50）。其中，Solov2（ResNet101）精度最高（mAP=70.1%），Yolact（ResNet50）精度最低（mAP=55.2%）。（3）在图像实时识别方面，Yolact模型速度最快，其次为Solov2模型、Mask R-CNN模型，CondInst（ResNet101）速度最慢。结论:基于计算机深度学习的经皮椎板间脊柱内镜手术视野多元素识别模型可以实时识别和跟踪解剖组织及手术器械。其中，Mask R-CNN（ResNet101）模型可用作脊柱内镜操作虚拟教育工具，Solov2（ResNet101）模型可应用于脊柱内镜术中实时辅助系统。

基于影像学的早期肺腺癌浸润性预测，对于肺结节的临床管理、手术方法和预后评估具有重要意义。相比于基于特征构建的统计学方法和影像组学方法，以卷积神经网络为基础的深度学习方法用于预测肺腺癌浸润性具有性能高、可靠性强、自动勾画等优势，有很好的应用前景。目前已有研究对多模态学习、浸润性分类、多任务处理、辅助临床、可解释性等领域进行了探索，并提高了模型的预测准确度。随着融合模态的丰富、多中心大样本的建立、小样本学习方法的应用以及前瞻性研究的开展，深度学习将在肺腺癌浸润性的预测中发挥更重要的作用。