目的:利用卷积神经网络实现基于锥形束CT(cone-beam computed tomography,CBCT)体素数据的牙齿实例分割和牙位标定.方法:本文所提出的牙齿算法包含三个不同的卷积神经网络,网络架构以Resnet为基础模块,首先对CBCT图像进行降采样,然后确定一个包含CBCT图像中所有牙齿的感兴趣区域(region of interest,ROI).通过训练模型,ROI利用一个双分支"编码器-解码器"结构网络,预测输入数据中每个体素所对应的相关空间位置信息,进行聚类后实现牙齿的实例分割.牙位标定则通过另一个多类别分割任务设计的U-Net模型实现.随后,在原始空间分辨率下,训练了一个用于精细分割的U-Net网络,得到牙齿的高分辨率分割结果.本实验收集了 59例带有简单冠修复体及种植体的CBCT数据进行人工标注作为数据库,对牙齿算法的预测结果使用实例Dice相似系数(instance Dice similarity coefficient,IDSC)用来评估牙齿分割结果,使用平均 Dice 相似系数(the average Dice simi-larity coefficient,ADSC)评估牙齿分割及牙位标定的共同结果并进行评定.结果:量化指标显示,IDSC为89.35％,ADSC为84.74％.剔除了带有修复体伪影的数据后生成了有43例样本的数据库,训练网络得到了更优良的性能,IDSC为90.34％,ADSC为87.88％.将得到的结果进行可视化分析,牙齿算法不仅可以清晰地分割出CBCT中牙齿的形态,而且可以对牙齿的分类进行准确的编号.结论:该牙齿算法不仅可以成功实现三维图像的牙齿及修复体分割,还可以准确标定所有恒牙的牙位,具有临床实用性.

皮肤癌是一种主要的癌症,在过去几十年中快速增长,早期发现可以极大提高治愈率.近年来,基于皮肤镜图像利用深度学习模型(尤其是各种卷积神经网络)对皮肤癌进行识别和分类获得了广泛应用.但是与传统的图像识别分类不同,皮肤病检测任务存在数据不平衡、类间差异性小以及皮损面积占比少等方面的挑战.为此,本研究提出一种基于双分支注意力卷积神经网络(DACNN)皮肤癌分类框架.在数据预处理阶段,根据更细粒度的皮肤病类别,对数据集进行分解,降低数据不平衡程度.从网络结构上,上分支网络利用注意力残差学习(ARL)模块有效提取潜在的病变区域特征,接着利用损伤定位网络(LLN)模块定位病变区域.对其裁剪放大输入由ARL构成的下分支网络,进行局部细节的特征提取,然后结合上下分支网络的特征,进行有效的识别.最后,为了进一步缓解数据不平衡问题,在训练阶段中采用加权损失函数.在包含10 015张皮肤镜图像数据集上,对所提出的DACNN模型与几种典型的皮肤病变检测框架进行了实验验证和比较.结果表明,DACNN皮肤癌变检测框架的Sensitivity、Accuracy和F1_score等性能指标分别达到了 0.922、0.942和0.933,与已有的递归注意力卷积神经网络模型RACNN相比,以上3个指标分别提升了 3.48％、2.95％和3.44％.总之,对于各类图像数不平衡,类间图像差异性小以及皮损面积占比少的皮肤镜图像而言,采用适当的类分解,以及双分支注意力神经网络结构首先对潜在的病变区域进行定位放大,然后进行局部细节的特征提取,能够极大的提高皮肤癌的检测准确度.

背景:胸主动脉腔内修复是治疗主动脉夹层及胸主动脉瘤的重要手段,手术成功与否取决于覆膜支架是否放置到了正确位置;然而支架置入时,医生在术中X射线图像中看不到主动脉,手术难度高、风险大.配准术前CT血管造影和术中X射线图像可以帮助医生放置支架,提高成功率.目的:提出一种适用于胸主动脉腔内修复的术前CT血管造影与术中X射线图像配准算法.方法:首先,在不同虚拟视角下,对全图CT血管造影和骨骼CT分别做数字重建影像,将两者叠加起来,得到各种视角位置姿态下的数字重建影像库,用于与术中X射线图像配准;其次,提出一种基于分支解码结构的深度神经网络,使用数字重建影像库训练,可对术中X射线图像的位置姿态参数进行估计,从而获知CT血管造影与术中X射线图像之间的空间位置关系;最后,根据X射线图像在CT血管造影坐标系中的位姿参数,将CT血管造影中胸主动脉影像进行重投影,叠加至术中X射线图像中,为医生手术提供导航辅助.结果与结论:①通过实验验证,此文算法与梯度相关、模式强度2种传统算法相比,均方根误差降低17％;②双分支编解码结构网络,在数字重建影像测试集上,参数估计误差减小到无分支结构网络的30％;③在术中X射线图像的实验中,均方根误差也有2％的降低.

小儿超声心动图分割是后续生物学参数测量与疾病诊断的关键一步.目前,这主要依赖于超声医生的手动分割,不仅耗时耗力,而且由于它的重复性与冗余性,常常会导致不准确的分割.深度学习方法在自然图像处理领域已经取得令人瞩目的成果,因此提出应用深度卷积神经网络,从小儿超声心动图中学习有效特征,进行左心关键解剖结构的分割.具体来说,提出使用双路径分割网络(BiSeNet),通过两路分支网络,分别提取低层和高层的特征,然后送人一个特征融合模块,筛选出有效的特征,从而得到准确的分割结果.在采集自深圳儿童医院超声科的包含87个超声心动图视频(2 216张图像)的数据集上进行验证,并与医生的标注结果进行比较.实验结果表明,BiSeNet可以提取到超声心动图中心脏结构的特征,它在左室和左房的分割任务上取得Dice系数高达0.914和0.887.这证明,所提出的方法可以帮助医生进行超声心动图分割,从而减轻医生的负担.

心音听诊是一种重要的用于心脏疾病诊断的方法.心音中可以听见的部分主要为第一心音(S1)和第二心音(S2).在一个心动周期中,不同阶段的杂音往往对应不同的心脏疾病,因此心音分割是利用心音进行疾病诊断的前提.S1和S2分别出现在心脏收缩期和舒张期的开始阶段,准确定位S1和S2有利于心音的正确分割.本文研究了一种不利用收缩期和舒张期的时间特征,而仅使用S1和S2本身特性的分类方法.将训练集中带有标注的S1和S2进行短时傅里叶变换得到时频图,然后构建有分支的双层卷积神经网络,使用时频图对卷积神经网络进行训练,得到可用于S1和S2分类的神经网络.神经网络对测试集中S1和S2的分类准确率最高为91.135％,高于传统的方法.神经网络的敏感性和特异性最高分别为91.156％和92.074％.该方法无需预先提取心音的特征,计算简单,有利于心音的实时分割.

目的 探讨基于深度学习的冠状动脉CT血管造影(CTA)人工智能后处理对疑似冠心病患者的诊断价值.方法 对112例患者行双源双能冠状动脉CTA检查,将原始数据同时传输到数坤Coronary Doe工作站和Sie-mens Syngo View后处理工作站进行图像重组,前者设为AI组,后者设为对照组.对两组图像完成耗时、诊断耗时、图像Likert评分、诊断效能、狭窄符合率进行统计学比较.结果 AI组与对照组图像完成耗时、诊断耗时均存在统计学差异(P＜0.05),冠状动脉各主要分支Likert评分亦存在统计学差异(P＜0.05).以冠状动脉造影(CAG)为金标准,AI组与对照组敏感度分别为95.38％、95.31％,特异度分别为63.63％、16.67％,阳性预测率分别为93.94％、85.92％,阴性预测率分别为70.00％、40.00％,准确率分别为90.79％、82.89％,其中特异度有统计学差异(P＜0.05).AI组与对照组在冠状动脉轻度、重度狭窄的诊断上一致性较好,对中度狭窄的诊断一致性一般.结论 冠状动脉CTA人工智能模式能获得高效稳定的图像重组及诊断同时也能获得较高质量的图像,在筛查及诊断疑似冠心病患者方面起到了精准可靠的辅助作用.

设计一种新型的多分支信息融合神经网络结构,利用已知的I,II,V23个导联心电信号来重构其它导联心电信号.基于卷积神经网络结构提取多个导联的特征然后进行线性相加融合,采用一种改进的双向长短期记忆网络结构来获得与时序相关的信息,从而实现心电图导联重构.使用Physikalisch Technische Bundesanstalt(PTB)数据库进行验证,导联重构方法具有0.9444的相关系数和0.3203的均方根误差,说明新型神经网络结构可以有效地实现心电图导联重构.

目的 基于超声背散射信号的深度学习技术是超声组织定征中的一种新兴趋势,提出一种基于背散射信号卷积神经网络(Convolutional Neural Network,CNN)的深度学习模型多分支残差网络(Multi-Branch Residual Network,MBR-Net),并分析其对脂肪肝的评估效能.方法 MBR-Net由3个分支组成,各分支使用不同卷积块,以增强局部特征获取能力,结合带有跳跃连接的残差机制,引导网络有效地捕获特征.实验采用204例临床脂肪肝(S0无脂肪肝80例、S1轻度脂肪肝70例、S2中度脂肪肝36例、S3重度脂肪肝18例)背散射信号.采用背散射信号重构B超图像,手工选定肝实质区域,对其中的每条射频信号,使用长度为768个采样点的门在其上滑动,步长为20个采样点,得到n条门控信号.然后从n条门控信号中随机选取256条.结果 共获得261120条信号样本(S0:102400;S1:89600;S2:46080;S3:23040).MBR-Net与Nguyen网络、Han网络在脂肪肝评估中的性能比较,MBR-Net诊断脂肪肝程度≥S1、≥S2、≥S3均具有更高的准确度、灵敏度和特异性,且MBR-Net的AUC也最高;MBR-Net(三分支网络)的脂肪肝分类效果优于双分支网络和四分支网络.结论 相较于传统的单分支、无残差机制的CNN方法,本研究提出的MBR-Net整体上提高了分类精度,在评估肝脏脂肪变性程度的分类任务中取得了良好的性能,MBR-Net可作为超声背散射信号深度学习评估脂肪肝的新方法.