针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39％,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.

目的:探讨改进互信息与图像金字塔相结合的二维-三维配准方法的价值。方法:将3次B样条曲线的连续图像表示与Parzen直方图估计融合到该算法中，以胸腔作为研究对象，通过数字重建放射影像生成的正交位的模拟X线图和与其本身进行一定变换后的图像进行配准实验，观察配准精度和时间。结果:经过50组对照试验得出本方法相较于传统配准方法在 x、 y轴向上的位移精度分别提高了53.39%、21.33%，配准时间缩短了91.93%。相较于近几年的改进算法在 x、 y轴向上的位移精度分别提高了17.65%、13.79%，并将配准时间进一步提高了19.64%。 结论:该方法可以有效提高二维-三维图像的配准精度和效率，且均符合手术过程中图像配准2 mm以内的要求。该方法的高效、准确为临床诊断和放疗自动化提供了有利的信息，同时也为肿瘤位置误差校正和医用机械臂自动摆位奠定了基础。

目的:喉返神经（recurrent laryngeal nerve，RLN）是腔镜甲状腺手术中需重点识别和保护的结构。本研究旨在探索深度学习技术识别RLN在经腋窝入路腔镜甲状腺手术中的应用价值。方法:收集2020年7月1日至2021年5月1日在北京协和医院基本外科操作的，留存了完整视频资料的经腋窝入路腔镜甲状腺手术录像。两位资深甲状腺外科医师选取其中包含RLN的视频片段，经过训练的标注人员对RLN的轮廓进行描绘标注，并经两位甲状腺外科医师审校确认。视频资料用随机数方法按照5∶1的比例分为训练集及测试集，并根据RLN与周围组织的辨识度分为高、中、低辨识度。采用基于PSPNet的语义分割模型进行训练，使用ResNet50作为主干网络提取特征，同时结合金字塔池化模型融合多尺度特征，最终根据交并比（insertion over union, IOU）评判深度学习神经网络对RLN具体位置预测的能力。所有资料使用R 4.0.2版本分析。结果:共38个视频中累计35 501帧图像纳入本研究，其中32个视频共29 704帧图像作为训练集，6个视频共5 797帧图像作为测试集。当IOU阈值设为0.1时，模型在高、中、低辨识度组中的灵敏度和精确率分别达到了100.0%/92.1%、95.8%/80.2%及81.0%/80.6%。而当IOU阈值提高到0.5时（代表有效定位RLN），灵敏度和精确率则分别为92.6%/85.3%、71.7%/60.5%及38.1%/37.9%。这说明本模型在辨识度中高时可很好地提示RLN的位置和走行。漏检通常因目标过小、边界不明确所致。结论:基于深度学习的人工智能RLN识别在腔镜甲状腺手术视频中是可行的，有潜在的应用价值，有可能帮助外科医生降低手术中误损伤风险，提高手术安全性。

目的:准确提取用于形态评估和临床疾病监测的医学图像中的目标区域,改进将卷积神经网络(CNN)与转换器(Transformer)结合的混合网络用以学习图像局部信息和全局信息.方法:①通过引入基于CNN的解码器并将其与金字塔视觉转换器(PVT)整合,开发了一种新颖的特征细化分割网络称为特征细化金字塔视觉转换器(FR-PVT).解码器用于细化PVT捕获的多尺度全局特征,由特征细化模块(FRM)和上下文注意模块(CAM)以及相似性聚合模块(SAM)共同构成.②为了验证FR-PVT,将其用于五个公共结肠镜图像数据集(ClinicDB、ColonDB、EndoScene、ETIS和KvasirSEG)的息肉分割和温州医科大学附属眼视光医院提供的眼部视频数据集的睑裂分割.③使用四种不同的指标评估FR-PVT的性能,包括Dice系数、IOU、Matthew 系数(MCC)和 Hausdorff 距离(Hdf).FR-PVT与现有网络[即息肉 PVT(Polyp-PVT)、U-Net 及其变体]在相同的分割任务上进行比较.结果:①FR-PVT能够处理各种成像条件下获取的结肠镜图像,并在分割ClinicDB、ColonDB、EndoScene、ETIS和KvasirSEG数据集时获得平均Dice分别为 0.937、0.819、0.892、0.800和0.909.②在眼部视频数据集中的图像上进行的实验结果显示,FR-PVT获得的平均Dice、IOU、MCC和Hdf分别为0.966、0.943、0.957和4.706.③在五个息肉数据集上的分割性能对比显示,FR-PVT分别获得了平均Dice系数和IOU分别为0.840和0.764,优于Polyp-PVT(0.834和0.760)、U-Net(0.561 和0.493)、U-Net++(0.546和0.476)、SFA(0.476和0.367)、PraNet(0.741和0.675).在眼部视频图像上的分割性能显示,FR-PVT分别获得了 0.840的平均Dice系数和0.764的平均IOU.结论:FR-PVT实现了比Polyp-PVT和现有的几种基于CNN的网络(如U-Net及其变体)更好的分割性能.

针对结核病病原体在痰涂片图像背景复杂且目标小,人工筛查成本较高的问题,提出了一种基于YOLOv8s的结核病病原体检测方法.首先,采用基于空间和通道重构卷积改进的结构来限制特征冗余.其次,引入了坐标注意力来扩大模型的感受野.再者,使用空间金字塔池化跨阶段局部网络来提取不同尺度上的特征信息.最后,嵌入基于归一化的注意力机制抑制不太显著的特征.实验结果表明,在公开数据集上,改进网络模型与原YOLOv8s模型相比,精确率和召回率分别提升2.7%和1.5%,置信度为0.5时的平均精度均值提高了2.3%,该模型能够有效辅助影像科医师进行诊断.

目的 探讨基于深度学习的图像高斯金字塔和卷积神经网络方法,构建和训练一种高精准度的自动化二维头影测量标志点定位与分析系统模型.方法 收集2021年1月至12月期间本院所摄的400张年龄在18至50周岁且无牙列缺损的头颅侧位影像,在3D slicer(NIH美国)上完成每张44个牙颌和颅面软硬组织结构标志点的标注,并构建和训练基于图像高斯金字塔和卷积神经网络的自动化二维头影测量标志点定位和分析系统.结果 运用图像高斯金字塔和卷积神经网络方法能高精准获取44个牙颌和颅面的软硬组织结构标志点,在2.0 mm、2.5 mm、3.0 mm、4.0 mm精度范围内预测的平均准确率分别为85.61%、90.72%、93.82%、96.34%;44个牙颌和颅面软硬组织结构标志点的平均误差为1.22 mm,平均标准差为1.27 mm;常见头影测量项目(ANB、SNA、SNB、ODI、APDI、FHI、FMA、MW)的平均预测准确率为85.00%.结论 运用图像高斯金字塔和卷积神经网络方法能高精准获取牙颌和颅面的软硬组织结构标志点,并且对牙颌和颅面形态分析诊断具有良好的准确性,该技术将有助于推进自动化头影测量的临床运用.

目的:为了提高磁共振血管成像(magnetic resonance angiography,MRA)脑血管图像分割的准确性,提出一种基于改进UNet的MRA脑血管图像分割方法.方法:首先,以UNet网络作为基础分割模型,在此基础上融入残差神经网络,以有效缓解深层网络的训练压力和促进信息传递;其次,增加压缩和激励模块,以提高网络对于脑血管特征的敏感性;最后,增加空间金字塔(atrous spatial pyramidal pooling,ASPP)模块,以获取多尺度特征信息,进一步提高分割精度.为验证改进UNet模型的有效性,在TOF-MRA公共数据集上进行实验并与UNet、ResUNet和ResUNet++模型进行对比.结果:改进UNet模型的Dice相似系数为0.75、准确率为0.72,高于UNet、ResUNet和ResUNet++模型.结论:提出的方法能有效分割MRA脑血管图像,辅助临床医生进行疾病诊断.

目的 为提高超声图像中甲状腺结节目标检测精度,提出一种基于Faster R-CNN的甲状腺结节目标检测改进算法.方法 该算法采用结合了可变形卷积(deformable convolution,DC)的ResNeSt50作为主干网络,提高对形状不规则结节的检测效果.并在主干网络后方引入特征金字塔网络(feature pyramid networks,FPN)和感兴趣区域对齐,前者用于减少甲状腺结节漏检误检现象,后者用于提高小尺寸结节的检测精度.此外,在算法训练的反向传播过程中,使用由锐度感知最小化(sharpness-aware minimization,SAM)改进优化器进行参数更新,提高算法的泛化能力.结果 实验采用来自徐州医科大学附属医院及南京市第一医院6 261张甲状腺超声图像,对改进算法的有效性进行对比评估.实验表明,该算法具有一定的优化效果,最终在测试集的AP50高达97.4%,AP@50:5:95较原始模型也提升了10.0%.与原始模型和现有模型相比改进算法有着更高的检测精度,能更精准地检测甲状腺结节,特别在较低的检测框精度要求下有着较高的召回率.结论 本研究提出的改进方法是有效的甲状腺结节目标检测算法,能精准地检测出甲状腺结节.

本研究利用吲哚菁绿(indocyanine green,ICG)对肿瘤进行标记,通过改进的拉普拉斯金字塔算法对非顶层图像的肿瘤细节进行增强,同时去除顶层图像的非肿瘤信息,从而达到强化与区分肿瘤信息的目的;利用图形处理单元(graphics processing unit,GPU)技术将融合算法进行并行化处理,可以有效提高本研究算法的运算速度,实时显示多光谱融合图像.相对于传统成像方式,本研究提供的成像方法可以实时获取更为全面的肿瘤信息,提高了肿瘤检测的准确性,从而帮助外科医生更好地实施肿瘤切除手术.