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.

提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

专家引言：上海交通大学医学院附属新华医院汪登斌教授指出，近年来，复旦大学附属肿瘤医院顾雅佳教授团队围绕乳腺癌诊治相关的影像研究，深耕影像组学与深度学习领域。他们聚焦于乳腺影像新技术、新方法及跨尺度融合数据挖掘的研究。作为乳腺多学科团队重要的一分子，该团队持续进行深度交流，积极推进多学科医工交叉合作，在乳腺癌的精准影像诊断上取得了一系列的研究成果，助力大数据时代下肿瘤影像的精准诊疗，为进一步推动临床应用转化夯实基础。顾雅佳教授团队围绕三阴性乳腺癌复旦分型，实现MRI组学的无创分型诊断，并挖掘模型背后的生物学科解释性；围绕关键基因及分子的可视化，通过影像组学实现无创预测并关联多组学数据验证，探索潜在治疗靶点；针对新辅助疗效的精准预测，创新性融合影像组学和体细胞突变特征，构建新辅助化疗的病理完全缓解的预测模型，并探究高频基因突变与耐药事件之间的关联。同济大学医学院同济医院王培军教授指出，以影像为主导的跨尺度多组学研究，以多组学为驱动，为乳腺肿瘤的演进发展提供影像学依据，是大数据时代下乳腺肿瘤影像研究的新方向。顾雅佳教授团队探寻影像肿瘤内异质性的潜在治疗策略，挖掘基于宏观影像对分子靶点可视化的关键特征，并创新性将热门的MRI组学与突细胞突变特征相融合构建新辅助化疗的疗效预测模型，在精准分型和关键分子的可视化基础上，指导乳腺癌的精准诊疗，为临床转化提供了新的前景。

目的:设计一种基于改进YOLOv7模型的肺结节检测算法。方法:首先，在PAFPN结构中，引入轻量化上采样算子CARAFE，以提高肺结节检测精度。然后添加一个增强型小尺度检测层，增强对于小目标肺结节的检测性能，同时可减少训练的参数量，并降低模型复杂程度。在保证各项参数指标不变的情况下，对YOLOv5原模型算法和添加增强型小尺度检测层的YOLOv5模型算法、YOLOv7原模型算法和改进后YOLOv7模型算法进行消融实验；对改进点训练集总损失进行比较；用YOLOv7原模型算法和改进后YOLOv7模型算法对2张测试集图片进行推理，将其与近年来其他经典的肺结节检测算法Mask R-CNN、YOLOv3、YOLOv5s和YOLOv7对2张测试集图片进行比较。结果:添加增强型小尺度检测层的YOLOv5模型算法精度比YOLOv5原模型算法提升了1.3%，召回率提高了3.5%，平均精度（mAP）上升了3.1%，参数量减少了25.3%，网络的复杂程度也有所减少。改进后YOLOv7模型算法mAP提高1.8%，参数量减少28.3%，模型复杂程度下降5 G。添加增强型小尺度检测层与替换特诊融合网络为轻量化上采样算子CARAFE算法在训练过程中的总损失最小。YOLOv7原模型算法精度较高，但是仍然出现了漏检与假阳性的情况，与预测图片1比较，YOLOv7原模型出现了漏检的情况；与预测图片2比较，YOLOv7原模型出现了假阳性的情况。而改进后YOLOv7模型对漏检情况和假阳性均得到了很好的改善；与经典模型算法比较，改进后YOLOv7模型算法的精度、召回率和mAP最高，分别为91.7%、89.1%、93.5%。结论:改进YOLOv7模型具有更强的特征表达能力，参数量更少，能够有效提高肺结节的检测精度。

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:开发一种多尺度融合与注意力机制结合的头颈部肿瘤放疗危及器官图像分割方法。方法:基于U-Net卷积神经网络，为增强分割模型的特征表达能力，将空间和通道注意力模块与U-Net模型相结合，提高与分割任务相关性更大的特征通道权重；在网络模型编码阶段引入本文提出的多尺度特征融合算法，补充模型下采样过程中损失的特征信息。使用戴斯相似性系数（DSC）和95%豪斯多夫距离（HD）作为不同深度学习模型之间比较的性能评估标准。结果:在医学图像计算和计算机辅助干预国际会议（MICCAI）StructSeg 2019数据集上进行头颈部22个危及器官的分割。相比于已有方法，本文提出的分割方法平均DSC提升了3%~6%，22种头颈部危及器官的分割平均DSC为78.90%，平均95%HD为6.23 mm。结论:基于多尺度融合和注意力机制的U-Net卷积神经网络对头颈部危及器官达到了更好的分割精度，有望在临床应用中提高医生的工作效率。

随着多学科间的深度融合与渗透借鉴,中医耳穴疗法迎来了新的发展契机.如何有效地刺激耳穴是耳穴疗法的关键初始环节之一,针对这一问题,衍生了多种融合中西医理论的物理刺激新方法.本文从磁生物学角度切入,从多个维度探讨了磁对生物体结构与功能的深远影响,并对目前耳穴磁疗法的临床疗效、研究范式、存在问题及未来发展前景进行述评.强调了生物体本身的磁性特征,尤其是神经系统对磁场的高敏感性,突显了现代磁刺激技术用于耳穴治疗脑病的潜力.此外,还探讨了耳穴磁刺激的研究范式,结合物理分子动力学模拟、材料工程、数学建模及生物医学等跨学科技术,有望为优化耳穴磁刺激参数、阐明其效应规律提供帮助.这种多学科、跨系统、多尺度的生物物理研究范式为耳穴疗法带来全新的思考框架与研究路径,对提高耳穴磁刺激疗法的安全性及有效性具有重要意义.

针对脑瘤图像分割网络的跳跃连接引起的语义特征传递不平衡,以及多尺度特征关联不足,导致细节特征丢失,从而造成对细小目标肿瘤的分割精度不佳的问题,提出一种改进的Res-Unet框架的分割模型.该模型引入多尺度注意力融合模块,通过混合多尺度特征使模型更好地适应不同尺寸的肿瘤;该模型在跳跃连接中引入空间注意力模块,增强特征表达同时避免无用信息的干扰,保留特征图空间细节特征;最后通过辅助分类器模块,在解码器部分对不同尺度特征图进行特征预测.使用BraTS2020数据集进行实验和评估,使用Dice系数来评估模型分割效果.结果显示,改进的网络在全肿瘤区域、肿瘤核心区域和增强肿瘤区域的Dice系数分别为0.8877、0.8229、0.8027,相比于通道注意力模型增强肿瘤区域和肿瘤核心区域的系数分别提升2.6%和0.14%,证明改进模型在脑瘤核磁共振图像分割的有效性和精确性.