针对医学装备管理现状，某院探索将5G+物联网和数字孪生技术应用于医学装备智慧化管理。通过智能感知终端实现医学装备使用地点、使用过程与使用效率等真实数据的动态获取，并进行数字化、网络化、智能化监测与分析，同时开发医学装备动态管理软件、医疗设备实时定位软件、空间环境质量监测软件等应用。实现医学装备配置、运行和绩效评价的自动化、智能化和可视化管理，实现基于数字孪生体的精细化管理，提升运行资源保障协同管理效率。

跟踪野生动物可以了解它们的生态习性和种群动态.自动化的、高效准确的目标跟踪算法对于野生动物保护具有重要意义.由于东北虎(Panthera tigris altaica)生存环境复杂,行动方式隐蔽且具有快速运动的特点,拍摄到的图像可能存在运动模糊问题,难以捕获清晰稳定的画面.因此,监测东北虎种群的难点在于实现自动准确地跟踪东北虎个体.在实际环境中,由于光照变化、遮挡、相似性干扰等问题的存在,导致错误跟踪东北虎个体.针对这些问题,本文提出了一种基于注意力特征融合的孪生网络跟踪框架,旨在实现对实际复杂场景中东北虎个体的准确跟踪.基于孪生网络的视觉目标跟踪框架将目标跟踪视为相似性学习问题,本文对传统基于孪生网络的跟踪架构进行改进,将注意力特征融合嵌入主干网络ResNet50中进行特征提取.为了增强模型对跟踪场景中发生极端尺度变化的东北虎个体的关注度,本文在注意力特征融合模块中引入了多尺度通道注意力机制,以适应不同的东北虎个体状态和环境变化.实验结果表明,本文的方法与当前的先进跟踪器相比取得了更优的跟踪性能,跟踪成功率和精确度分别达到了72.5％和93.9％,相比基准跟踪算法分别提高了4.1％和2.3％,证明本文的跟踪方法可以在复杂的实际场景下为自动高效地监测东北虎提供一种有效的方案.

目的 针对缺血性脑卒中这一发病率高、预后差的疾病,应用自然语言处理技术从患者出院小结中进行文本数据挖掘,并通过Python编程语言将非结构化的文本数据转换成供后续统计分析的结构化数据库.方法 利用缺血性脑卒中患者出院小结资料,构建基于知识增强的语义表示模型(ERNIE)+神经网络+条件随机场的命名实体识别模型,进行疾病、药物、手术、影像学检查、症状5种医疗命名实体的识别,提取实体构建半结构化数据库.为了进一步从半结构化数据库中提取出结构化数据,构建基于ERNIE的孪生文本相似度匹配模型,评价指标为准确率,采用最优模型构建协变量提取器.结果 命名实体识别模型总体F1值为90.27％,其中疾病F1值为88.41％,药物F1值为91.03％,影像学检查F1值为87.71％,手术F1值为87.07％,症状F1值为96.59％.文本相似度匹配模型的总体准确率为99.11％.结论 通过自然语言处理技术,实现了从完全的非结构化数据到半结构化数据再到结构化数据的构建流程,与人工阅读病历并手动提取病历信息相比,极大提高了数据库构建的效率.

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略.首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督.所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估.在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1％,与较先进的算法U-Net和PA-Net相比多项指标均有提升.实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义.

目的:慢性化脓性中耳炎(chronic suppurative otitis media,CSOM)和中耳胆脂瘤(middle ear cholesteatoma,MEC)是两类临床上最常见的慢性中耳疾病.在诊疗过程中,该两类疾病因具有类似的临床表现,容易造成误诊及漏诊.高分辨率计算机断层扫描(high resolution computed tomography,HRCT)能清晰地显示颞骨的精细解剖结构,准确地反映中耳病变情况及病变范围,对慢性中耳疾病的鉴别诊断具有优势.本研究开发一种基于颞骨HRCT影像数据,对慢性中耳疾病实施自动信息提取与分类诊断的深度学习模型,旨在提高临床上对慢性中耳疾病的分类诊断效率,减少漏诊及误诊的发生.方法:回顾性收集2018年1月至2020年10月于湘雅医院耳鼻咽喉科住院的慢性中耳疾病患者的临床病历及颞骨HRCT影像资料.由2名经验丰富的耳鼻咽喉科医师独立审查患者的医疗记录,并对最终诊断达成一致结论.最终纳入499例患者(998侧耳),将998侧耳分为3组:MEC组(108侧耳)、CSOM组(622侧耳)、正常组(268侧耳).使用不同方差的高斯噪声进行数据集样本扩增处理,以此消除组间样本数量的不平衡.经扩增后的实验数据集样本量为1806侧耳,实验中随机选择75％(1355侧耳)用于训练,10％(180侧耳)用于验证,剩余的15％(271侧耳)用于测试并评估模型性能.模型整体设计为串联式结构,设置具有3种不同功能的深度学习模型:第一种是区域推荐网络算法,从整体HRCT图像中搜索中耳部分的图像进行切割、保存;第二种是基于孪生网络结构的图像对比卷积神经网络(convolutional neural network,CNN),从切割好的图像中搜索与HRCT图像关键层面匹配的图像,并进行3D数据块的构建与保留;第三种是基于3D-CNN操作,用于对3D数据块进行分类诊断,并给出最后的预测概率.结果:基于孪生网络结构的特殊层面搜索网络在10个特殊层面上表现出了0.939的平均AUC值.基于3D-CNN的分类网络整体准确度为96.5％,整体召回率为96.4％,3种判类结果的平均AUC值为0.983.预测结果中的CSOM病例召回率为93.7％,MEC病例召回率为97.4％.在后续进行的对比实验上,一些经典的CNN平均精确度为79.3％,平均召回率为87.6％.本研究构建的深度学习网络的准确度比普通的CNN提升约17.2％,召回率提升约8.8％.结论:本研究构建的深度学习网络模型可以自动从患者颞骨HRCT影像数据中提取含有中耳特征的3D数据块,在降低数据整体规模的同时保存了对应图像间的关系,可进一步使用3D-CNN进行CSOM与MEC的分类诊断.该模型的设计很好地结合了HRCT数据的连续性,实验结果准确度高,适应性广,优于目前常用的CNN方法.

目的 探究医学超声影像研究可准确分割组织图像的自动分割算法.方法 提出一种端到端协同分割网络模型,其由孪生编解码器、相似性学习模块和注意力学习模块组成.对输入的一对超声图片先经过编码器提取特征,由相似性学习模块优化特征,再由注意力模块增强特征,最后通过解码器输出对组织前景的自动预测结果,并在包含了3类组织(胎儿、甲状腺、乳腺)的多类别超声图像数据集上对本文提出的方法进行了验证.结果 针对像素准确度、精确率和Jaccard相似系数这3种评价指标,分别取得了97.25％的像素准确度,94.51％的精确率和0.90的Jaccard相似系数,并进一步通过对比实验和消融实验验证了本文所提出方法的准确性和有效性.结论 提出的协同分割模型对多类别医学超声影像均有较高的分割精度,能够快速准确获得组织区域,有助于计算机辅助诊断.