目的:探讨基于多参数MRI及临床特征的融合模型在术前预测宫颈癌患者淋巴结转移的价值。方法:回顾性分析山西省肿瘤医院2016年6月—2019年3月经病理证实为宫颈鳞癌并于术前行MRI检查的168例患者的资料。按照7∶3的比例，采用完全随机法将所有患者分为训练组115例和验证组53例。由两名影像科医师在MRI图像上手动勾画三维容积感兴趣区(VOI)，并进行一致性分析。根据临床手术病理结果将所有患者分为淋巴结转移阴性(LN－)和阳性(LN＋)，临床及影像资料也对应分组。分别基于每例患者的T 2WI、表观扩散系数(ADC)和增强T 1WI(cT 1WI)序列图像上均提取3 111个影像组学特征，然后对训练组采用以最大相关最小冗余(MRMR)和最小绝对收缩与选择(LASSO)回归为主的四步法进行特征选择和影像组学标签的构建，并进行分层分析。通过多变量逻辑回归筛选独立临床危险因素并联合影像组学标签构建影像组学融合模型，并制作列线图。采用ROC曲线、校正曲线、决策分析曲线(DCA)评估列线图的预测性能及临床效益。 结果:训练组和验证组患者基线资料差异均无统计学意义( P值均>0.05)。基于T 2WI、ADC和cT 1WI合并特征降维后共得到6个影像组学特征( P值均<0.05)，其中包括3个小波类特征参数和3个LoG类特征参数，均与淋巴结转移显著相关。单序列影像组学标签在训练组中ROC曲线下面积(AUC)值为0.763和0.829，显示具有良好的预测效能，合并上述序列构建的影像组学标签对应的AUC值0.859，其诊断效能优于其中任意单一序列，并在验证组得到验证。联合影像组学标签和MRI评价淋巴结状态构建的列线图在训练组和验证组中均显示出良好的鉴别能力和校正性能，对应的AUC分别为0.865和0.861。在独立验证组中的决策曲线示，当风险阈值>10%时，采用影像组学方法预测LN＋的净收益优于将所有患者都看作LN＋或LN－，也优于MRI评价淋巴结状态。 结论:通过联合基于多参数MRI的影像组学标签和MRI评价淋巴结状态建立的融合模型可作为术前评估宫颈癌淋巴结转移的一种辅助方法。

目的:探讨基于CT检查影像组学在术前鉴别诊断胰腺浆液性囊腺瘤（SCA）和黏液性囊腺瘤（MCA）中的临床价值。方法:采用回顾性病例对照研究方法。收集2012年1月至2019年12月浙江大学医学院附属第一医院收治的154例胰腺囊性肿瘤病人的临床病理和影像资料；男24例，女130例；年龄为（50±13）岁。154例病人中，99例为SCA，55例为MCA。154例病人术前均行胰腺CT平扫联合增强扫描检查。收集所有病人临床特征、影像特征、影像组学特征，构建临床特征模型、影像特征模型、影像组学模型和融合模型。绘制各个模型的受试者工作特征（ROC）曲线，并以曲线下面积（AUC）、准确度、灵敏度、特异度、阳性预测值和阴性预测值等指标评价构建模型。基于最优模型，构建列线图。观察指标：（1）临床特征模型建立及验证。（2）影像特征模型建立及验证。（3）影像组学模型建立及验证。（4）融合模型建立及验证。（5）融合模型的列线图。正态分布的计量资料以 x± s表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数和（或）百分比表示，组间比较采用 χ2检验和Fisher确切概率法。 结果:（1）临床特征模型建立及验证：通过多元逻辑线性回归分析，筛选出年龄、临床症状、术前血清CA19-9 3个临床特征用于构建临床特征模型，多元逻辑线性回归结果以公式①表示：临床模型得分=0.635-0.007×年龄+0.054×临床症状+0.108×术前血清CA19-9。绘制临床特征模型测试集ROC曲线。临床特征模型训练集和测试集的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.611（95%可信区间为0.488~0.734， P<0.05）和0.771（95%可信区间为0.624~0.919， P<0.05）、56.6%和77.8%、66.7%和63.1%、56.3%和88.5%、41.5%和80.1%、78.4%和76.7%。（2）影像特征模型建立及验证：通过多元逻辑线性回归分析，筛选出肿瘤位置、肿瘤数目、肿瘤横断面最大径、肿瘤分叶、肿瘤多囊（≥6个）5个影像特征用于构建影像特征模型，多元逻辑线性回归结果以公式②表示：影像特征模型得分=-0.034+0.300×肿瘤位置+0.202×肿瘤数目+0.014×肿瘤横断面最大径-0.251×肿瘤分叶-0.170×肿瘤多囊（≥6个）。绘制影像特征模型测试集ROC曲线。影像特征模型训练集和测试集的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.862（95%可信区间为0.791~0.932， P<0.05）和0.853（95%可信区为0.713~0.994， P<0.05）、78.8%和88.9%、81.8%和89.4%、77.5%和88.5%、62.8%和85.0%、90.2%和92.0%。（3）影像组学模型建立及验证：本研究在154例胰腺囊性肿瘤病人中共提取4类1 067个影像组学特征，其中一阶直方图统计特征7个、纹理特征53个、小波特征848个、局部二值模式特征159个。在组内相关系数>0.9的条件下，共保留896个稳定性较好的影像组学特征用于构建模型。经过方差阈值与相关系数阈值筛选后，保留350个影像组学特征。为获得深层次的影像组学特征，在原特征基础上构建50个合成影像组学特征，总特征数为400个。采用五折递归特征消除后，最终筛选出22个影像组学特征，包括13个小波特征，7个合成影像组学特征和2个局部二值模式特征。采用支持向量机算法构建影像组学模型，模型惩罚系数“C”=35.938，模型参数“γ”=0.077，核函数为“径向基函数核”。绘制影像组学模型五折交叉验证的ROC曲线。影像组学模型的平均AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.870（ P<0.05）、83.1%、81.8%、83.8%、73.8%、89.2%。（4）融合模型建立及验证：选取影像特征的肿瘤位置、肿瘤分叶和影像组学得分构建融合模型。融合模型的多元逻辑线性回归结果以公式③表示：融合模型得分=-0.154+0.218×肿瘤位置-0.223×肿瘤分叶+0.621×影像组学得分。绘制融合模型测试集ROC曲线。融合模型训练集和测试集的AUC、准确度、灵敏度、特异度、阳性预测值、阴性预测值分别为0.893（95%可信区间为0.828~0.958， P<0.05）和0.966（95%可信区间为0.921~0.999， P<0.05）、83.7%和91.1%、81.8%和84.2%、84.5%和96.2%、71.1%和94.1%、90.9%和89.3%。（5）融合模型的列线图：绘制融合模型的列线图，模型约登指数为0.416。 结论:基于术前CT检查影像组学标签和影像特征的预测模型可鉴别诊断胰腺SCA和MCA。

目的:结合图像自动分割技术和机器学习方法对乳腺钼靶X线图像进行准确分类识别。方法:以数字钼靶X线图像数据库（DDSM）中的BI-RADS4类的簇状分布多形性钙化钼靶图像为研究对象，自动切分图像的感兴趣区域（ROI）。对小波变换、Gabor滤波和灰度共生矩阵法所提取的特征参数进行融合，并基于灵敏度分析对融合后的特征参数进行筛选。使用基于集成学习的方法，对多项式核支持向量机（SVM）、随机森林和逻辑（logistic）回归分类器进行投票集成，构成用于乳腺钼靶X线图像自动分类的分类器。投票集成方法为软投票。结果:提出的集成分类器可高效地识别与分类乳腺钼靶X线图像，其分类的灵敏度、特异度和准确率分别为99.1%、99.6%和99.3%。结论:所提出的乳腺钼靶X线图像处理与分类识别方法能为医生的临床判断提供辅助检测的依据，并为细分BI-RADS4类图像提供技术基础。

目的:针对如何建立有助于电子听诊诊断的肺音分类模型,提出一种基于卷积神经网络(CNN)-长短期记忆网络(LSTM)的混合深度学习肺音分类模型方法.方法:首先使用小波变换对数据集进行特征提取,使肺音信号转化为能量熵、峰值等特征;在此基础上构建CNN和LSTM的混合算法分类模型,其中将小波变换提取的特征先输入CNN模块,能够获得数据的空间维度特征,再通过LSTM模块获得数据的时间维度特征,融合两类特征,通过模型可以将肺音分类,从而达到辅助判断患者的肺部疾病.结果:CNN-LSTM混合模型准确率、F1分数均明显高于其他单一模型,可达到0.948和0.950.结论:提出的CNN-LSTM混合模型分类准确率更高,在智能听诊领域具有广泛的潜在应用价值.

提出一种基于时空图卷积神经网络的精神分裂症患者分类方法,与过往仅分析脑电中的时频特征而忽略各脑区之间空间特征的主流方法不同,模型主要通过用不同通道之间小波相干系数构成的邻接矩阵和脑电序列进行图卷积的方式获取其中的空频特征,再通过一维时间卷积获取其中的时频特征,经过多次卷积后将处理过的矩阵扁平化后输入分类模型.实验结果表明本文方法在公开数据集Zenodo上的分类准确率达96.32%,证明本文方法的有效性,也证明融合时频、空频特征对精神分裂症诊断的优势.

针对提高情感识别正确率这一国际开放问题,本文提出了一种基于小波包熵和自回归模型相结合的脑电信号特征提取算法.自回归过程能最大程度逼近脑电信号,用很少的自回归参数提供丰富的谱信息.小波包熵反映脑电信号在各个频带中的谱能量分布情况.将二者结合,能够更好地体现脑电信号的能量特征.本文基于核主成分分析方法,实现了脑电信号特征提取融合.课题组采用情感脑电国际标准数据集(DEAP),选取6类情感状态以本文算法进行情感识别.结果显示,本文算法情感识别正确率均在90％以上,最高情感识别正确率可达99.33％.本文的研究结果表明,该算法能够较好地提取脑电信号情感特征,是一种有效的情感特征提取算法.

户外视觉系统在雨(雪)天气条件下获取的视频图像会产生严重退化.提出一种基于小波融合的视频图像去雨(雪)方法,从频率域角度分析,采用小波多层分解和小波融合技术:先确定雨(雪)噪声所在的具体层,再制定一种基于雨(雪)噪声污染度的融合规则,最后对多幅连续退化图像的特定层进行小波融合,以达到去除雨(雪)的目的 .仿真结果表明,本文方法的复原结果理想,不受噪声强度制约.

目的 选择已配准后的多聚焦医学图像以及MRI/CT灰度图像为实验素材,以探究不同的融合策略对图像融合效果的影响.方法 在对多模态医学图像融合时,低频融合分别采取了加权平均、取极大值法、区域能量以及区域方差的对比实验.高频融合分别采取了区域能量、区域方差以及滤波后基于邻域窗口的一致性检验的对比实验.结果 通过对融合图像主观(融合效果)与客观(灰度直方图、边缘提取、性能评价)对比分析,找到了多模态医学图像融合的最优融合策略.结论 当低频选择局部区域方差融合,融合后的图像轮廓清晰、边缘较完整;而高频选择滤波后基于邻域窗口的一致性检验,融合后的图像更好地保留和加强了源图像的细节信息.

动态心电信号易受环境和行为等因素的干扰,其质量难以保证.本文在对现有心电质量评估技术进行深入研究的基础上,提出了基于多指标融合的动态心电质量评估方法.该方法主要由指标提取、融合与综合评估三部分组成.指标分为外层指标与内层指标,前者依据电极片脱落检测指标,将信号分为可用与不可用;后者依据时域、频域分析的结果,分别提出基于小波变换的基线漂移程度指标、基于上下包络差的幅值变化程度指标以及基于功率谱估计的频率成分指标.对于融合部分,内层指标融合采用信息熵加权的加法合成法,内层与外层之间融合采用乘法合成法.综合评估采用区间估计的方法得到阈值,进一步划分信号质量的好与坏.通过比较两种方法,结果表明区间估计法(准确度:96.24％;灵敏度:97.83％)明显优于经验阈值法(准确度:92.39％;灵敏度:95.16％).本文提出的评估方法是可行的,为动态心电信号提供了一种更加精确的质量评估方法.

目的 针对PET/SPECT伪彩色图像空间分辨率低而MR灰度图像空间分辨率高的融合问题,探究一种新方法来提升PET/SPECT和MR图像的融合质量.方法 对待融合图像进行非下采样剪切波变换(nonsubsampled shearlet transform,NSST),得到各自的低频子带和高频子带,然后采用绝对值取大规则去融合高频子带,采用本文提出的基于Haar小波的能量(Haar wavelet based energy,HWE)规则去融合低频子带,最后对融合后的高、低频分量进行逆NSST从而获得融合图像.采用40组脑PET/SPECT和MR图像对本文所提出方法进行测试,并与其他典型的融合方法进行比较.结果 本文方法与基于DTC-WT,NSCT,NSCT-SR和NSST的融合方法进行测试,结果表明,本文方法在4个指标上最优,1个指标上次优.结论 本文方法在PET/SPECT和MR图像的融合中具有优越性,可提升此类医学影像在辅助临床诊断和放疗手术计划中的精准性.