目的:评估通过最小化基于等效均匀剂量（EUD）的损失函数优化放疗计划中危及器官（OAR）剂量体积直方图（DVH）预测方法的实用性。方法:随机选取2020—2021年在中国医学科学院肿瘤医院深圳医院完成鼻咽癌容积调强弧形治疗（VMAT）的66例患者的治疗计划，其中50例用于训练循环神经网络（RNN）模型，其余16例用于测试模型。研究基于RNN构建了DVH预测模型，并为66例患者均设计了一个9野等权重的三维适形计划。训练时将OAR每个分野对应的DVH作为模型输入，VMAT计划的DVH为预期输出，通过最小化基于EUD的损失函数计算的预测误差训练模型。预测准确度用预测值和真实值之间的平均偏差和标准偏差表示。根据DVH预测结果为测试病例重新优化计划，使用Wilcoxon配对检验和箱线图比较新计划和原计划OAR的EUD和感兴趣DVH参数（如脊髓等串型器官的最大剂量）的一致性和差异性。结果:基于EUD的损失函数训练得到的神经网络能够得到更好的DVH预测结果。根据预测DVH得到的新计划与原计划具有很好的一致性：在绝大多数情况下，两组计划的计划靶区（PTV）的D 98%都大于95%处方剂量，脑干、脊髓和晶状体的最大剂量和EUD的差异均无统计学意义（ P>0.05）。相较于原计划，新计划在视交叉、视神经和眼球的最大剂量平均减少1.56 Gy以上，EUD平均减少1.22 Gy以上，颞叶的最大剂量和EUD分别平均增加了0.60 Gy和0.30 Gy。 结论:基于EUD的损失函数提高了DVH预测的准确性，确保预测的DVH能够在治疗方案优化中给出适当的剂量目标，并提高计划质量的一致性。

目的 针对医学实验室自动化生化免疫检验流水线识别准确率和识别速度要求极高、采血管类型众多、采血管铝箔帽状态复杂以及管壁挂液干扰严重的问题,提出一种基于卷积神经网络的采血管铝箔帽状态检测方法,以实现采血管铝箔帽状态的识别.方法 首先采用轻量化的模型设计思想,通过减少模型的深度降低参数量和计算量,同时引入通道注意力机制,以提高样本特征的提取能力;其次采用Focal Loss损失函数解决难例样本挖掘的问题,进一步优化模型的性能;最后,通过教师网络指导学生网络进行知识蒸馏,得到最终轻量化的小模型.结果 对学生网络模型的轻量化设计使该检测方法适用于资源有限的边缘计算设备,模型的参数量仅为0.354 M,计算量为0.165 GFlops,对Jetson Nano设备的识别速度为3.42 ms,且其在复杂的采血管情况下,识别准确率可达100%.结论 本研究充分验证了该模型的轻量化、高效性和实用性,说明基于轻量化卷积神经分类网络模型的检测方法可准确识别采血管铝箔帽状态,是医学实验室自动化生化免疫检验流水线中采血管铝箔帽状态检测的解决方案.

目的 由于舌色标注样本中常常包含有错误标签,这些噪声样本会导致舌色分类性能不高、模型泛化能力差等问题.因此,需要建立自动舌色分类模型,提升有噪标注样本下舌色分类的准确率,促进中医(TCM)舌诊客观化研究.方法 从中医舌色分类的特点出发,提出了一种基于区域注意力机制的有噪样本下中医舌色分类方法.本方法的创新性包括两点:一方面,根据中医医生舌诊的习惯,提出了一种区域注意力机制,增强网络对于舌尖和舌两侧等舌色区域的特征提取能力,而抑制其他区域的特征;另一方面,针对噪声标注样本下的分类网络训练问题,设计了一种对称修正的交叉熵损失函数,用于对舌色分类网络进行优化训练,抑制噪声样本对分类性能的影响.结果 在3个自建中医舌色分类数据集上的分类结果显示,准确率分别达到了94.96%、93.36%和93.92%,mAP分别达到了94.53%、93.05%和93.38%,Macro-F1分别达到了94.67%、93.16%和92.43%.结论 设计的舌色分类方法能以较低的模型复杂度,显著提升分类精度,提升有噪声样本标注情况下的分类鲁棒性.

为解决社区中的独居老人发生跌倒时不能及时得到救治造成二次伤害的问题,提出一种面向社区医疗的跌倒检测算法.算法具有2D卷积和3D卷积两个分支,同时进行空间特征和时序特征的提取.在3D分支引入密集连接,增强时序特征提取能力;在2D分支重新设计网络的残差块,增强空间特征提取能力.在两个分支融合部分引入非局部注意力机制,增强特征融合能力.在算法的最后融合场景信息,通过SIoU损失函数和联合损失函数监督算法检测跌倒行为.在扩充后的公开URFD数据集上进行对比实验,本文算法检测准确率为98.3%,表明所提算法对于跌倒行为有较好的表现性和鲁棒性.

目的 开发基于计算机断层扫描图像和深度学习的高效率且高精确度的肾肿瘤语义分割模型.方法 基于注意力机制的U-Net网络架构算法,通过损失函数等相关系数评估模型,选择Patchwise-grid和Patchwise-crop两种训练方法,其中Patchwise-grid是将图像分割成数个网络分析,Patchwise-crop是分析图像中随机裁剪的斑块.使用3折交叉验证方法,在训练集和测试集上,通过训练轮次的增加,得到损失函数、dice系数、dice交叉熵的反映值,最终训练确定使用Patch-wise-crop方法.结果 构建的自动分割模型的3折交叉验证模型性能dice系数分别为0.8868,0.8726,0.8868;dice交叉熵结果分别为0.1803,0.1902,0.1803,结果优于其他方法.结论 使用注意力机制U-Net网络架构算法有效实现了对肾、肾肿瘤区域的自动分割,为肾肿瘤的影像学辅助诊断提供技术支持.

行人属性通常指的是行人的一些可被观察到的外部特征,如性别、年龄、服饰、携带品等.作为行人外部的软生物特征,行人属性对于行人检测和再识别是非常重要的,并且在智能视频监控场景和基于视频的商业智能应用中显示出巨大的潜力.在目前的行人属性多标签分类识别中,主要有基于手工设计特征的方法和基于深度学习的方法.然而,手工设计特征的方法难以应对复杂的真实视频监控场景,在实际应用中取得的效果并不是很理想.采用深度卷积网络模型,包含3个卷积层和2个全连接层,使用Sigmoid交叉熵损失函数,训练平台为Caffe深度学习框架,通过在包含19 000张行人图片的PETA数据集上对10种行人属性进行训练和测试,得到85.2％的平均识别精度.加入正样本比例指数因子改进损失函数后,平均识别精度达到89.2％,使网络性能有明显的提高.

树木年轮学的研究需要统计树龄和测量轮宽,由此推算环境变换和树木生长信息,因此准确提取年轮特征信息至关重要.精准识别出年轮图像中的早材、晚材和树皮是实现自动化测量年轮参数的首要工作.树木年轮的生长过程中存在年轮的早材和晚材间边界过渡模糊、节疤和伪年轮等现象,且年轮圆盘在砍伐和采集过程中表面会存在毛刺和噪声点,使用传统的图像分割算法难以得到理想的效果.本文结合深度神经网络的特点,针对年轮图像的分割问题,构建了基于U-Net卷积神经网络的年轮图像语义分割模型.首先,对采集的100张年轮圆盘图像进行标注,并通过旋转、透视和图像变形等方式做数据增强,生成20000张数据集,随机选择其中16000张作为训练数据集,4000张作为测试数据集.其次,根据图像数据集的特征,利用Tensorflow深度学习框架,设计构建基于U-Net卷积神经网络的年轮圆盘图像分割网络.然后,将训练样本输送进网络,设置优化训练参数,对年轮图像分割网络进行迭代训练,直至评价指标和损失函数不再变化.最后,用训练好的模型对测试集样本进行分割,并进行分割指标评估.结果 表明:该算法可有效避免毛刺、锯痕和节疤等因素的影响,完整地分割出年轮的晚材和树皮区域,在4000张测试数据集上分割的平均准确率达到96.51％,平均区域重合度达到82.30％.与传统图像处理算法相比,本文所采用的基于U-Net卷积神经网络的年轮图像分割算法,能够达到更好的分割效果,同时具有更强的泛化能力和鲁棒性.

头颈部肿瘤放射治疗危及器官的准确勾画是放疗计划的关键步骤,然而头颈部放疗危及器官的精确分割挑战性很大,目前临床医生手动勾画危及器官非常繁琐、耗时且缺乏一致性.提出基于3D深度残差全卷积网络的头颈部肿瘤放疗危及器官自动分割方法,通过改进的V-Net网络分割模型,有效地结合危及器官CT影像的深层特征和浅层特征,同时根据特别设计的端到端监督学习确定危及器官分割模型参数.为了解决小器官类分布极不平衡问题,提出利用器官位置先验约束采样区域与随机采样相结合的训练样本选择策略,同时采用Dice损失函数对网络进行训练.该策略不仅可加速训练过程,提升分割性能,而且可保证小器官的分割准确率.该方法在2015年MICCAI头颈自动分割挑战赛数据集PDDCA上验证,各器官分割的Dice系数平均值分别为:颌下骨0.945、左腮腺0.884、右腮腺0.882、脑干0.863、左颌下腺0.825、右颌下腺0.842、左视神经0.807、右视神经0.847、视交叉0.583.大多数器官的95％ Hausdorff距离小于3 mm,所有器官的勾画平均距离均小于1.2 mm.实验结果表明,该方法在除脑干以外的危及器官分割中性能比其他对比方法更优.

肺癌一直是严重威胁人类健康的疾病之一,肺结节作为早期肺癌的一个重要征象,在肺癌的早期诊断与治疗中具有重要的意义.传统的CT影像肺结节检测方法不仅步骤繁琐、处理速度慢,而且对于结节的检出率及定位精度都亟待提高.提出一种基于非对称卷积核YOLO V2网络的CT影像肺结节检测方法:首先将连续的CT序列叠加构造为伪彩色数据集,以增强病变和健康组织的差异;然后将含有非对称卷积核的inception V3模块引入到YOLO V2网络中,构造出一种适用于肺结节检测的深度网络,一方面利用YOLO V2网络在目标检测上的优势,另一方面通过inception V3模块在网络的宽度与深度上进行扩增,以提取更加丰富的特征;为进一步提高结节的定位精度,对损失函数的设计与计算方法也进行一定的改进.为验证所提检测模型的性能,从LIDC-IDRI数据集中选取1 010个病例的CT图像用于训练和测试,在大于3 mm的肺结节中,检测敏感度为94.25％,假阳性率为8.50％.实验表明,所提出的肺结节检测方法不仅可以简化肺部CT图像的处理过程,而且在结节检测率及定位精度方面均优于传统方法,可为肺结节检测提供一种新思路.

研究我国人工智能医疗行业的治理措施,为我国人工智能医疗的发展提供参考.本文从人工智能医疗行业参与者包括政府、人工智能医疗企业、医疗机构不同的角度,构建决策模型和对我国人工智能医疗行业各参与者的治理决策进行分析,构建行业治理框架.人工智能医疗行业各参与者的治理决策之间存在相互联系.人工智能医疗行业要快速发展,需要重视治理机制的设计,协调行业各参与者之间的利益.