医疗器械影像数据增广是一种通过生成新的数据样本来扩展现有数据集的方法,对提高人工智能(AI)医疗器械相关模型性能和临床应用效果具有重要意义.传统的数据增广方法通常受限于生成样本质量、真实感和多样性.去噪扩散概率模型(DDPM)是一种基于噪声扩散过程的生成模型,其主要思想是通过将目标分布的采样过程建模为从噪声分布中逐步去噪的过程,从而生成具有高质量的样本.综述DDPM基本原理和工作机制,分析该方法在AI医疗器械数据增广中的应用场景,探讨其优势、挑战和未来发展方向,为AI医疗器械数据增广领域提供参考.

目的 探究人工智能医疗器械领域中使用循环生成对抗网络(Cycle-Consistent Generative Adversarial Networks,CycleGAN)和辅助分类生成对抗网络(Auxiliary Classification Generative Adversarial Network,ACGAN)进行数据增广的方法.方法 使用CycleGAN和ACGAN分别生成干扰图像和特定领域数据,对图像增加不规律的变换,对原始图像数据进行数据加工或应用生成对抗网络生成该领域所需的图像数据.结果 在医学影像数据集上评估了本文提出方法的性能,结果表明,CycleGAN和ACGAN可有效生成逼真的医学影像,从而用于训练机器学习模型.结论 该方法解决了人工智能领域图像数据不足的问题,保证了模型对该数据的不可见性,使后期模型评估结果更准确.

目的 为解决手指肌肉、肌腱组织结构复杂导致肌肉力真实值很难获取的问题,采用混合遗传算法求解手指肌肉力.方法 在分析手指解剖结构的基础上,基于生物力学原理,建立了手指肌肉、肌腱力和接触力的力学平衡方程,以最小化肌肉应力平方和为优化目标函数,利用遗传算法和增广拉格朗日乘子法相融合的混合遗传算法,采用典型对象的手指接触力测量数据为输入参数,优化计算求解手指的肌肉力.结果 有效求出了手指的各个肌肉力,优化计算结果与其它研究的结果较为吻合;随着手指关节角减小,FDP和FDS的数值增大,而LE、LU、UI、RI的数值随之减小,FDP、FDS、LE和RI+UI+LU在数值上约为外界接触力的0.7～3.7倍.结论 基于遗传算法和增广拉格朗日乘子法的混合优化算法,初始优化不依赖初值的选取,避免了经验取值,提高了算法的适用性.

针对目前的肺结节检测中存在的个体差异、同病异影、同影异病的问题,提出一种大样本条件下的基于Faster-RCNN的肺结节检测算法,对比研究目前的深度学习模型的适应性,给出一种通用的随着样本数量增加肺结节检测率持续提升的策略.首先搭建深度学习的软硬件环境,设置影像数据接口与Faster-RCNN的网络接口匹配;然后搭建Faster-RCNN的单类分类网络,并对网络结构的参数进行调整优化;最后用包含2 000例病人的肺结节数据集,通过不同的卷积神经网络模型(包括ZF和VGG),计算CT图像在各自模型中的特征.对测试结果进行分析评估,分别统计其漏检率、检测准确率,并探讨不同训练数量和数据增广类型对最终检测准确率的影响.最终ZF模型的检测准确率为90.82％,准确率的波动方差为13.30％;VGG模型的检测准确率为87.02％,准确率的波动方差为37.10％.ZF模型的波动方差小,检测精确度高,综合考虑,ZF模型对肺结节的检测效果优于VGG模型的检出效果.所提出的肺结节检测技术具有良好的理论价值和工程应用价值.

目的 探讨经济发展、空气污染与呼吸系统疾病负担之间的动态影响,为我国经济发展与居民健康水平的改善提供策略依据.方法 利用《中国统计年鉴》与全球疾病负担数据库数据,对1990-2017年呼吸系统疾病负担进行了描述性统计分析,对数据进行因子分析提取共同因子后,基于共同因子建立因子增广的向量自回归(FAVAR)模型.由于可获得反映经济发展情况与空气污染状况的时序变量数据区间为2003-2017年,因此构建的FAVAR模型的样本数据期间为2003-2017年,考察经济发展、空气污染与呼吸系统疾病负担的动态交互影响.采用Stata 13与EVIEWS 8.0软件进行数据计算.结果 我国气管、支气管和肺部癌症的伤残调整寿命年(DALYs)从1990年的502.3万人年增长到2017年的1 234.2万人年;哮喘、慢性阻塞性肺疾病与慢性呼吸道疾病DALYs呈下降趋势.进行因子的分析提取,结果显示,经济因子、污染因子和疾病因子对各自变量具有良好的解释作用.经济因子是污染因子与疾病因子的格兰杰原因,污染因子是疾病因子的格兰杰原因.经济因子对污染因子的冲击较为波动,1～6期冲击较小,7～8期为负向冲击,而8期后经济因子增长会对污染因子具有正向冲击.而经济因子对疾病因子在9期后有较大的正向冲击.污染因子在1～7期对疾病因子冲击较小,8～9期后对疾病因子具有负冲击,9期后有正向冲击.结论 政府需有效转变经济发展方式,推动经济和环境的协调发展,在发展经济的同时降低污染,最终提高人民的健康水平.

目的:探讨应用深度学习技术解决睑板腺腺体自动分割问题的效果与价值.方法:采集并筛选出193幅红外睑板腺图像构建图像数据库,由3名临床医师对图像进行人工标记;引入UNet++网络与自动数据增广策略构建睑板腺腺体自动分割模型,采用精确率、敏感性、特异性、准确率和交并比分析该模型的可行性与有效性.结果:以人工标注结果为金标准,基于UNet++的睑板腺腺体自动分割模型取得94.31％的准确率,敏感性、特异性分别为82.15％和96.13％,腺体分割表现具有较好的稳定性,模型处理单张图像的平均用时仅为0.11s.结论:引入深度学习技术实现睑板腺腺体的自动分割,具有良好的准确性、稳定性和高效性,可服务于睑板腺功能障碍患者腺体形态参数的计算,辅助相关疾病的临床诊断和筛查,提高诊断效率.

为了提高疼痛评估的快捷性、直观性、连续性、准确性,本研究建立了一种基于深度学习和面部表情图像的疼痛强度智能评估模型,为准确评估疼痛病情、适时调整治疗方案、实施有效镇痛措施提供补充依据.该方法采集7位志愿者在6种不同疼痛强度状态下的表情图片,通过预处理和数据增广形成数据库,设计深度卷积神经网络并进行训练,使用特征级差异进行面部疼痛表情分类.在JAFFE、CK+数据库上进行模型性能验证和评价.模型在训练集、测试集分类准确率分别达到98.15％、90.91％,训练速度19 ms/step.模型在JAFFE、CK+数据库上的验证效果良好.结果表明,该方法在疼痛表情识别中准确有效,评分结果具有显著性.

眼底血管在许多疾病的检测和诊断中含有丰富的信息,因此提高眼底血管分割精度对于多种疾病的诊断和临床研究具有重要意义.本文提出了一种基于小波变换和U-Net神经网络的眼底图像血管分割算法,该算法通过数据增广与预处理、小波系数图像获取、U-Net神经网络训练与预测、阈值分割与后处理等步骤完成眼底血管的分割.采用分割准确率、特异度、灵敏度与AUC等指标,对本文算法进行了性能分析.实验结果显示,本文提出的眼底图像血管分割算法能得到满意的分割结果,在中医现代目诊中具有潜在的应用价值.