目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

该文建立基于机器学习技术的准确预测川贝母商品规格的方法,并且对数据增强技术在药物分析领域的应用进行探讨.对30批样品的UPLC-QDA多通道叠加数据使用correlation optimized warping(COW)算法进行峰校正,并对数据进行归一化处理,通过聚类分析、主成分分析、相关性分析等非监督学习方法,掌握数据大致特点,然后使用逻辑回归算法对数据进行监督学习,并使用条件表格生成对抗网络(condition tabular generative adversarial networks,CTGAN)对应生成大量数据,与真实数据分别训练生成逻辑回归分类模型,并对这些模型进行评价.按照真实数据训练的逻辑回归模型交叉验证和测试集验证正确率分别为0.95和1.00,真实数据与CTGAN生成数据一起训练的逻辑回归模型交叉验证和测试集验证正确率分别为0.99和1.00.结果表明,机器学习可以准确地根据UPLC-QDA检测数据预测松贝、青贝和炉贝分类;CTGAN生成数据可以在一定程度上弥补药物分析中数据量不足的问题,提高机器学习模型的精度及预测的能力.

针对血管内超声 (IVUS) 图像中各类斑块、超声阴影和血管分支等造成内膜 (LU) 与中-外膜 (MA) 边界难以准确检测的问题, 提出一种结合堆叠沙漏网络 (SHGN) 和有条件生成对抗网络 (C-GAN) 的IVUS内膜与中-外膜检测的改进方法.首先根据血管形态特点, 使用旋转、缩放和Gamma变换等方法将图像训练集扩充57倍, 降低网络训练过拟合风险;然后利用对抗训练思想, 构建基于L1、L2重建损失的联合损失函数, 学习超声图像与其对应分割图像的映射关系, 将IVUS图像分割为3种不同区域:血管外周组织、斑块区域和内腔区域;最后在图像分割结果上, 采用阈值处理方法, 检测最终的内膜与中-外膜边界.采用国际标准IVUS图像数据集 (10位病人435幅) 评价所提出的算法.实验量化评价结果为:内膜计算面积交并比 (JM) 93％, 面积差异百分比 (PAD) 3％, Hausdorff距离 (HD) 0.19 mm;中-外膜JM 95％, PAD 3％, HD 0.16 mm.这些指标满足临床诊断要求, 性能优于现有的、近年较好的9种算法, 以及Pix2Pix模型.在临床实践应用分析中, 利用南部战区总医院心血管内科所收集的100幅IVUS图像进行检验, 取得较好的分割结果.这表明该方法具有较好的跨数据集泛化性能.

目的 利用计算机视觉算法自动生成各种类型的糖尿病视网膜病变(DR)眼底图像.方法 提出一种基于生成对抗网络(GAN)的眼底图像生成方法.该方法以眼底图像的血管脉络图像和病灶点的文字描述作为生成的约束条件,对文字使用长短记忆网络(LSTM)进行编码,血管脉络图像用卷积神经网络(CNN)进行编码,对二者信息合并,再使用生成对抗网络生成眼底图像.结果 模型生成的眼底图像中包含清晰的视盘、血管、黄斑等特征,但是由于文字编码的循环神经网络(RNN)损失函数不能很好地收敛,所以生成图像细节特征不明显.结论 使用GAN可以生成逼真的DR眼底图像,在扩充医疗数据方面具有一定的应用价值,但在小区域细节特征的生成方面仍需改进.

目的 提出一种对医学眼底图像中的血管部分进行准确分割的模型,避免传统医学图像处理算法严重依赖于人工设计的特征、特征的设计较复杂、模型的泛化能力较差等问题.方法 本研究中采用深度学习的算法实现医学图像中对眼底图像中血管部分的分割任务,提出了一种基于改进的条件生成对抗网络(cGAN)的血管分割算法,并在该任务中引入了多尺度的网络结构用于提取眼底图像中不同类型的血管.结果 该分割模型在特征比较明显的主血管部分和对比度较低、提取难度较大的血管分支上均能取得很好的效果,实现了眼底图像上血管的自动分割.在模型评估阶段,本研究中通过多个在医学图像分割领域中广泛应用的评价指标对本研究中设计的模型进行评估.在DRIVE数据集上的验证结果显示,特异度为0.9829,F1评分为0.7944,G-mean为0.8748,马修斯相关系数(MCC)为0.7764,在STARE数据集上特异度为0.9782,F1评分为0.7735,MCC为0.7573.结论 多通道cGAN相对于同任务的分割算法性能具有很大的提升,并在某些评价指标上能够接近医生分割的结果.

针对乳腺癌组织病理图像中各类样本的不均衡性,本研究构建了基于条件控制和深度卷积的两种乳腺癌组织病理图像样本生成对抗网络并生成人造样本,以实现样本均衡化.实验验证了两种网络用于数据均衡化的可靠性,发现在处理不均衡数据时基于深度卷积的生成对抗网络效果更好,基于条件控制的生成对抗网络鲁棒性更强;分析了增加人造样本对深度学习算法的影响.结果表明,本研究提出的数据均衡化方法将训练所得网络的分类准确率平均提升了近5％,生成对抗网络可以缓解深度学习在医学领域的应用中数据分布不平衡的问题.

目的:研究在完全无监督的条件下深度神经网络实现常规磁共振图像间相互转换的可行性.方法:在循环生成式对抗网络(CycleGAN)中引入感知损失,使网络利用对抗损失学习图像结构信息的同时,结合循环一致性损失和感知损失生成高质量的磁共振图像,并将生成图像与CycleGAN模型以及有监督的CycleGAN模型(S_CycleGAN)生成的图像进行定量比较.结果:引入感知损失后的网络生成的图像定量评估值均高于CycleGAN模型生成的图像,生成的T1加权图像(T1WI)的定量评估值也均高于S_CycleGAN模型生成的T1WI,生成的T2加权图像(T2WI)与S_CycleGAN模型生成的T2WI的定量评估值相似.结论:在CycleGAN中引入感知损失,可以在完全无监督的条件下生成高质量的磁共振图像,进而实现高质量的常规磁共振图像的相互转换.

肝脏计算机断层扫描成像(CT)的三维(3D)肝脏和肿瘤分割对于辅助医生的诊断及预后具有非常重要的临床价值.为了准确快速地分割肝脏及肿瘤区域,本文提出了一种基于条件生成对抗网络(cGAN)的肿瘤3D条件生成对抗分割网络(T3scGAN),同时采用了一个由粗到细的3D自动分割框架对肝脏及肿瘤区域实施精准分割.本文采用2017年肝脏和肿瘤分割挑战赛(LiTS)公开数据集中的130个病例进行训练、验证和测试T3scGAN模型.最终3D肝脏区域分割的验证集和测试集的平均戴斯(Dice)系数分别为0.963和0.961,而3D肿瘤区域分割的验证集和测试集的平均Dice系数分别为0.819和0.796.实验结果表明,提出的T3scGAN模型能够有效地分割3D肝脏及其肿瘤区域,因此能够更好地辅助医生进行肝脏肿瘤的精准诊断和治疗.

针对现有视网膜血管分割算法存在主血管末端易断裂、中心黄斑和视盘边界易误分割等问题,本文提出一种融合血管轮廓信息与条件生成对抗网络的视网膜血管分割算法.首先,采用非均匀光照移除和主成分分析处理眼底图像,增强血管与背景的对比度,并获得特征信息丰富的单尺度灰度图像.其次,将集成了带偏移量的深度可分离卷积和挤压激励(SE)模块的密集块同时运用到编码器和解码器,缓解梯度消失和梯度爆炸,同时使得网络专注于学习目标的特征信息.然后,引入轮廓损失函数,提升网络对血管信息和轮廓信息的辨识能力.最后,在DRIVE与STARE数据集上分别进行实验,受试者曲线值分别达到0.982 5和0.987 4,准确率分别达到0.967 7和0.975 6.实验结果表明,本文提出的算法能够准确辨别轮廓与血管,减少血管断裂,在临床眼科疾病诊断中具有一定的应用价值.

目的:为适应现代化饮片甄别的需求,克服传统人工经验方法主观性强而效率低的问题,探究机器视觉与深度学习方法在中药饮片智能甄别领域的可行性具有重要的研究意义.方法:构建包含60种11125张饮片的图像集,设计高低频特征学习的网络架构,即采用平行卷积网络获得低频特征和多尺度深度卷积核获得高频特征,并利用语义描述网络实现具备泛化能力的特征学习模式.研究将Wasserstein间距引入博弈生成对抗模型完成饮片甄别,在生成和判别网络中增加条件参数,使网络训练更可靠,同时提升识别精准度.结果:实验表明当训练样本与测试样本占比大于6∶4时,饮片识别准确度较为稳定;该文方法针对不同状态和环境下捕获的饮片图像,平均甄别精准度最能达85.9％,稳定度高,识别效果显著优于VGG-Net和AlexNet方法.结论:该文方法能够获得丰富而典型的饮片特征,所引入的沃瑟斯坦生成对抗神经网络(WGAN)模型和Wasserstein间距可使网络训练更可靠;所完成各种复杂环境下的中药饮片智能甄别准确度、鲁棒性和批量化效果好,为饮片分拣与质量量化甄别给出技术支撑.