针对病理数据超大尺寸、标注成本高昂等问题带来的病理分类准确率较低的问题,基于多示例网络,引入分级注意力模块,设计一种兼顾示例级和图像块级损失的病理分类算法.回顾性收集皖南医学院第一附属医院口腔颌面外科186例口腔癌(126例鳞癌、60例腺癌),其数字病理切片划分为验证集、测试集及训练集.首先对病理图像进行前后背景分割,去掉背景中的噪声部分,然后采用ResNet50对分割后的病理图像提取特征,并将特征输入第一级注意力网络,得到基于图像块的注意力得分和损失,再根据注意力得分对图像块进行排序重置标签输入第二级注意力网络,得到基于示例级别的损失,最后将两级注意力的损失作为模型的总损失,通过训练最终网络,得到口腔癌分类结果.实验结果表明,使用两级注意力的多示例网络准确率为78.95%,AUC为0.8430,相较于基线模型均有更高表现.

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39％,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.

提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

目的:探究卷积注意力模块（CBAM)与Unet不同融合路径对于急性胰腺炎患者增强CT图像中胰腺自动分割的有效性。方法:回顾性分析川北医学院附属医院2016年1月1日至2021年7月30日收治的1 158例急性胰腺炎患者，纳入首发急性胰腺炎患者141例，依据轻、中、重病例各随机选取5例共15例作为测试集，余下126例作为训练集，在训练集中再随机划分20%的数据作为验证集。以Dice相似系数、豪斯多夫距离（HD）和像素准确率（PA）作为评价指标，对CBAM与Unet网络的不同融合路径进行训练，取验证集表现最佳的模型，在训练集上评估其性能，并将其与Unet、在跳级连接部分加入了注意门注意力机制（AttentionUnet）、在Unet网络中用ResBolck替代原有的卷积模块（ResUnet）、在特征提取的跳级连接分支模块融入CBAM（ResUnet_CBAM）模型进行比较。结果:Unet_CBAM在训练集上取得的效果更好，Dice相似系数为80.06%，HD为3.765 9，PA为0.992 3，均优于其他融合路径，对急性胰腺炎患者CT图像中胰腺区域的分割效果均优于Unet及其相关的变体网络。结论:Unet网络在跳级连接后融入CBAM能够较好地对急性胰腺炎患者增强CT图像行胰腺分割，能有效地提升相关人员对急性胰腺炎患者增强CT图像进行胰腺分割的效率。

目的:应用深度学习神经网络高精度预测非小细胞肺癌(NSCLC)患者容积旋转调强放疗(VMAT)计划的剂量分布。方法:基于Res-Unet基础网络引入大核空洞卷积模块和多头注意力(MHA)机制构建了MHA-resunet网络。在此基础上，以随机数表法从上千例接受VMAT放疗NSCLC患者中选取151例患者，以CT图像、计划靶区(PTV)与危及器官(OARs)轮廓作为输入，以剂量分布图作为输出训练神经网络。然后将该网络的性能与常用的几种网络的性能进行比较，通过PTV与OARs内的体素级平均绝对误差(MAE)和临床剂量体积指标误差对网络性能进行评估。结果:基于MHA-resunet网络的预测剂量与真实计划剂量的平均绝对误差在靶区内为1.51 Gy，靶区的 D98、 D95误差均<1 Gy。与Res－Unet、Atten-Unet、DCNN 3种常用网络比较，MHA-resunet在靶区与除心脏外的OARs内的剂量误差均为最小。 结论:MHA-resunet网络通过提高感受野来学习靶区与危及器官的相对位置关系，能够准确地预测接受VMAT放疗的NSCLC患者的剂量分布。

目的:在U-net卷积神经网络基础上设计出混合注意力U-net (HA-U-net)网络用于全脑全脊髓临床靶体积(CTV)自动勾画，并与U-net自动分割模型分割结果进行比较。方法:研究回顾了110例全脑全脊髓患者数据，选择80例用于训练集，10例用于验证集，20例作为测试集。HA-U-net以U-net为基准网络，在U-net网络输入端加入双注意力模块，同时在跳跃连接中加入注意力门模块来建立全脑全脊髓CTV自动勾画网络模型。评估参数为戴斯相似性系数、豪斯多夫距离和精确率。结果:HA-U-net网络得到戴斯相似性系数为0.901±0.041，豪斯多夫距离为(2.77±0.29) mm，精确率为0.903±0.038，结果均优于U-net网络分割结果(均 P<0.05)。 结论:HA-U-net卷积神经网络可以有效提升全脑全脊髓CTV自动分割的精度，有助于医生提高工作效率与勾画一致性。

目的:开发一种多尺度融合与注意力机制结合的头颈部肿瘤放疗危及器官图像分割方法。方法:基于U-Net卷积神经网络，为增强分割模型的特征表达能力，将空间和通道注意力模块与U-Net模型相结合，提高与分割任务相关性更大的特征通道权重；在网络模型编码阶段引入本文提出的多尺度特征融合算法，补充模型下采样过程中损失的特征信息。使用戴斯相似性系数（DSC）和95%豪斯多夫距离（HD）作为不同深度学习模型之间比较的性能评估标准。结果:在医学图像计算和计算机辅助干预国际会议（MICCAI）StructSeg 2019数据集上进行头颈部22个危及器官的分割。相比于已有方法，本文提出的分割方法平均DSC提升了3%~6%，22种头颈部危及器官的分割平均DSC为78.90%，平均95%HD为6.23 mm。结论:基于多尺度融合和注意力机制的U-Net卷积神经网络对头颈部危及器官达到了更好的分割精度，有望在临床应用中提高医生的工作效率。

目的:探索基于深度学习方法自动分割彩色眼底图像上糖尿病患者视网膜渗出特征的可行性。方法:应用研究。基于印度糖尿病视网膜病变图像数据集（IDRID）模型的U型网络，将深度残差卷积引入到编码和解码阶段，使其能够有效提取渗出深度特征，解决过拟合和特征干扰问题，同时提升模型的特征表达能力和轻量化性能。此外，通过引入改进的上下文提取模块，使模型能捕捉更广泛的特征信息，增强对视网膜病灶的感知能力，尤其是提升捕捉微小细节和模糊边缘的能力。最后，引入卷积三重注意力机制，使模型能自动学习特征权重，关注重要特征，并从多个尺度提取有益信息。通过查准率、查全率、Dice系数、准确率和灵敏度来评估模型对彩色眼底图像上糖尿病患者自动视网膜渗出特征的检测与分割能力。结果:应用本文研究方法后，改进模型在IDRID数据集上的查准率、查全率、相似系数、准确率、灵敏度、分别达到81.56%、99.54%、69.32%、65.36%、78.33%。与原始模型相比，改进模型的查准率和Dice系数分别提升了2.35%和3.35%。结论:基于U型网络的分割方法能自动检测并分割出糖尿病患者眼底图像的视网膜渗出特征，对于辅助医生更准确地诊断疾病情况具有重要意义。

目的:开发一种基于三维Transformer的深度学习架构，用于肺癌调强放疗（IMRT）计划的剂量分布预测。方法:回顾性分析重庆大学附属肿瘤医院2020年1月—2022年12月间174例肺癌行IMRT患者的资料，设置训练、验证、测试集分别为116、29、29例。通过Swin Unet Transformer（Swin Unetr）模型进行三维剂量分布预测训练，该模型使用带位移窗口的Transformer模块编码器，输入包括CT图像、计划靶区（PTV）和危及器官轮廓图像、射束信息图像和靶区距离图像。使用平均绝对误差（MAE）、戴斯相似性系数（DSC）以及剂量体积直方图（DVH）剂量学参数来评估模型的性能，并与其他3种深度学习模型CGAN、ResSEUnet、ResUnet进行比较。结果:Swin Unetr预测与原临床计划的剂量分布的MAE为0.0143±0.0055，CGAN、ResSEUnet和ResUnet分别为0.0162±0.0055、0.0167±0.0063和0.0164±0.0057。Swin Unetr在各等剂量值均取得了最高的DSC值（>0.85）。剂量学参数方面，除PTV的D 2%和心脏的D mean以外，其余Swin Unetr预测与原临床计划的剂量学参数差异均无统计学意义（ P>0.05），且66.67%的总体剂量学参数和75%的PTV剂量学参数评估结果表现最佳。 结论:在多个剂量学评估指标上，Swin Unetr取得了最佳评分，在各等剂量值上取得最高DSC。Swin Unetr在肺癌IMRT三维剂量预测方面的准确性较以往模型有显著改进。