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。

儿童发育性髋关节发育不良（developmental dysplasia of the hip，DDH）是导致髋关节骨关节炎和下肢残疾的重要原因，治疗难度和治疗效果与早期准确诊断密切相关。传统的诊断方法对尚未出现股骨头次级骨化中心者首选髋关节超声，对已出现者选择骨盆正位X线片；但两种方法均有赖于临床医生的手动测量与经验判断，耗时费力、可重复性差。人工智能技术与医学影像的有效整合可改善儿童DDH的诊疗现状，提升临床诊治效率。对4~6月龄内婴儿通过局部特征提取的分割算法、基于图像搜索的分割算法及深度学习网络等技术能够快速分析髋关节超声图像、测算DDH指标及辅助诊断DDH；对4~6月龄以上者利用骨边缘检测与模块匹配算法、深度迁移学习算法、同步挖掘局部及全局结构特征的卷积神经网络等技术自动识别骨性解剖关键点、计算髋关节参数及诊断儿童DDH。然而，由于技术所限及研究者认识不足，现有的儿童DDH辅助诊断工具在实际应用中面临着一些问题。通过文献检索从诊断可靠性及合理性等方面探讨儿童DDH人工智能影像学辅助诊断方法的研究进展，并为今后实现真正智能化的自动诊断工具提供研究思路。

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.

酶功能的识别对理解生命活动的机制、推进生命科学的发展有重要作用.然而现有的酶EC编号预测方法,并未充分利用蛋白质序列信息,在识别精度上仍有所不足.针对上述问题,本研究提出一种基于层级特征和全局特征的 EC 编号预测网络(EC number prediction network using hierarchical features and global features,ECPN-HFGF).该方法首先通过残差网络提取蛋白质序列通用特征,并通过层级特征提取模块和全局特征提取模块进一步提取蛋白质序列的层级特征和全局特征,之后结合两种特征信息的预测结果,采用多任务学习框架,实现酶EC编号的精确预测.计算实验结果表明,ECPN-HFGF方法在蛋白质序列EC编号预测任务上性能最佳,宏观F1值和微观F1值分别达到95.5％和99.0％.ECPN-HFGF方法能有效结合蛋白质序列的层级特征和全局特征,快速准确预测蛋白质序列EC编号,比当前常用方法预测精确度更高,能够为酶学研究和酶工程应用的发展提供一种高效的思路和方法.

针对视网膜图像末端微小血管对比度低、分割不精确问题,提出一种融合多层次残差与三空间注意力机制的U型网络用于视网膜眼底血管分割.该网络在编码部分为了减少图像特征的丢失,引入原始图像后添加多层次残差模块.此外,为防止网络深层产生梯度弥散与特征数据冗余问题,在残差模块中进一步加入批量归一化与Dropout功能.在解码部分,采用三空间注意力机制来赋予类原始图像、下采样图像和上采样图像特征不同的权重,以增强特征纹理和位置信息,并实现微小血管的精确分割.实验结果显示,在公开的彩色眼底图像数据集上,与现有算法相比,本文算法的准确率、特异性、灵敏度和AUC分别为0.985、0.991、0.829和0.985,与金标准分割结果进行对比得到的血管图具有重要的临床参考价值.

目的:分析评价一种新型语义网络分析模型SPReCHD：残差学习诊断系统模块（RLDS）和双路径链式多尺度门控轴心变压器网络模块（DPC-MSGATNet），在室间隔完整型肺动脉闭锁（PA/IVS）和危重肺动脉瓣狭窄（CPS）胎儿超声心动图四腔心视图数据集中评估右心发育不良程度分级的性能。方法:回顾性收集2017年6月至2022年12月青岛大学附属妇女儿童医院350例24~28周胎龄的PA/IVS和CPS胎儿的1650张单幅超声心动图四腔心视图建立实验数据集。根据右心发育不良程度对建立的SPReCHD模型进行训练、验证和测试，评估模型精确度、召回率及F1值等性能指标；与高级医师基于超声指标、右心室形态及出生结局等多维度信息对测试集做出的评估结果进行比较，采用Kappa检验观察评估的一致性。结果:SPReCHD模型在训练集、验证集及测试集对右心发育不良程度分级评估的精确度分别为93.82%、94.34%和94.68%，召回率分别为90.54%、91.38%和90.89%，F1值分别为92.10%、92.82%和92.67%。在测试集中，SPReCHD模型与高级儿童心血管医师评估结果一致性良好（Kappa值=0.724，P<0.001）。结论:SPReCHD模型在训练集、验证集及测试集对右心发育不良程度分级的评估性能优异。该模型对PA/IVS和CPS胎儿右心发育不良程度分级评估水平与高级医师评估结果一致性好，为进一步提出精准评估标准奠定基础。

皮肤癌是一种主要的癌症,在过去几十年中快速增长,早期发现可以极大提高治愈率.近年来,基于皮肤镜图像利用深度学习模型(尤其是各种卷积神经网络)对皮肤癌进行识别和分类获得了广泛应用.但是与传统的图像识别分类不同,皮肤病检测任务存在数据不平衡、类间差异性小以及皮损面积占比少等方面的挑战.为此,本研究提出一种基于双分支注意力卷积神经网络(DACNN)皮肤癌分类框架.在数据预处理阶段,根据更细粒度的皮肤病类别,对数据集进行分解,降低数据不平衡程度.从网络结构上,上分支网络利用注意力残差学习(ARL)模块有效提取潜在的病变区域特征,接着利用损伤定位网络(LLN)模块定位病变区域.对其裁剪放大输入由ARL构成的下分支网络,进行局部细节的特征提取,然后结合上下分支网络的特征,进行有效的识别.最后,为了进一步缓解数据不平衡问题,在训练阶段中采用加权损失函数.在包含10 015张皮肤镜图像数据集上,对所提出的DACNN模型与几种典型的皮肤病变检测框架进行了实验验证和比较.结果表明,DACNN皮肤癌变检测框架的Sensitivity、Accuracy和F1_score等性能指标分别达到了 0.922、0.942和0.933,与已有的递归注意力卷积神经网络模型RACNN相比,以上3个指标分别提升了 3.48％、2.95％和3.44％.总之,对于各类图像数不平衡,类间图像差异性小以及皮损面积占比少的皮肤镜图像而言,采用适当的类分解,以及双分支注意力神经网络结构首先对潜在的病变区域进行定位放大,然后进行局部细节的特征提取,能够极大的提高皮肤癌的检测准确度.

深度学习在医学图像分割领域取得了显著成果,但其在脑肿瘤分割任务中,仍面临感受野不足、冗余信息过多、信息丢失等问题;为此,本研究提出一种基于编-解码结构的脑肿瘤分割网络模型(EAU-Net).EAU-Net采用有效感受野拓展模块和注意力融合模块改善脑肿瘤分割网络感受野不足与冗余信息过多带来的不利影响;同时,引入基于倒残差结构的瓶颈重采样模块,有效避免上下采样时造成的信息损失,并采用深度卷积降低网络的计算量.在BraTS2020数据集上的实验结果表明,EAU-Net获得最优的分割精度,验证了其在脑肿瘤分割任务中的可行性和有效性.

目的:提出一种基于深度神经网络(DNN)重建欠采样MR图像的技术并验证其临床价值.方法:DNN模型的主体由残差卷积网络和保真网络两个模块构成,能够适应不同尺寸和不同分辨率的输入图像且有效学习图像中的噪声分布.收集符合MR扫描适应症的志愿者共 150 例,K空间满采图像和加速欠采样图像为一组随机扫描同一被试的头部、颈椎、腹部、盆腔和膝关节共 5 个部位的多种常规序列,共计 2437 组影像;其中,满采图像作为标签数据,无需额外标注.结果:将同部位不同序列及不同部位不同序列数据分别作为DNN模型的输入训练得到模型 1(当前序列除外的图像作为DNN模型输入)、模型 2(输入当前序列图像)、模型 3(当前部位图像除外)和模型 4(输入当前部位图像)的重建效果均很好(SSIM≥0.93,PSNR≥37.22).DNN模型重建图像的采集时间平均减少 16.2%,但CNR平均提升 8.5%,SNR提升 7.7%以上.此外,DNN重建图像具有同等甚至高于满采图像的质量.结论:DNN模型可重建高质量MR图像且具备高泛化性,帮助临床实现加速扫描.

目的 探讨以深度学习模型为基础的方法通过实现对临床常规T2WI图像自动估算患者身体质量指数(BMI)模型的可行性.方法 选取58例临床常规腹部MRI检查的T2WI图像集.对于每个多层的T2WI图像集逐层生成2D图像数据,最终生成1378个单层2D T2WI图像数据集.BMI估算模型由特征提取和数值估算两个功能模块组成,其中特征提取功能部分,使用深度残差网络(residual deep neural network,ResNet)为基础特征提取模块,结合线性全连接层实现BMI数值估算功能.数据随机分为训练集(57.00％)、验证集(14.00％)和测试集(29.00％),其中分组原则要满足测试集训练集和验证集的图像数据来源于不同的患者.以估算准确个数占比和均方根对数误差(RMSLE)为BMI估算模型性能的评价指标.结果 测试集中在误差冗余值(error redundancy,ER)为2.5时,BMI模型的估算准确个数占比为81.25％,均方根对数误差(RMSLE)为0.48％.结论 深度学习模型对临床常规T2WI图像自动估算患者BMI是可行的,通过腹部单层T2WI估算患者BMI值,提高了护士记录患者基本信息效率,可用于进一步分析并尝试应用于临床.