目的 探索一种在小数据量条件下提高医学诊断神经网络模型准确率和泛化能力的方法,解决在指甲病图像计算机辅助诊断中由于训练数据量小而导致神经网络模型性能不佳的问题.方法 提出融合实例分割与细粒度特征分类的双模型策略,采用第一届全国数字健康创新应用大赛健康医疗大数据主题赛基于图像的指甲病智能诊断模型任务数据集训练基于双模型策略的神经网络模型,该任务数据集涵盖甲母痣、甲沟炎、银屑病甲、甲真菌病、甲下出血、甲黑线、甲周疣、甲黑素瘤8类指甲病,各类别不平衡.评估双模型策略的诊断性能,并与相同软、硬件训练条件下单模型策略[图像分类模型(ResNet50、Swin Transformer)和基于快速区域卷积神经网络(Faster R-CNN)的目标检测模型]进行比较.结果 纳入任务数据集包括甲母痣210例、甲沟炎186例、银屑病甲69例、甲真菌病203例、甲下出血149例、甲黑线71例、甲周疣93例、甲黑素瘤67例共1 048例样本,其中90％的样本用于训练不同策略的模型,10％用于评估模型.基于ResNet50的图像分类模型的micro F1值为0.324,基于Swin Transformer的图像分类模型为0.381,基于Faster R-CNN的目标检测模型为0.572,基于双模型策略的Mask R-CNN+Swin Transformer模型为0.714.双模型策略预测各指甲病的准确度为甲母痣80.95％(17/21)、甲沟炎89.47％(17/19)、银屑病甲100.00％(7/7)、甲真菌病70.00％(14/20)、甲下出血73.33％(11/15)、甲黑线14.29％(1/7)、甲周疣55.56％(5/9)、甲黑素瘤42.86％(3/7).双模型策略在该任务1 000例测试集中的micro F1值为0.844.结论 双模型策略可以有效结合功能不同的模型,更好地完成小数据量训练条件下的指甲病图像智能诊断任务.

脑小血管病（cerebral small vessel disease, CSVD）是一组累及穿支小动脉、毛细血管和小静脉的脑血管系统疾病症候群。由于CSVD在老年人群中发病率高且危害大，尽早识别与诊断疾病就显得尤为重要。随着人工智能技术的发展，包括机器学习、深度学习、计算机神经网络等人工智能技术被越来越多地应用于医学领域。文章综述了近年来人工智能技术在CSVD影像学标志物和血液标志物评价方面的应用。

目的:探讨基于生成对抗网络重建PET图像在改善儿童低剂量 18F-FDG PET图像质量及病灶检出中的价值。 方法:回顾性分析2021年8月至2021年12月于首都医科大学附属北京友谊医院行 18F-FDG全身PET/CT显像的61例患儿[男38例、女23例，年龄(4.0±3.5)岁]的PET图像，将所有患儿通过列表模式提取的低剂量扫描(30 s、20 s、10 s)图像输入生成对抗网络进行深度学习(DL)重建，获取相应模拟标准全剂量(DL-30 s、DL-20 s、DL-10 s)图像。测量标准全剂量120 s、30 s、20 s、10 s、DL-30 s、DL-20 s、DL-10 s图像的肝血池及原发病灶半定量参数，计算靶本比(TBR)、对比噪声比(CNR)及 CV。采用5分Likert量表对图像质量进行主观评分，对比各组图像阳性病灶检出情况，计算阳性病灶检出的灵敏度及阳性预测值。采用Mann-Whitney U检验、Kruskal-Wallis秩和检验及 χ2检验分析数据。 结果:30 s、20 s、10 s组图像CNR分别低于DL-30 s、DL-20 s、DL-10 s组( z值：-3.58、-3.20、-3.65，均 P<0.05)。DL-10 s组评分低于120 s、DL-30 s及DL-20 s组[4(3，4)、5(4，5)、4(4，5)、4(4，5)分； H＝97.70， P<0.001]；120 s、DL-30 s、DL-20 s及DL-10 s组图像的TBR、CNR、 CV、病灶及肝血池SUV max和SUV mean差异均无统计学意义( H值：0.00~6.76，均 P>0.05)。DL-30 s、DL-20 s、DL-10 s组图像阳性病灶检出的灵敏度分别为97.83%(225/230)、96.96%(223/230)和95.65%(220/230)，阳性预测值分别为96.57%(225/233)、93.70%(223/238)、84.94%(220/259)；DL-10 s组阳性预测值较低( χ2＝23.51， P<0.001)。DL-10 s组对不同部位阳性病灶检出的假阳性及假阴性病灶较多。 结论:基于生成对抗网络的DL-20 s组图像质量较高，能达到临床诊断要求。

目的:探讨基于 18F－FDG PET/CT影像组学特征的机器学习模型在胃癌(GC)和原发性胃淋巴瘤(PGL)的术前鉴别诊断中的价值。 方法:回顾性分析2012年1月至2020年12月于天津医科大学肿瘤医院术前行 18F－FDG PET/CT检查且经病理证实的155例GC患者[男104例、女51例，年龄(59.3±12.8)岁]和82例PGL患者[男40例、女42例，年龄(56.8±14.6)岁]，使用Python3.7.1软件将患者随机分为训练集和测试集。分别对PET和CT图像进行感兴趣体积(VOI)勾画，提取三维和二维影像组学特征。使用多层感知机(MLP)、支持向量机(SVM)2种机器学习模型分别对CT影像组学特征、PET影像组学特征和PET/CT影像组学特征进行学习，以鉴别GC和PGL。通过ROC曲线分析评估各模型的预测性能。 结果:训练集166例，测试集71例。基于PET/CT影像组学特征的SVM模型在GC和PGL的鉴别诊断方面(AUC＝0.88，95% CI：0.83~0.94)有优于MLP机器学习模型(AUC＝0.80，95% CI：0.73~0.87)的趋势( z＝1.15, P＝0.337)。基于PET/CT影像组学特征的SVM预测模型对2种疾病的预测效果优于单独CT影像组学特征模型(CT－SVM：AUC＝0.74，95% CI：0.67~0.81； z＝2.28， P＝0.022)。 结论:基于 18F－FDG PET/CT影像组学特征的机器学习模型有望成为GC和PGL患者术前无创且有效的鉴别诊断工具。

目的:观察分析基于深度学习的眼底图像视盘定位与分割方法的准确性。方法:在ORIGA数据集上训练和评估基于深度学习的视盘定位和分割方法。在深度学习的Caffe框架上构建深度卷积神经网络（CNN）。采用滑动窗口将ORIGA数据集的原图切割成许多小块图片，通过深度CNN判别各个小块图片是否包含完整视盘结构，从而找到视盘所在区域。为避免血管对视盘分割产生影响，在分割视盘边界之前去除视盘区域的血管。采用基于图像像素点分类的视盘分割深度网络，实现眼底图像视盘的分割。计算基于深度学习的眼底图像视盘定位与分割方法的准确性。定位准确率＝T/N，T代表视盘定位正确的眼底图像数量，N代表总共用于定位的眼底图像数量。采用重叠误差（overlap error）比较视盘分割结果与实际视盘边界的误差大小。结果:基于深度学习的眼底图像视盘定位方法其定位准确率为99.6%；视盘分割平均重叠误差为7.1%；对青光眼图像和正常图像的平均杯盘比的计算误差分别为0.066和0.049；每幅图像的视盘分割平均花费10 ms。结论:基于深度学习的眼底图像视盘定位方法能快速并准确地定位视盘区域，同时也能够较为精准地分割出视盘边界。

目的:研究快速、精确获取小鼠角膜神经三维(3D)图像及其参数的技术方案。方法:选取SPF级雌性C57BL/6小鼠4只，吸入过量乙醚麻醉后使小鼠安乐死，立即在解剖显微镜下获取具有完整角膜缘的角膜4个，经过常规固定、透膜和抗β-Ⅲ微管蛋白荧光抗体标记后整铺片处理。在高分辨率去卷积显微镜下采用科学互补性金属氧化物半导体探测器捕获图像，通过显微镜系统自携带图像处理软件对图像进行3D去卷积运算，Z轴数据平面投影以及自动拼接处理得到完整的角膜神经纤维3D图像。采用交互式显微图像分析软件Imaris的丝状追踪模块中的自动检测模式获得不同区域的角膜神经密度，采用自动路径模式手动指定计算起始点到终止点的神经纤维长度。结果:在去卷积显微镜60倍油镜下，可以观察到角膜缘处呈密集网络状的基质层神经纤维在角膜缘附近进入前弹力层，并发出密集的分枝，形成基底下神经丛。这些神经丛向角膜中心伸展形成密集的神经网络样结构，在角膜顶点汇聚成漩涡状结构。少部分神经纤维丛垂直进入上皮层，并发出许多微小的神经末梢分枝。采用Imaris软件丝状物追踪模块中的自动检测模式自动统计，发现角膜神经末梢密度从角膜缘的(2 488.88±282.84)μm/μm 2逐渐增多至角膜中央的(5 766.66±298.55)μm/μm 2；角膜基质神经纤维密度从角膜缘的(40.99±0.99)μm/μm 2递减至角膜中央的(34.57±1.28)μm/μm 2。通过自动路径模式手动测量发现，角膜缘处基质层神经纤维进入前弹力层约151 μm处开始分枝形成基底下神经丛。 结论:去卷积显微镜系统可以获得整个角膜神经纤维的3D分布，Imaris图像分析软件可以自动、快速统计待测区域角膜神经纤维的不同参数。

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

目的:探讨基于计算机深度学习经皮椎板间脊柱内镜下手术视野的多元素识别网络模型的研究及应用价值。方法:回顾性队列研究。纳入2021年9月—2022年3月徐州中心医院脊柱外科行经皮椎板间脊柱内镜下腰椎间盘切除术的腰椎间盘突出患者62例，其中男34例、女28例，年龄27~77（50.0±14.7）岁。收集患者内镜手术视频，选取4 840张经皮脊柱内镜手术视野图片（包含各种组织结构及手术器械）建立图片数据集，按照2∶1∶2分为训练集、验证集和测试集，开发8种基于实例分割的卷积神经网络模型（模型的分割头部分别为Solov2、CondInst、Mask R-CNN及Yolact，主干网络分别设置为ResNet101、ResNet50）。采用边框检测、轮廓分割的均值平均精度（mAP）及图像实时识别的每秒帧数（FPS）来衡量各模型对（神经、黄韧带、髓核等）解剖结构，以及（内镜钳、高速金刚石磨钻等）手术器械的分类、定位及图像实时识别的性能。结果:（1）8种卷积神经网络模型在图像边界框检测的精度方面由高到低依次为Mask R-CNN（ResNet101）、CondInst（ResNet101）、CondInst（ResNet50）、Mask R-CNN（ResNet50）、Yolact（ResNet101）、Yolact（ResNet50），其中，Mask R-CNN（ResNet101）模型精度最高（mAP=68.7%），Yolact（ResNet50）精度最低（mAP=49.7%）。（2）8种卷积神经网络模型在图像轮廓分割的精度方面由高到低依次Solov2（ResNet101）、Solov2（ResNet50）、Mask R-CNN（ResNet101）、CondInst（ResNet101）、Mask R-CNN（ResNet50）、CondInst（ResNet50）、Yolact（ResNet101）、Yolact（ResNet50）。其中，Solov2（ResNet101）精度最高（mAP=70.1%），Yolact（ResNet50）精度最低（mAP=55.2%）。（3）在图像实时识别方面，Yolact模型速度最快，其次为Solov2模型、Mask R-CNN模型，CondInst（ResNet101）速度最慢。结论:基于计算机深度学习的经皮椎板间脊柱内镜手术视野多元素识别模型可以实时识别和跟踪解剖组织及手术器械。其中，Mask R-CNN（ResNet101）模型可用作脊柱内镜操作虚拟教育工具，Solov2（ResNet101）模型可应用于脊柱内镜术中实时辅助系统。

目的:应用基于独立成分分析的动态功能连接（dFC）分析方法探讨神经精神性红斑狼疮（NPSLE）患者脑功能连接的动态特征异常及其与临床指标的相关性。方法:前瞻性收集2018年7月至2019年9月郑州大学第一附属医院确诊的NPSLE女性患者临床和影像资料，并记录患者的补体C3、C4、CH50水平、糖皮质激素泼尼松用量、疾病活动指数（SLEDAI）评分和损害指数（SDI）评分。同期收集年龄、性别相匹配的健康对照（HC）。所有被试均行静息态功能MRI（rs-fMRI）检查。使用GIFT软件对MRI数据进行空间组独立成分分析并挑选出29个独立成分（IC）作为内在连接网络；使用滑动时间窗技术进行dFC分析得到5个功能连接状态（state）及dFC指标（时间分数、平均停留时间、转换次数）。采用两独立样本 t检验计算不同状态内功能连接的组间差异，采用Mann-Whitney U检验计算dFC指标的组间差异，采用Spearman相关分析计算NPSLE组的dFC指标与临床资料的相关性。 结果:共入组45例NPSLE患者和35名HC，两组在年龄、受教育程度上差异均无统计学意义（ t=-0.327、-0.460， P>0.05）。在state4弱连接中，NPSLE组与HC组相比，时间分数增大，平均停留时间增多，差异均有统计学意义（ Z=-2.496、-2.462， P<0.05）；在state3强连接中，NPSLE组与HC组相比，小脑后叶脑区（IC39）与基底节脑区（IC10）之间功能连接（FC）增强（ t=-5.201， P<0.05），小脑后叶脑区（IC39）与颞叶脑区（IC5）、颞叶脑区（IC7）、顶上小叶脑区（IC65）（ t=4.212、5.572、4.415， P<0.05）、中央旁小叶脑区（IC12）与后扣带回脑区（IC15）之间FC减弱（ t=3.893， P<0.05）。NPSLE患者的SDI评分与state1、state3强连接状态的时间分数及平均停留时间均呈负相关（ P<0.05），SLEDAI评分与state1、state2强连接状态的时间分数、平均停留时间均呈负相关（ P<0.05），SDI及SLEDAI分别与state4弱连接状态的时间分数、平均停留时间均呈正相关（ P<0.05）。NPSLE患者的血清补体C3、C4、CH50水平分别与转换次数呈正相关（ r=0.428、0.354、0.385， P<0.05）；糖皮质激素泼尼松用量与转换次数呈负相关（ r=-0.466， P=0.001）。验证分析可有效重复实验结果。 结论:基于独立成分分析的dFC方法能够在更短的时间尺度上有效识别NPSLE患者脑功能连接的变化，为进一步探索NPSLE认知障碍的神经影像学机制提供新的视角。

目的:基于功能磁共振成像（functional magnetic resonance imaging，fMRI）数据构建深度学习分类模型，以辅助诊断双相障碍患者，并分析双相障碍关键影像学特征，提高双相障碍识别率。方法:收集符合 DSM-Ⅳ诊断标准的双相障碍患者146例（患者组）以及健康对照者234名（对照组），进行fMRI扫描。采用局部一致性（regional homogeneity，ReHo）和低频振幅2种方法分析fMRI数据。基于ReHo和低频振幅指标分别采用深度神经网络（deep neural networks，DNN）和双通道卷积神经网络（dual-channel convolution neural networks，DCNN）构建分类模型，并通过比较分类准确率、受试者工作特征曲线曲线下面积获得最佳分类模型；采用准确率较高的影像指标对基于自动解剖标记图谱（anatomical automatic labeling，AAL）的90个大脑区域使用支持向量机（support vector machine，SVM）算法构建基于单个脑区的分类模型，并通过比较准确率指标，识别双相障碍的关键影像学特征。结果:基于ReHo和低频振幅指标构建的DCNN分类模型的准确率分别为75.3%和72.6%，优于同指标下准确率分别为67.1%和65.1%的DNN分类模型，且使用ReHo指标构建的分类模型准确率相对优于低频振幅指标；同时基于SVM分类模型使用ReHo指标显示枕叶（枕中回、枕上回、舌回）、海马、丘脑等为识别双相障碍的关键脑区，且准确率均高于65.0%。结论:基于ReHo指标的DCNN分类模型可用于双相障碍的辅助诊断；同时枕叶、海马、丘脑可能是辅助识别双相障碍的关键影像学特征脑区。