目的:比较三种智慧放疗计划预测模型的精度与泛化鲁棒性，为模型选择提供依据。方法:收集45例前列腺癌和25例鼻咽癌临床放疗计划，运用Z、L、S模型预测前列腺癌中膀胱和直肠、鼻咽癌中左右腮腺的剂量体积直方图(DVH)。应用预测DVH与临床DVH曲线下面积的差别(|DVH 预测-DVH 临床|)评价预测误差，误差越小则预测精度越高。在单个危及器官(OAR)上比较3种预测模型的精度，并在不同OAR中计算各模型预测精度的标准差以评价和比较模型的泛化鲁棒性。 结果:对于膀胱和直肠，L模型的预测误差(0.114和0.163)显著大于Z和S模型(≤0.071， P<0.05)；对于左腮腺，S模型的预测误差(0.033)与Z和L模型相近(≤0.025， P>0.05)；对于右腮腺，S模型的预测误差(0.033)显著大于Z和L模型(≤0.028， P<0.05)。在不同OAR上，S模型的预测精度标准差比Z、L模型小(分别为0.016、0.018和0.060)。 结论:在前列腺癌膀胱和直肠的DVH预测中Z和S模型的精度较高，而在鼻咽癌左右腮腺中Z和L模型较高，在不同OAR上S模型的泛化鲁棒性相对较好。

目的 由于舌色标注样本中常常包含有错误标签,这些噪声样本会导致舌色分类性能不高、模型泛化能力差等问题.因此,需要建立自动舌色分类模型,提升有噪标注样本下舌色分类的准确率,促进中医(TCM)舌诊客观化研究.方法 从中医舌色分类的特点出发,提出了一种基于区域注意力机制的有噪样本下中医舌色分类方法.本方法的创新性包括两点:一方面,根据中医医生舌诊的习惯,提出了一种区域注意力机制,增强网络对于舌尖和舌两侧等舌色区域的特征提取能力,而抑制其他区域的特征;另一方面,针对噪声标注样本下的分类网络训练问题,设计了一种对称修正的交叉熵损失函数,用于对舌色分类网络进行优化训练,抑制噪声样本对分类性能的影响.结果 在3个自建中医舌色分类数据集上的分类结果显示,准确率分别达到了94.96%、93.36%和93.92%,mAP分别达到了94.53%、93.05%和93.38%,Macro-F1分别达到了94.67%、93.16%和92.43%.结论 设计的舌色分类方法能以较低的模型复杂度,显著提升分类精度,提升有噪声样本标注情况下的分类鲁棒性.

目的 采用基于深度学习的胃癌病理切片分割算法实现对癌症区域的识别.方法 以U-Net网络为基本架构设计更深层次的胃癌病理切片分割算法模型Deeper U-Net (DU-Net) .采用区域重叠分割法将数据集分割成若干小块图片, 然后利用预先训练好的DU-Net网络模型对分割的小图片块进行初次分割, 并使用图片分类器清除假阳性样本, 重新合成新样本.采用重复学习的方法使用新样本进行多次重复训练, 将得到的结果应用全连接条件随机场 (CRF) 进行后续处理.最终得到胃癌分割图片并验证结果.结果 经过3次重复学习后, DU-Net网络模型的平均精度为91.5％, 平均交叉联合度量 (IoU) 为88.4％;相比于未经重复学习的基础DU-Net模型, 其平均精度提升了5.6％, 平均IoU提升了2.9％.结论 基于深度学习的胃癌病理切片分割算法实现了精准的分割, 提高了模型的泛化能力和鲁棒性, 可用于辅助胃癌病理诊断.

患者头部姿态估计技术是神经外科手术机器人自主化与智能化感知的关键技术之一.本研究利用基于数据驱动的深度学习方法帮助神经外科手术机器人估算患者头部姿态,为神经外科手术的智能化打下基础.首先,建立患者头部姿态估计任务的基本数学关系;其次,给出一种高效、鲁棒的头部姿态标注方法,解决面部特征缺失情况下的2D头部图像姿态标注问题;之后,通过采集机器人视角下神经外科手术场景照片,构建共包含79个手术场景、合计4 301张照片的患者头部姿态估计数据集;最后,研究HopeNet深度神经网络在患者头部姿态估计问题上的适用性,并通过分布式标签、头部区域自适应裁剪、旋转数据增强以及新提出的旋转速率损失函数等方法提高模型性能.进行网络训练和评价,在包含10个手术场景、386张照片的同源测试集1上,基于单视角的姿态估计在偏航角、滚动角、俯仰角等3个方向平均可以达到±12.76°的预测误差;在8个手术场景、229张照片的异源测试集2上,在上述3个方向平均可以达到±13.41°的预测误差.结果表明,提出的模型能准确估计患者头部姿态,且提出的优化方法可以有效提升算法精度,并提高模型的泛化能力.