目的:研究基于多任务学习轻量级卷积神经网络(MTLW-CNN)在肺部危及器官(OAR)自动分割中的应用。方法:MTLW-CNN包含多个特征共享层和OAR的对应勾画分支。收集497例肺癌病例，以同时包含肺、心脏和脊髓的CT及医生勾画的轮廓为样本，随机划分300例用于训练与验证，197例用于测试。在测试集应用MTLW-CNN计算OAR的戴斯相似性系数(DSC)，与Unet、DeepLabv3+的DSC、训练及测试时长、空间复杂度(S)进行对比。为研究多任务学习对模型泛化性能的影响，按照MTLW-CNN结构建立3个OAR的单任务学习模型(STLW-CNN)，使用相同数据训练与测试，统计并对比两者DSC。结果:MTLW-CNN的肺、心脏、脊髓DSC平均值分别为0.954、0.921、0.904。与Unet、DeepLabv3+的DSC差距<0.020，训练与测试时长是Unet、DeepLabv3+的1/3~1/30，S分别为Unet、DeepLabv3+的1/42、1/1220。STLW-CNN的肺、心脏DSC平均值、标准差与MTLW-CNN差距约为0.005、0.002，脊髓平均值相差0.001，但标准差却比MTLW-CNN高0.014。结论:MTLW-CNN以更小的时间、空间代价实现肺部OAR的高精度自动勾画，不仅可以提高模型应用效率，还有利于提高模型的泛化性能。

本研究目的是建立一个可家用的能直接显示龋病范围的深度学习分割模型。收集解放军总医院第一医学中心口腔科门诊2019年9月至2021年6月共494张用内窥镜采集的、含有龋齿的磨牙和前磨牙照片，由医师进行标注后用DeepLabv3+进行分割训练，随后进行验证和评估。建立的深度学习分割模型识别龋病的平均准确度为0.993，灵敏度为0.661，特异度为0.997，Dice系数为0.685，并交比（IoU）为0.529。本研究建立的深度学习分割模型可以识别并分割出龋病范围。

目的:研究基于不同感受野的鼻咽癌靶区和危及器官自动分割网络。方法:收集100例鼻咽癌患者放疗数据，包含患者CT图像和医生勾画的靶区(GTV)和危及器官。随机选取90例数据作为训练集，另10例作为验证集。首先对图像进行中心裁剪、随机垂直翻转和旋转(-30°～30°)数据增强方式，输入至本文提出的MA_net网络进行训练，通过网络参数、浮点运算数、运行内存和Dice系数评估该网络性能；最后将其与当前主流的分割网络DeeplabV3+、PSP_net、UNet++、U_Net比较。结果:当输入图像为240×240时，MA_net网络参数分别为4个网络的23.20%、20.10%、25.55%和27.11%；其浮点运算数分别为4个网络的50.02%、19.86%、6.37%和13.44%；其运行内存分别为4个网络的40.63%、23.60%、11.58%和14.99%；GTV的分割结果显示MA_net的Dice系数比4个网络分别高出1.16%、2.28%、1.27%和3.59%；GTV与危及器官的分割结果显示MA_net的平均Dice系数比4个网络分别高出0.16%、1.37%、0.30%和0.97%。结论:相比于上述4个网络，MA_net参数少、运算浮点数低、运行内存小且Dice系数有所提升。

目的:探索基于知识蒸馏算法训练构建的胎儿心脏超声图像分割网络模型在胎儿心脏超声图像三血管气管切面精细化分割中的应用价值。方法:回顾性收集2016年1月至2021年12月在浙江大学医学院附属邵逸夫医院接受胎儿心脏超声检查的正常中晚孕期胎儿1 300例，分析胎儿心脏超声三血管气管切面二维灰阶超声图像，将其分为训练集、验证集和测试集。应用训练集与验证集构建辅助诊断网络模型，再用测试集对不同网络模型(U-Net、DeepLabv3＋)进行测试，由一名有经验的医生收集并注释三血管气管切面作为参考标准。以交并比(IoU)、像素精度(PA)和骰子系数(Dice)为3个定量评估分割精度指标，评估该知识蒸馏算法训练模型的诊断效能。并对本模型及最常用的分割模型进行识别，对结果进行比较。随机选取101张图像，分别交由低年资医生、AI及低年资医生辅助AI判读，绘制Bland-Altman图像评价其分别与参考标准的一致性，并对三者结果进行比较。结果:知识蒸馏算法训练模型在所有评价指标上均取得了比U-Net、DeepLabv3＋模型更好的结果，平均IoU、PA、Dice分别为68.6%、81.4%、81.3%。与U-Net及DeepLabv3＋模型相比，本模型获得了更精确的分割边界，并且在定量评价指标上均有提高。经过该模型辅助，低年资医生对于诊断的精确度有所提高。结论:知识蒸馏算法训练模型分割方法可在胎儿心脏超声图像的三血管气管切面识别胎儿心脏的解剖结构，其识别结果明显优于相关方法，并可提高低年资医生对于其图像识别的准确度。

目的:将基于改进DeepLabV3+的图像语义分割算法应用到囊型肝包虫病超声图像处理中,实现肝包虫病病灶的自动分割与检测,提高临床诊断效率.方法:本研究采用了DeepLabV3+图像语义分割网络为基础方法,并对其进行了以下改进.首先,为解决DeepLabV3+图像语义分割方法计算复杂度高,内存消耗大,难以在计算能力有限的嵌入式平台上部署,在提取图像特征信息时难以充分利用多尺度信息等问题,以MobileNetV2替换模型的原主干网络Xception,获得轻量级的模型框架.其次,将高效通道注意力应用于底层特征,降低计算复杂度,提高目标边界的清晰度.最后,将Dice Loss引入模型中,缓解模型更关注背景区域,而忽略了包含目标的前景区域等问题.结果:在自建囊型肝包虫病VOC2007数据集5种病灶类型上进行验证,实验结果表明,改进模型的平均交并比和平均像素精度分别达到73.8%和83.5%,能够预测更精细的语义分割结果,有效地优化模型复杂度和分割精度.

目的 构建融合分区注意力的UNet(PA-UNet)模型,观察其分割MRI中的膝关节软骨的价值.方法 对来源于Osteoarthritis Initiative-Zuse Institute Berlin数据集的膝关节MRI进行切片及预处理,以UNet为骨干网络构建基于分区注意力机制的PA-UNet模型,通过主、客观评价比较该模型与其他模型分割股骨软骨及胫骨软骨的效果;分别以基于 UNet、基于 SE(第 2～4 层)的 UNet(UNet+SE)、+UNet、++UNet、+++UNet、+UNet+、++UNet++及 PA-UNet模型的消融实验观察各模型分割膝关节软骨的效果.结果 PA-UNet可准确分割低难度、中等难度及困难样本中的股骨及胫骨软骨,其分割细小结构效果优于SegNet、UNet及DeepLabv3+模型;其分割股骨软骨及胫骨软骨的戴斯相似系数(DSC)及交并比均高于、而豪斯多夫距离均低于UNet、DeepLabv3+、SA-UNet、RA UNet及SegNet模型.以PA-UNet模型分割股骨软骨及胫骨软骨的DSC分别为88.97％及82.72％,均高于UNet、UNet+SE、+UNet、++UNet、+++UNet、+UNet+及++UNet++模型.结论 PA-UNet可完整分割MRI中的膝关节软骨,尤其对细小结构的分割效果良好.

目的 构建多病种心脏磁共振成像(magnetic resonance imaging,MRI)跨设备智能分割算法,提升模型在多病种条件下、不同影像设备中的通用性.方法 利用MICCAI 2020公开的M&Ms Challenge心脏磁共振数据集(n=320)作为研究对象,针对现有分割模型因小样本数据训练导致泛化能力差的问题,提出不平衡相似度优化损失函数USOLoss,改进主流的UNet、DeepLabV3+、TransUNet算法,对不同病种(疾病组)和不同影像设备(设备组)的心脏磁共振成像进行分割,并进行内外部数据验证.结果 利用戴斯相似系数(Dice similarity cofficient,DSC)和豪斯多夫距离(Hausdorff distance,HD)评估模型的性能,其中疾病组模型最佳分割结果DSC为0.845(扩张型心肌病,n=20)、0.811(肥厚型心肌病,n=20)、0.833(健康受试者,n=20)和0.816(其他病种,n=0.62),HD为3.05、2.53、2.15和2.36 mm;设备组模型最佳分割结果DSC为0.830(飞利浦,n=20)、0.844(西门子、n=20)、0.843(佳能,n=20)和0.815(通用电气,n=50),HD指标分别为1.96、2.92、1.67和2.08 mm.与未使用构建算法的模型相比,使用USOLoss构建的模型各项测试结果均得到了提升(P＜0.05).结论 不平衡相似度优化损失函数全面提升了现有主流深度学习UNet、DeepLabV3+和TransUNet网络模型性能,降低了不同疾病类型和不同影像设备对分割性能的影响.

目的:构建基于DeeplabV3+网络的人工智能(AI)系统算法模型,提高眼干燥症诊疗效率.方法:收集某医院干眼门诊就诊患者的睑板腺图像,构建图像数据库,随机分配为训练集和验证集,投入模型训练,分析并验证其可行性和有效性.结果:在内部验证集,基于DeeplabV3+的算法模型对于睑板腺区域分割的准确率达95.65％,均交并比和Kappa系数分别为83.75％和92.96％.该算法分割出的萎缩区域,与临床医生分割结果相似.结论:DeeplabV3+网络模型能够实现眼干燥症患者睑板腺腺体的自动切分,可辅助相关疾病的临床诊断和筛查,提高诊断效率.

腹部计算机断层扫描(CT)图像背景复杂,且肾脏肿瘤存在形态各异、大小不一以及边缘不清晰等特点,直接对整个CT图像进行分割往往无法有效分割出肾肿瘤.针对这些问题,提出一种基于3D U-Net和DeepLabV3+级联的多尺度肾肿瘤分割网络,利用基于空洞卷积的多尺度特征金字塔自适应地控制网络的感受野范围,将高级语义特征和低级语义特征融合,有效改善大肿瘤的分割边缘同时提升小肿瘤的分割精度.采用Kits2019公开的210例CT数据进行五折交叉验证,并对从苏州科技城医院收集的30例CT数据进行独立测试.五折交叉验证实验获得的Dice系数为0.796 2±0.274 1,敏感度为0.824 5±0.276 3,精确度为0.805 1±0.284 0;在外部测试集上获得的Dice系数为0.8172±0.1100,敏感度为0.829 6±0.150 7,精确度为0.831 8±0.116 8,对比其他多种方法分割精度有较大提升.

目的:研究如何利用深度学习方法实现目像分割,为后期目像分类识别提供更为有效的图像预处理方法,推动中医目诊智能化发展.方法:将采集获取的目像数据利用数据增强方法实现数据集扩充,然后构建基于MobileNetV2优化的DeeplabV3+目像分割模型,模型训练时借助预训练模型实现迁移学习,最后采用Dice、MIoU度量指标以及模型参数量来综合评价模型及方法的有效性.结果:目像分割模型的Dice和MIoU分别为96.31％和95.85％,模型参数量仅为2714930.结论:基于MobileNetV2优化的DeeplabV3+构建目像分割模型,可实现目像精准分割,为中医目诊数字化研究提供了新方法.