基于深度学习的CT图像肺结节自动检测系统
这是一篇关于肺结节检测,肺实质分割,深度学习,计算机辅助诊断,WEB服务的论文, 主要内容为肺结节是发现早期肺癌的关键线索。传统的肺结节检测往往基于阈值、聚类或模版匹配等算法完成,然而由于肺结节的相对尺寸小、特征不明显,因此传统的算法往往实现过程繁琐且准确率有限。近年来,随着计算机视觉的蓬勃发展,基于深度学习的肺结节检测方法不再需要人为设计特征,并且其准确性能得到大幅度提高,逐渐成为人们的优先选择。本文基于深度学习实现了肺结节在肺部CT图像中的自动检测算法。肺结节自动检测算法主要可以分为图像预处理和三阶段深度学习算法,通过将肺部CT图像进行图像增强和肺实质分割可以提高后续处理的准确性。肺结节自动检测三阶段算法分别为:1)肺结节候选区域提取算法,该算法由两种不同的模型组成:在Faster RCNN的基础上引入FPN并改进anchor设计方式的模型;在U-Net的基础上引入SE模块并加入残差连接的模型。在预测阶段两种改进模型的输出被合并以提升灵敏度。2)假阳性结节抑制算法,该算法以深层卷积神经网络为基础,分别采用三种特征提取加强模块:Res Ne Xt、Dense Net和Res2Net。最后采用载入了三种模块的网络加权投票的方法进行预测。3)肺结节精细分割算法,该算法以UNet++为主体,在编码端引入Res2Net模块以强化特征提取,在解码端嵌入sc SE模块,结合空间和通道信息恢复结节特征。在模型的预测阶段,将三阶段算法串联融合,可以实现端到端的预测。该模型在公开的LIDC-IDRI数据集上达到了94.1%的灵敏度和83.61%的分割Dice系数,验证了算法的有效性。同时,本文还以Vue和Spring boot框架为基础,将提出的肺结节自动检测模型部署到WEB端,响应了“互联网+医疗健康”的政策号召,实现了远程在线访问和使用,使得医疗资源匮乏的地区也可以享受便捷的在线计算机辅助诊断,造福肺癌早期患者。
基于深度学习的CT图像肺结节自动检测系统
这是一篇关于肺结节检测,肺实质分割,深度学习,计算机辅助诊断,WEB服务的论文, 主要内容为肺结节是发现早期肺癌的关键线索。传统的肺结节检测往往基于阈值、聚类或模版匹配等算法完成,然而由于肺结节的相对尺寸小、特征不明显,因此传统的算法往往实现过程繁琐且准确率有限。近年来,随着计算机视觉的蓬勃发展,基于深度学习的肺结节检测方法不再需要人为设计特征,并且其准确性能得到大幅度提高,逐渐成为人们的优先选择。本文基于深度学习实现了肺结节在肺部CT图像中的自动检测算法。肺结节自动检测算法主要可以分为图像预处理和三阶段深度学习算法,通过将肺部CT图像进行图像增强和肺实质分割可以提高后续处理的准确性。肺结节自动检测三阶段算法分别为:1)肺结节候选区域提取算法,该算法由两种不同的模型组成:在Faster RCNN的基础上引入FPN并改进anchor设计方式的模型;在U-Net的基础上引入SE模块并加入残差连接的模型。在预测阶段两种改进模型的输出被合并以提升灵敏度。2)假阳性结节抑制算法,该算法以深层卷积神经网络为基础,分别采用三种特征提取加强模块:Res Ne Xt、Dense Net和Res2Net。最后采用载入了三种模块的网络加权投票的方法进行预测。3)肺结节精细分割算法,该算法以UNet++为主体,在编码端引入Res2Net模块以强化特征提取,在解码端嵌入sc SE模块,结合空间和通道信息恢复结节特征。在模型的预测阶段,将三阶段算法串联融合,可以实现端到端的预测。该模型在公开的LIDC-IDRI数据集上达到了94.1%的灵敏度和83.61%的分割Dice系数,验证了算法的有效性。同时,本文还以Vue和Spring boot框架为基础,将提出的肺结节自动检测模型部署到WEB端,响应了“互联网+医疗健康”的政策号召,实现了远程在线访问和使用,使得医疗资源匮乏的地区也可以享受便捷的在线计算机辅助诊断,造福肺癌早期患者。
基于深度学习的阿尔茨海默症辅助诊断系统设计与实现
这是一篇关于阿尔茨海默症,深度学习,多模态融合,计算机辅助诊断的论文, 主要内容为阿尔茨海默症是一种不可逆转的神经退行性疾病,对患者和家庭都造成了巨大的痛苦和经济压力。由于该病的病情发生潜隐且病程长,患者出现明显症状时,往往已经到达了晚期,无法进行有效的治疗。近年来深度学习技术已广泛应用于神经影像分析,使用深度学习技术处理神经影像进行阿尔茨海默症分类已经成为一个重要的研究课题。基于此,本文构建了基于深度学习的阿尔茨海默症辅助诊断分类模型,实现了阿尔茨海默症辅助诊断系统,辅助阿尔茨海默症医生诊断,提高医生的工作效率,具有一定的实用价值。本文的主要工作如下:(1)针对目前阿尔茨海默症分类模型单模态数据提供的信息少和多模态数据特征融合不充分两个问题,本文提出基于Cross Attention的像素级特征融合方法,并在此基础上构建了阿尔茨海默症辅助诊断模型。首先,MP-CNN模型在特征提取阶段使用3D-ResNet10分别提取MRI图像特征和PET图像特征。其次,MP-CNN模型在多模态融合阶段分别使用三种不同的融合方法,包括特征融合、决策融合和像素级特征融合,并在ADNI公开数据集上进行二分类实验,选择最适合本文的多模态融合方法。最后,与其他学者提出的模型进行对比,并使用可视化算法输出模型特征,辅助验证模型的有效性。(2)在构建的阿尔茨海默症辅助诊断模型的基础上,为满足医生在诊断过程中的实际需求,本文基于Spring Boot框架设计并实现了阿尔茨海默症辅助诊断系统。首先,详细介绍了 AD-ADS系统的需求分析和概要设计。其次,进行详细设计并实现AD-ADS系统中个人信息管理、患者信息管理、病史管理、量表信息管理、图像管理和AD诊断管理共六个模块。最后,对系统各个模块进行详细的测试。本文的主要贡献是首先提出了基于Cross Attention的像素级特征融合方法,在此方法上构建了 MP-CNN模型,对该模型进行了基准模型对比实验,达到了阿尔茨海默症患者和正常对照组之间分类准确率为93.22%,相较于其他分类模型在大多数指标上均有一定的提升。此外,本文对模型的输出特征进行可视化,证明了模型的有效性;然后构建AD-ADS系统,实现了对阿尔茨海默症患者的全流程管理,能够辅助医生诊断阿尔茨海默症,具有诊断准确率较高和易用性较强的特点,拥有广阔的应用前景。
背景平衡优化方法在细粒度医学图像识别中的应用研究
这是一篇关于细粒度图像识别,计算机辅助诊断,医学图像分类,前背景不平衡,背景平衡优化,细粒度图像分割的论文, 主要内容为细粒度图像识别是计算机视觉领域的热门研究方向,由于皮肤疾病、胃肠道疾病等医学图像数据集具有典型的类间差异小类内差异大等细粒度特征,使得细粒度医学图像分类具有挑战性。近年来计算机辅助诊断发展迅速,这也为医学图像分类提出了新的要求,本文从细粒度图像分类的思路出发,做出了如下工作:1.背景平衡优化模式分析:在实验中发现细粒度图像分类研究广泛存在着前背景不平衡问题,产生前背景不平衡问题的根本原因为前景样例数与背景样例数的不对等,背景样例数往往远大于前景样例数。如针对CUB鸟类数据集使用Vi T作为基本分类网络能达到91.03%的准确率,当我们利用相应算法删除一部分背景就能将准确率提升至91.94%。本文的所有实验都是基于前背景不平衡问题进行。2.提出细粒度级自然图像背景平衡优化方法:由于在医学图像分类领域对于细粒度的研究较少,本文先在细粒度级自然数据集上验证所提出的想法,再应用于细粒度级医学图像数据集。在针对前背景不平衡问题基础上,本文提出了固定裁切、基于尺度归一化裁切和基于图像区域膨胀的背景平衡优化(Background Balance Optimization,BBO)算法等三种背景平衡优化方法来改善前背景不平衡问题。针对CUB鸟类数据集和Stanford Dogs狗类数据集,在Res Net与Vi T网络基础上使用本文提出的BBO算法均取得良好效果,证明本文方法在数据集与网络模型上具有泛化性。在CUB数据集使用基于BBO的Vi T网络基础分类准确率能达到91.94%,性能提升显著且优于当前主流分类模型。3.提出基于背景平衡优化的细粒度级医学图像分类方法:针对医学图像数据集的特殊性,本文提出了固定裁切、基于掩膜膨胀裁切和基于掩膜膨胀的BBO算法等三种背景平衡优化方法用于改善医学图像分类任务种前背景不平衡问题。针对ISIC皮肤病图像数据集与Kvasir胃肠道疾病数据集,对Res Net与Vi T等基础网络进行微调后,使用BBO算法均有一定的提升。同时本文也针对现有的主流医学分类模型进行了泛化性实验,在基于Nils等人针对ISIC2018模型基础上使用BBO能将准确率提升至86.67%。在基于Alxiang等人针对ISIC2019模型基础上使用BBO能将准确率提升至74.17%。4.提出基于背景平衡优化的细粒度级医学图像分割方法:针对现在医学图像研究主流的分割任务,本文也进了相关实验,针对现有的主流医学分割模型进行了泛化性实验,对于上下文编码器网络(CE-Net)本文使用BBO将雅卡尔指数(JA)提升至79.1%,对于基于边界感知的新型卷积网络(BA-Net)本文使用BBO将雅卡尔指数(JA)提升至81.2%,证明了本文提出的前背景不平衡理论与背景平衡优化算法在分割任务中同样适用,对于分割模型也具有泛化能力。
基于云计算的计算机辅助诊断及远程诊断平台研究
这是一篇关于远程诊断,计算机辅助诊断,人机智能融合,云计算,javaEE的论文, 主要内容为随着社会经济的快速发展,人们越来越关注自己的身体健康,希望能获得快捷完善的医疗服务。但是由于我国医疗资源分布非常不均衡,导致许多医疗条件落后的地区无法及时获得完善的医疗服务。而远程医疗的出现正好解决了这一难题。这种医疗模式借助于先进的信息技术、计算机网络通信技术、医疗设备等,突破了医疗资源的分布以及在时间和空间方面的诸多限制。但是由于我国人口基数大,疾病诊断需求巨大,而且医疗专家属于稀缺资源,所以传统的远程诊断不可能满足现有的需求,而且很多经济条件落后的地区并不具备实施远程诊断的条件。而基于影像的计算机辅助诊断(computer-aided diagnosis,CAD)技术可以帮助医生对影像进行分析诊断,提高阅片的效率和正确率。考虑到构建远程诊断平台需要安全高效的存储大量的医学影像数据等重要资料以及构建平台的成本问题,因此我们考虑运用云计算技术来构建远程诊断平台的数据储存层,用于存储数据。本文探索性的研究了基于云计算的计算机辅助诊断及远程诊断平台的构建。研究的主要内容及创新点如下:(1)远程诊断平台的存储架构创新的采用了集中式存储和HDFS分布存储相结合的混合存储架构,既满足了Web应用对于数据的实时性的要求,又满足了大量的医学影像数据需要安全可靠的存储的需求,同时还具有成本低、扩展性强等优点。(2)远程诊断平台的诊断模块采用了基于Multi-Agent的人机智能融合模型来改进的CAD方法,并且叙述了该融合模型的工作机制和实现流程[2]。(3)远程诊断平台的总体设计是基于javaEE技术,采用Spring与Mybatis相结合的框架,以该框架理论为基础构建一个包括视图层、服务层和数据库层的多层体系结构,并在此基础上开发一个集混合存储架构和智能CAD诊断功能为一体的远程Web诊断平台。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/46401.html
