基于双编码器的COVID-19肺部CT图像病灶区域分割方法研究

这是一篇关于新冠肺炎,语义分割,多尺度特征,Transformer,半监督的论文, 主要内容为新冠肺炎(Coronavirus Disease 2019,COVID-19)是一种由SARS-Co V-2病毒引起的急性呼吸道感染病,计算机断层扫描(Computed Tomography,CT)图像已经成为诊断和评估患者病情的重要工具。实现自动的从CT图像中分割出COVID-19病灶区域有助于提高诊断效率。目前相关研究中仍然存在着数据集噪声多、COVID-19病灶特征复杂以及带标注数据集规模小等问题,基于上述问题,本文进行了如下研究:(1)针对CT图像中存在大量噪声的问题,本文设计了CT图像肺部区域裁剪算法用于数据的预处理过程。该算法基于形态学方法进行设计,利用二值化、最大连通区域提取、二值图像细化、孔洞填充和开运算方法生成感兴趣区域的二值图,最后依据该二值图像中最大连通区域的外接矩形框对原始CT图像进行裁剪,得到感兴趣区域。实验结果表明,利用该算法进行预处理能够有效提升模型的分割性能。(2)针对COVID-19在肺部CT图像中的特征复杂性以及尺寸的多样性,本文基于U-Net的编解码结构设计了融合Transformer的多尺度病灶区域分割模型。模型中包含两个编码器:多尺度特征增强编码器和基于Transformer结构的编码器,其中多尺度特征增强编码器借助空洞卷积实现层内COVID-19病灶区域的多尺度特征提取,基于Transformer结构的编码器主要用于全局特征的提取,来弥补多尺度特征增强编码器的不足。对于输入CT图像两个编码器并行运行,分别进行特征编码。在解码器部分设计了特征融合模块将来自两个编码器的特征图融合,实现了两个编码器特征间的像素级的通信,充分利用局部以及全局特征信息实现CT图像中COVID-19病灶区域的分割。实验结果表明,本文提出的模型在二类分割数据集上的Dice和Io U评价指标上均取得了较好的结果,在多类分割任务中,m Dice和m Io U评价指标上也取得了较优的结果。(3)针对用于COVID-19病灶区域分割任务的数据集小的问题,本文设计了基于不确定性感知的半监督训练策略。以平均教师模型为基础,引入了偶然不确定性以及认知不确定性的估计,引导学生模型从教师模型的预测结果中更可靠的部分进行学习,通过学生模型的指数移动平均更新教师模型的参数从而提高教师模型的分割性能。经实验验证,该训练策略能够借助少量的带标注数据实现与全监督训练模型相当的分割结果。通过本文的方法可以在较少的带标注的训练数据基础上实现对CT图像中COVID-19病灶区域的精确分割,为临床治疗过程中监测COVID-19患者病情提供支持,更好地帮助医生快速做出诊疗决策。

基于深度学习的新冠肺炎胸片识别研究

这是一篇关于新冠肺炎,肺炎,深度学习,卷积神经网络,可解释性的论文, 主要内容为现在深度学习方法已经广泛应用于医学界的各种疾病检测中,为医学工作者带来了诸多便利。从2019年武汉新冠肺炎(COVID-19)疫情爆发至今,全国乃至全球人民都不可不避免地受到疫情的影响,为此各大医疗机构都加设了疫情专区,以便更有效、安全地服务患者。另外,新冠肺炎作为肺炎疾病的一种,在临床表现上有许多相似的地方,例如都会表现出咳嗽、呼吸困难等症状;在影像方面,无论是X射线检测影像还是CT影像,两者也有很多相似之处。因此理清两种肺炎的影像特征也成为了当下社会关心的问题。本文实验了一些知名的解决方案,可以快速区分出新冠肺炎胸片和正常胸片。我们还通过一些可解释性方法,可以更深入地了解与新冠肺炎病例相关的关键胸片影像因素,进而辅助临床医生筛查。本文工作可以加快开发用于检测COVID-19病例的高精度且实用的深度学习解决方案,可以加快识别有肺炎症状的病人。本文尝试了使用三种传统卷积神经网络模型(VGG、Res Net、Dense Net)和一种新的模型——孪生神经网络+SVDNet来检测新冠肺炎,将新模型的实验结果与现有的传统模型的实验结果进行对比分析。在与现有的成熟的神经网络模型做了对比之后,可以发现,孪生网络+SVDNet的准确率可以达到98.1%,可以实现高效、准确的COVID-19检测深度学习模型。另外,在图像分类领域,可解释性可以通过模型对图像中感兴趣的对象的定位程度来评估。本文在病灶区域的定位问题上采用了基于Score-CAM和基于Grad-CAM的方法,此方法可以产生对应的特征图,从而将肺部发生病变区域的特征以可视化的形式展现,结果发现这两种方法能定位一些典型病灶区域,但也存在一些定位偏差,这也为未来的工作指明了方向。之后我们在两种方法的实验结果中通过抽取样本来判断它们的准确程度,结果表明Score-CAM能明确定位61%左右的胸片样本的病灶特征,而Grad-CAM只有51%。我们还采用一种评估指标,即平均下降和平均增加(Average Drop/Average Increase)来评估Score-CAM和Grad-CAM这两种可解释性方法定位病灶的定位性能,可以发现Score-CAM有着较低的Average Drop和较高的Average Increase,定位性能更好。本文所实验的技术在医学影像检测领域,尤其是在肺部疾病检测中特别有前景,这有助于早期、快速且可靠地筛查COVID-19。

疫情背景下网络舆情事件的媒体议程设置研究——基于“江苏南京再现本土病例”的个案分析

这是一篇关于新冠肺炎,网络舆情事件,议题,属性,议程设置的论文, 主要内容为2019年底,新冠疫情爆发,至今仍在不断反复。疫情关乎着每一个个体的生命安全,因此某地再现病例便会受到大量关注和讨论。其中,媒体作为外部环境的观察者,承载着信息传播与舆论引导的重要职责。本文选择“江苏南京再现本土病例”作为研究个案,依据议程设置理论,采用文献研究、个案分析以及社会网络分析等方法,将爬虫系统抓取的310765条媒体报道作为研究样本进行分析。议程设置的核心部分是议题及属性,随着网络时代的发展,议题与属性之间的关联性也成为议程设置研究的重点。本文围绕以上三个要点对媒体议程设置展开研究。在研究媒体议题设置时,依据媒体报道的频次为衡量尺度来研究显著议题的分布及其重要性排序。在研究媒体属性设置时,主要对实质属性和情感属性设置展开研究。在研究媒体议题或属性关联性设置时,运用社会网络分析方法对媒体报道进行可视化呈现,从宏观角度分析媒体报道如何构建议题或属性之间的关联性。基于以上对舆情事件中媒体议程设置的研究,本文提出以下媒体在网络舆情事件中精准传播和舆论引导的策略。议题设置层面:1.借力权威信息源,扩大议题影响力;2.把握时效、巧用“时滞”,设置议题顺序。属性设置方面:1.强调意见领袖观点,深化实质属性;2.善用语言传递情感,善用故事凸显人文关怀。媒体议题或属性关联性层面:1.建构媒体话语体系,形成新的属性解读;2.注重属性精细加工,注意媒介议题和属性之间的逻辑性关联。本研究立足于疫情这一时代背景,以议程设置理论为参考,将媒体报道作为出发点和落脚点。旨在较为全面地为媒体在舆情事件中的精准传播和舆论引导指明方向,为媒体报道实践提供参考性思路。

基于多尺度融合的3D Attention U-Net新冠肺炎感染区域分割模型研究

这是一篇关于医学图像分割,新冠肺炎,U-Net,多尺度融合的论文, 主要内容为新型冠状病毒(COVID-19)由于极强的传播性,在世界范围内迅速蔓延,对公共卫生和人体健康造成重大影响。计算机断层扫描(Computed Tomography,CT)成像在COVID-19相关肺部病灶的检测与定位中起着关键作用,分割作为深度学习框架的一项基本而具有挑战性的任务,其中CT扫描中感染病灶的分割对于病灶定量和疾病进展审查至关重要,有助于准确诊断和随访评估。由于人工分割病变3D CT体积图像费时费力,且存在不同医护人员对病变区域的检查差异,因此在临床实践中,自动分割病变区域是非常必要的。从CT扫描中自动分割COVID-19肺炎病变具有挑战性。首先,感染病灶具有各种复杂的外观,如磨玻璃不透明(GGO)、网状、实变等。其次,肺炎病灶的大小和位置在不同的感染阶段和不同的患者之间有很大的差异。此外,病变形态不规则,边界模糊,部分病变模式如GGO与周围区域对比度较低。这些挑战不仅给病灶的自动分割带来了困难,也给获得准确的人工标注训练带来了阻碍。为此,本文提出了一种基于多尺度融合与注意力机制结合的深度学习算法,用于COVID-19肺部感染区域的自动分割。本文主要研究内容如下,提出将基于多尺度融合的3D U-Net肺部感染分割模型3D SE-Res Net用于精确地分割肺部背景、左肺、右肺、感染区域。首先,对数据集内原始图像进行灰度归一化和z-score标准化,并通过广泛的概率性数据增强,如空间、亮度和噪声等操作,实时产生独立的数据集供训练和测试使用。基于“U”型网络框架,引入门控注意力模块,抑制不重要的信息表达,强化对分割有用的信息表征;结合残差结构,利用通道注意力模块显著改善通道特征响应,加强通道间的相互依赖关系;为了弥补网络对低尺寸高纬度特征信息提取不足,使用级联特征金字塔结构,多尺度获取图像特征,并整合上下文信息。损失函数选择多分类交叉熵损失函数与处理体素不均衡Tversky损失函数相结合,监督网络训练进程。本文采用MA等人的公开数据集,该数据集包含了20张3D CT体素图像,并通过交叉验证来避免网络对小数据集训练的过拟合倾向。实验结果表明,基于多尺度融合3D U-Net感染区域分割网络在肺部图像分割中,对肺背景、左右肺、感染区域的平均Dice系数为99.76%、95.54%、77.24%,灵敏度分别为99.79%、96.28%、73.83%,特异性分别为97.82%、99.78%、99.85%。该算法在COVID-19胸部CT图像的自动分割中具有良好的性能。本研究推动了CT图像中COVID-19肺部感染的定量诊断,提供了一种有潜力的基于深度学习的分割工具。

新冠肺炎领域本体构建研究

这是一篇关于新冠肺炎,本体,CIDO,知识图谱,知识服务的论文, 主要内容为新型冠状病毒肺炎(Coronavirus Disease 2019,COVID-19)的大流行给人类带来了严重灾难,针对新型冠状病毒肺炎的科学研究也越来越多,相关数据以及对应的概念激增。面对新冠肺炎领域种类繁多的概念以及概念间复杂的关系,将新冠肺炎领域内的各类概念及关系有序地组织起来,并保证术语的可互操作性,成为了一个亟待解决的问题。本体最初是源于西方的一个哲学领域的概念,随着时代的发展,本体这个概念进入了信息科学领域,同时其含义也发生了改变,即本体是概念模型的明确的规范说明。领域本体是对领域中概念以及概念之间关系的描述,使得计算机能够理解语义信息,促进知识的组织和共享。目前,已经存在一些具有代表性的新冠肺炎相关本体,例如CIDO(The Coronavirus Infectious Disease Ontology,冠状病毒传染性疾病本体)、COVID-19Ontology(新冠肺炎领域本体)、IDO-COVID-19(The COVID-19 Infections Disease Ontology,新冠肺炎传染性疾病本体)。这些本体大多关注新冠肺炎相关的部分领域,在各自侧重的方向对新冠肺炎相关概念进行了梳理和组织,而在新冠肺炎症状、临床诊疗、治疗药物和预防等方面术语不足,对于概念间关系、实例关注不足。同时,现有新冠肺炎相关本体都采用英文术语表示,并不支持中文检索。本论文的目标是研究构建一个开放、全面、语义表达良好、支持中英双语检索的新冠肺炎领域本体,并使用构建完成的本体开展进一步的应用,促进新冠肺炎领域知识的组织和共享,提供全面、规范、多元的知识服务,完成的主要研究工作如下:1.调研当前生物医学领域本体构建的常用描述语言、原则、工具和方法,确定本研究适用的具体技术和技术路线。使用OWL DL(Web Ontology Language Description Logic,网络本体语言描述逻辑)作为本体描述语言,遵循OBO Foundry(The Open Biological and Biomedical Ontology Foundry,开放生物医学本体铸造工厂)本体开发原则和BFO(Basic Formal Ontology,基本形式化本体)本体设计通用原则,利用本体复用工具Onto Fox和本体编辑软件Protégé等工具,基于斯坦福发布的七步法,进行新冠肺炎领域本体的构建。2.根据前期调研确定的本体相关技术和技术路线,逐步构建新冠肺炎领域本体。通过文献调研了解国内外新冠肺炎领域本体现状,确定目标本体的覆盖范围。根据覆盖范围收集新冠肺炎领域本体的核心概念,选择顶层本体、可复用的生物医学领域本体以及其他新冠肺炎相关资源。选择的顶层本体为BFO,复用的本体包括OBO Foundry中的权威本体,包括CIDO、VO(Vaccine Ontology,疫苗本体)等,使用到的其他资源包括生物医学本体库Bio Portal、《新型冠状病毒肺炎诊疗方案(试行第八版)》等。使用Onto Fox截取复用本体中所需的内容,导入到Protégé进行编辑。以BFO作为本体的顶层框架,将收集到的新冠肺炎领域本体的核心概念加入到框架中。将从现有本体中复用的术语以及从其他资源中收集到的新冠肺炎相关知识进行筛选和组织,完成术语的编辑和定义,包括概念、概念间关系以及实例。最后使用本体推理机验证本体的术语一致性。3.完成新冠肺炎领域本体的构建。构建完成的新冠肺炎领域本体(CIDO-COVID-19)覆盖了新冠肺炎相关的疾病、诊断、病因、病毒、传播、症状、治疗、药物、预防等方面。目前,CIDO-COVID-19包含了10398个概念,461个关系术语,531个实例,相较于CIDO扩展增加了约2000个术语,丰富了新冠肺炎领域本体在临床诊疗方面的内容。在CIDO-COVID-19的基础上构建了CIDO-COVID-19中英双语版,能够支持中文、英文两种语言的检索。4.使用文献抽样调查法和专家问卷咨询法对CIDO-COVID-19进行评价。文献抽样显示CIDO-COVID-19本体术语在新冠肺炎相关文献中的覆盖率约为93.78%,表明本体具有较高的术语覆盖率。专家问卷咨询显示本研究的研究方法、本体构建过程和评价方法较为合理,本体框架设计具有共识性。5.基于CIDO-COVID-19开展应用验证。将CIDO-COVID-19应用于新冠肺炎知识图谱的构建,合作开发了一个新冠肺炎知识图谱原型系统,可以支持新冠肺炎领域知识的检索、溯源和可视化展示。

新冠疫情信息追踪及趋势预测系统的研究与实现

这是一篇关于新冠肺炎,B/S架构,Echarts,多源数据收集,SIR模型的论文, 主要内容为新型冠状病毒肺炎已在全球爆发并迅速蔓延,每日确诊病例呈指数型增长趋势,对人类社会产生严重影响,对新冠肺炎传播机制的研究已成为全球迫切关注的问题。新冠肺炎疫情期间,疫情数据成为民众关注的重点,涌现出大量信息追踪及预测应用,及时地向公众传达疫情的数量信息和时空分布及变化,帮助大众快速了解疫情当前状况、推断疫情发展趋势。本文从疫情数据可视化表达及信息预测的维度出发,采用多源数据获取及模型预测技术,综合新冠疫情数据的收集、提取、分析和预测等功能需求,研究并实现了新冠疫情信息追踪及趋势预测系统。本文系统由前台可视化模块及后台核心计算模块构成。前台可视化模块采用B/S架构,基于Echarts中间件技术,结合世界地图、中国地图、条形统计图、饼状统计图和曲线统计图等中间件设计实现,将后台核心计算模块得到的疫情数据进行可视化显示,直观反映出新冠疫情的实时信息及历史发展态势,并通过颜色差异化显示各地区疫情严重程度,给出指定时间域内国内各省的疫情发展趋势。后台核心计算模块包含多源数据收集及存储模块,历史数据的查询分析和趋势预测对比模块。多源数据收集及存储模块实时采集多个不同信息源的疫情数据,并对数据按时间戳规则进行时序清洗,规格化数据后进行分类存储。后台核心预测模块中,针对新冠疫情趋势预测方法进行深入研究,以湖北省真实数据集为依托,提出新冠疫情三假设条件模式下的SIR模型,预测新冠肺炎疫情各项数据指标发展趋势,并通过线性回归分析对数据进行差方求和处理,获取到平方和最小的匹配函数,从而解出最优的模型参数,进一步提高模型预测结果的准确性。测试结果表明,本系统具有较好的信息追踪实时性及较高的趋势预测准确性,为普通用户实时观测疫情、监管部门持续管控疫情提供支持,进而为控制疫情、研制疫苗争取更多时间。本文按照软件工程的设计开发流程进行撰写,从绪论、相关技术、系统需求分析和设计、关键技术、系统实现和测试等五个部分对系统进行详细的论述。

利用改进半监督学习从胸部X射线图像中自动检测新冠肺炎

这是一篇关于偏倚,胸部X光检查,新冠肺炎,FlexMatch,半监督深度学习的论文, 主要内容为Covid-19是一种致命的呼吸道病毒,对全球公共卫生系统造成了巨大压力。实时逆转录聚合酶链式反应(RT-PCR)检测是诊断和控制病毒最常用的工具,但它也有一系列技术上的难点导致我们急需一种更便宜、更快速的诊断方法。这些难点和挑战包括了检测的成本、准确率和时间投入,以及医护人员的疲劳和可能面临被感染的风险。深度学习已经成功地应用于从胸部X光图像中诊断Covid-19。本论文的工作旨在解决用胸部X射线图像开发自动新冠肺炎检测系统上限制深度学习全部潜力的问题。这些问题包括数据偏差、类别偏差以及深度学习模型中的过拟合和缺少标注数据。本论文强调了需要一些具有代表性的真实临床问题的数据,同时也强调了需要能从其他病毒性肺炎中区分新冠肺炎的必要性。本文主要贡献如下:(1)为了解决上述问题,本文提出了一种改进的半监督学习方法,该方法使用Res Net50和Flex Match算法,并且在四种类别的场景下开发了一个有效可靠的系统,该系统能够根据实际临床数据很好地诊断新冠肺炎。Flex Match算法是一种改进的Fix Match算法,应用了课程伪标记(CPL)技术,利用未标记的数据进行半监督学习,提高了模型的准确性和收敛性能。使用具有最小参数的Res Net50体系结构作为骨干模型。Res Net50由于其较少的参数所以可以有效地减少过拟合,同时也只需要更少的训练计算,并且还适合部署在计算资源有限的系统上。(2)本论文使用了两个开源数据集,一个数据已标记,另一个数据未标记。在分析它们如何构建以处理数据偏差问题后,便把任务作为多分类问题进行处理,具体涉及四种与肺部相关的状况(新冠肺炎、病毒性肺炎、肺不透明和正常),以区分新冠肺炎、病毒性肺炎和其他疾病类型,同时也解决了类别偏差问题。此外,使用数据增强技术处理数据集,我们解决了类不平衡的问题。(3)我们还对所提出的数据集进行了全面的实验,以验证假设:所提出的技术可以优于完全监督和固定阈值半监督学习方法,如Fix Match。所提出的模型已经在准备好的数据集上进行了训练和评估,其总体准确率为94.14%,其中Precision、Recall、F1得分和AUC分别为0.9559、0.9311、0.9428和0.9909。在将新冠肺炎与其他肺部疾病进行分类时的类别准确性方面,我们实现了96.0的准确率。结果表明,与后来的Fix Match算法和基于Res Net50的全监督方法相比,我们的方法性能更好。此外,我们将我们的技术与其他最先进的方法进行了对比,发现我们的方法在整体模型性能和新冠肺炎分类类别准确度方面都更为优越。总的来说,所提出的方法在根据实际临床数据诊断新冠肺炎方面表现出良好的性能,并有潜力进一步开发和应用于其他医疗诊断任务。

基于深度学习的肺炎影像分类算法研究

这是一篇关于新冠肺炎,肺炎检测,分类,注意力机制,RetinaNet,Faster RCNN的论文, 主要内容为近年以来,新冠肺炎疫情频频爆发,确诊人员剧增,需要一种能够快速检测分类新冠肺炎胸片的人工智能辅助诊断工具,用以向医生提出快速的、置信的诊疗建议。本文通过对目标检测以及现有的肺炎检测分类方法进行深度总结,分析相关的算法模型和理论知识,发现现有方法对于肺炎检测分类存在部分问题,如使用单层特征图对于小型肺炎病灶的检测不充分,部分单阶段检测器对于病灶的检测分类精度较低等问题。针对存在的各种问题,通过改进深度学习目标检测模型,使其更适合于新冠肺炎影像的检测分类工作,主要从以下几个方面进行研究:(1)在Faster RCNN的基础上进行改进,对backbone、neck、head进行改进。以Faster RCNN基线模型为基础,进行了消融实验,确定了效果最好的改进方法。通过将Res Net50作为backbone,同时使用注意力机制,在模型neck部分使用特征金字塔网络与Res Net50各层特征充分连接,通过提取多尺度特征和逐层连接的方式进一步提升特征提取能力。在网络head部分,使用更为精确的ROI Align,以规避特征丢失造成的误差。实验表明,改进的Faster RCNN可以很好的将肺炎病灶检测分类,并且对小型病灶区域的检测效果也比较好,能够很好的完成新冠肺炎影像的检测分类工作。(2)在Retina Net的基础上进行改进,通过对模型的backbone、neck进行改进。以Retina Net基线模型为基础,进行了消融实验,确定了效果最好的改进方法。在backbone部分使用注意力机制、可变形卷积方法,同时在模型的neck部分对Retina Net的特征金字塔网络进行调整,使用带有底层大尺度特征图的完整的FPN模块,以进一步提升特征提取能力。实验表明,改进的Retina Net能够很好的检测肺炎影像的病灶,在保持速度的基础上,也保证了检测分类的精度,能够很好的完成对新冠肺炎影像的检测分类工作。综上所述,本文对新冠肺炎影像的病灶区域进行检测,并对患病与否进行分类。改进了两阶段的Faster RCNN目标检测网络和一阶段的Retina Net目标检测网络。通过实验表明,改进后的模型对于肺炎图像的检测分类性能、精度、m AP都有所提升,效果更好。