基于域自适应的眼底疾病检测算法与云端系统的设计与实现
这是一篇关于医学影像,光学相干断层扫描,卷积神经网络,域自适应目标检测,云平台,容器的论文, 主要内容为光学相干断层扫描(Optical Coherence Tomography,OCT)技术为眼科临床诊断提供了便捷、高效的方法,基于深度学习的OCT图像目标检测算法对眼底疾病的自动化辅助诊断起到了重要作用,是当前研究和应用的热点。在算法实际应用过程中,由于医疗资源地区差异性大,OCT设备的种类、型号不统一,而不同设备的图像风格不一,使得算法实际测试数据和模型训练数据存在较大的域偏移问题,极大的影响了检测精度。因此基于域自适应的眼底疾病检测算法对适应不同域的OCT图像并进行有效检测具有积极意义。本文针对OCT影像数据,首先提出基于注意力机制的Domain Adaptive Faster R-CNN(DAFasterR-CNN)域自适应眼底疾病检测模型,通过Faster R-CNN网络进行目标定位和检测训练,通过实例级与图片级的域自适应训练对源域数据和目标域数据进行特征迁移学习。将位置注意力模块(Position Attention Module,PAM)嵌入主干网络以提高目标检测的特征选择和表示能力,加深模型对于长距离信息的理解与提取;其次提出基于“分类别域对齐”思想改进实例级域自适应模块,增设对目标域的目标框进行分类与回归训练的全监督模式,并且设计了在目标框分类与回归阶段对每个不同的眼底病灶类别做单独的域对齐,进一步提高特征迁移的效果和病灶类别的区分能力。算法最终实现16种眼底疾病的域自适应检测功能。本文以人工智能影像分析的实际应用为落脚点,针对部分落后地区医院的医生诊断能力不强、数量不足的问题,提出了搭载人工智能算法的云端系统,实现医疗流程智能化、规范化。通过容器化技术Docker和容器编排平台(Kubernetes,K8s)将基于域自适应的眼底疾病检测算法应用在云平台进行统一的容器化部署与维护。通过跨平台桌面应用Electron-Vue和Spring-boot接口服务实现图像的远程上传功能,部署在云平台容器内的算法应用对图像进行自动化的分析处理与结果存储。本文在共计1590张二维OCT图像上进行算法的结果验证与性能评估,通过位置注意力机制和“分类别域对齐”思想改进后的最终方案在16种病灶类别精准度的平均值(mean Average Precision,mAP)上达到了 49.3%,优于 Faster R-CNN 网络的结果(30.5%),其中方案在玻璃膜疣(Drusen)的AP值上达到了 72.4%,高于Faster R-CNN网络的结果(52.9%);云端系统通过实例测试,不同功能模块的开发均达到了最初系统设计的目标和需求,具备良好的稳定性和易用性。
冠脉OCT图像自动分割及与IVUS图像融合研究
这是一篇关于斑块分割,深度学习,光学相干断层扫描,血管内超声,易损斑块判断的论文, 主要内容为心血管疾病是导致我国居民死亡的主要疾病,由冠状动脉硬化引起的冠状动脉疾病是最为常见是心血管疾病。冠状动脉的高质量成像技术有:血管内光学相干断层扫描(Intravascular Optical Coherence Tomography,IV-OCT)与血管内超声(Intravascular Ultrasound,IVUS),两者都可以有效识别冠脉血管管壁内的粥样硬化斑块等病变。两种成像方法各有优劣,IV-OCT的分辨率高但穿透性差,IVUS的穿透性强但分辨率低。如果能将这两种图像进行融合,将会结合两种成像方法的优势。现有的直接像素级融合方法生成的图像模糊,不能直接计算相关临床辅助指标,临床价值有限。本文研究基于斑块对齐的两种成像方法的融合方法,探索融合后图像的临床应用价值。冠状动脉两种成像方法都是为了识别各类病变斑块,因此图像中斑块的分割和斑块组分分类对于图像融合有重要参考意义。IVUS图像中斑块的分割可以由超声成像技术虚拟组织学-血管内超声(VH-IVUS)得到。IV-OCT图像中斑块的分割任务具有公开数据集缺乏、人工标注的标签数量偏少、临床获取的数据中无斑块图像占据大多数导致待处理的数据样本不均衡等问题,因此IV-OCT图像中斑块分割任务是本文研究的第一个重点问题。由于临床采集的IV-OCT图像序列中并不是每幅图像都含有斑块,为了使分割算法只应用到含斑块图像上,本文设计了一个斑块分割的三步框架:管腔分割、斑块分类和斑块组分分割。首先对IV-OCT的管腔进行分割,然后沿管腔轮廓裁剪出小图像,对小图像中斑块进行分类和归并,得到大图像是否含钙化或脂质斑块信息,最后对筛选出的含斑块图像进行分割得到各斑块组分的像素级分割结果。管腔分割任务中,本文采用了UNet网络;斑块分类任务中,本文将自注意力模块引入到Res Net网络中得到改进的SA-Res Net网络,提高了分类的准确率;最后,斑块组分分割任务中,本文将卷积自编码器与U-Net网络相结合得到改进的CAE-UNet网络,提高了分割的DICE值。在得到IV-OCT和IVUS图像中斑块组分分割结果后,本文设计了基于半自动配准方法的融合策略,以斑块对齐为基准对来自同一根冠脉的VH-IVUS与IV-OCT图像进行半自动配准,使得两种图像中的血管截面对齐,实现两种图像重叠区域的融合。从视觉效果看,两种图像上斑块区域在融合后可以有效对齐。临床上易损斑块的识别对于识别高危病人有重要意义。本文选取了26例医生诊断为冠心病的病人数据,把其中17例含有“不稳定心绞痛”症状的病人标记为含有易损斑块。应用有限元技术分别基于融合图像和VH-IVUS计算最大斑块结构应力。以每例病人是否含有易损斑块作为状态变量,把计算出的最大斑块结构应力作为检验变量,做ROC曲线分析。从AUC值统计结果可以看出,根据融合图像计算出的最大斑块结构应力临床参考价值更高。
基于域自适应的眼底疾病检测算法与云端系统的设计与实现
这是一篇关于医学影像,光学相干断层扫描,卷积神经网络,域自适应目标检测,云平台,容器的论文, 主要内容为光学相干断层扫描(Optical Coherence Tomography,OCT)技术为眼科临床诊断提供了便捷、高效的方法,基于深度学习的OCT图像目标检测算法对眼底疾病的自动化辅助诊断起到了重要作用,是当前研究和应用的热点。在算法实际应用过程中,由于医疗资源地区差异性大,OCT设备的种类、型号不统一,而不同设备的图像风格不一,使得算法实际测试数据和模型训练数据存在较大的域偏移问题,极大的影响了检测精度。因此基于域自适应的眼底疾病检测算法对适应不同域的OCT图像并进行有效检测具有积极意义。本文针对OCT影像数据,首先提出基于注意力机制的Domain Adaptive Faster R-CNN(DAFasterR-CNN)域自适应眼底疾病检测模型,通过Faster R-CNN网络进行目标定位和检测训练,通过实例级与图片级的域自适应训练对源域数据和目标域数据进行特征迁移学习。将位置注意力模块(Position Attention Module,PAM)嵌入主干网络以提高目标检测的特征选择和表示能力,加深模型对于长距离信息的理解与提取;其次提出基于“分类别域对齐”思想改进实例级域自适应模块,增设对目标域的目标框进行分类与回归训练的全监督模式,并且设计了在目标框分类与回归阶段对每个不同的眼底病灶类别做单独的域对齐,进一步提高特征迁移的效果和病灶类别的区分能力。算法最终实现16种眼底疾病的域自适应检测功能。本文以人工智能影像分析的实际应用为落脚点,针对部分落后地区医院的医生诊断能力不强、数量不足的问题,提出了搭载人工智能算法的云端系统,实现医疗流程智能化、规范化。通过容器化技术Docker和容器编排平台(Kubernetes,K8s)将基于域自适应的眼底疾病检测算法应用在云平台进行统一的容器化部署与维护。通过跨平台桌面应用Electron-Vue和Spring-boot接口服务实现图像的远程上传功能,部署在云平台容器内的算法应用对图像进行自动化的分析处理与结果存储。本文在共计1590张二维OCT图像上进行算法的结果验证与性能评估,通过位置注意力机制和“分类别域对齐”思想改进后的最终方案在16种病灶类别精准度的平均值(mean Average Precision,mAP)上达到了 49.3%,优于 Faster R-CNN 网络的结果(30.5%),其中方案在玻璃膜疣(Drusen)的AP值上达到了 72.4%,高于Faster R-CNN网络的结果(52.9%);云端系统通过实例测试,不同功能模块的开发均达到了最初系统设计的目标和需求,具备良好的稳定性和易用性。
冠脉OCT图像自动分割及与IVUS图像融合研究
这是一篇关于斑块分割,深度学习,光学相干断层扫描,血管内超声,易损斑块判断的论文, 主要内容为心血管疾病是导致我国居民死亡的主要疾病,由冠状动脉硬化引起的冠状动脉疾病是最为常见是心血管疾病。冠状动脉的高质量成像技术有:血管内光学相干断层扫描(Intravascular Optical Coherence Tomography,IV-OCT)与血管内超声(Intravascular Ultrasound,IVUS),两者都可以有效识别冠脉血管管壁内的粥样硬化斑块等病变。两种成像方法各有优劣,IV-OCT的分辨率高但穿透性差,IVUS的穿透性强但分辨率低。如果能将这两种图像进行融合,将会结合两种成像方法的优势。现有的直接像素级融合方法生成的图像模糊,不能直接计算相关临床辅助指标,临床价值有限。本文研究基于斑块对齐的两种成像方法的融合方法,探索融合后图像的临床应用价值。冠状动脉两种成像方法都是为了识别各类病变斑块,因此图像中斑块的分割和斑块组分分类对于图像融合有重要参考意义。IVUS图像中斑块的分割可以由超声成像技术虚拟组织学-血管内超声(VH-IVUS)得到。IV-OCT图像中斑块的分割任务具有公开数据集缺乏、人工标注的标签数量偏少、临床获取的数据中无斑块图像占据大多数导致待处理的数据样本不均衡等问题,因此IV-OCT图像中斑块分割任务是本文研究的第一个重点问题。由于临床采集的IV-OCT图像序列中并不是每幅图像都含有斑块,为了使分割算法只应用到含斑块图像上,本文设计了一个斑块分割的三步框架:管腔分割、斑块分类和斑块组分分割。首先对IV-OCT的管腔进行分割,然后沿管腔轮廓裁剪出小图像,对小图像中斑块进行分类和归并,得到大图像是否含钙化或脂质斑块信息,最后对筛选出的含斑块图像进行分割得到各斑块组分的像素级分割结果。管腔分割任务中,本文采用了UNet网络;斑块分类任务中,本文将自注意力模块引入到Res Net网络中得到改进的SA-Res Net网络,提高了分类的准确率;最后,斑块组分分割任务中,本文将卷积自编码器与U-Net网络相结合得到改进的CAE-UNet网络,提高了分割的DICE值。在得到IV-OCT和IVUS图像中斑块组分分割结果后,本文设计了基于半自动配准方法的融合策略,以斑块对齐为基准对来自同一根冠脉的VH-IVUS与IV-OCT图像进行半自动配准,使得两种图像中的血管截面对齐,实现两种图像重叠区域的融合。从视觉效果看,两种图像上斑块区域在融合后可以有效对齐。临床上易损斑块的识别对于识别高危病人有重要意义。本文选取了26例医生诊断为冠心病的病人数据,把其中17例含有“不稳定心绞痛”症状的病人标记为含有易损斑块。应用有限元技术分别基于融合图像和VH-IVUS计算最大斑块结构应力。以每例病人是否含有易损斑块作为状态变量,把计算出的最大斑块结构应力作为检验变量,做ROC曲线分析。从AUC值统计结果可以看出,根据融合图像计算出的最大斑块结构应力临床参考价值更高。
基于域自适应的眼底疾病检测算法与云端系统的设计与实现
这是一篇关于医学影像,光学相干断层扫描,卷积神经网络,域自适应目标检测,云平台,容器的论文, 主要内容为光学相干断层扫描(Optical Coherence Tomography,OCT)技术为眼科临床诊断提供了便捷、高效的方法,基于深度学习的OCT图像目标检测算法对眼底疾病的自动化辅助诊断起到了重要作用,是当前研究和应用的热点。在算法实际应用过程中,由于医疗资源地区差异性大,OCT设备的种类、型号不统一,而不同设备的图像风格不一,使得算法实际测试数据和模型训练数据存在较大的域偏移问题,极大的影响了检测精度。因此基于域自适应的眼底疾病检测算法对适应不同域的OCT图像并进行有效检测具有积极意义。本文针对OCT影像数据,首先提出基于注意力机制的Domain Adaptive Faster R-CNN(DAFasterR-CNN)域自适应眼底疾病检测模型,通过Faster R-CNN网络进行目标定位和检测训练,通过实例级与图片级的域自适应训练对源域数据和目标域数据进行特征迁移学习。将位置注意力模块(Position Attention Module,PAM)嵌入主干网络以提高目标检测的特征选择和表示能力,加深模型对于长距离信息的理解与提取;其次提出基于“分类别域对齐”思想改进实例级域自适应模块,增设对目标域的目标框进行分类与回归训练的全监督模式,并且设计了在目标框分类与回归阶段对每个不同的眼底病灶类别做单独的域对齐,进一步提高特征迁移的效果和病灶类别的区分能力。算法最终实现16种眼底疾病的域自适应检测功能。本文以人工智能影像分析的实际应用为落脚点,针对部分落后地区医院的医生诊断能力不强、数量不足的问题,提出了搭载人工智能算法的云端系统,实现医疗流程智能化、规范化。通过容器化技术Docker和容器编排平台(Kubernetes,K8s)将基于域自适应的眼底疾病检测算法应用在云平台进行统一的容器化部署与维护。通过跨平台桌面应用Electron-Vue和Spring-boot接口服务实现图像的远程上传功能,部署在云平台容器内的算法应用对图像进行自动化的分析处理与结果存储。本文在共计1590张二维OCT图像上进行算法的结果验证与性能评估,通过位置注意力机制和“分类别域对齐”思想改进后的最终方案在16种病灶类别精准度的平均值(mean Average Precision,mAP)上达到了 49.3%,优于 Faster R-CNN 网络的结果(30.5%),其中方案在玻璃膜疣(Drusen)的AP值上达到了 72.4%,高于Faster R-CNN网络的结果(52.9%);云端系统通过实例测试,不同功能模块的开发均达到了最初系统设计的目标和需求,具备良好的稳定性和易用性。
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：代码助手 ，原文地址：https://m.bishedaima.com/lunwen/50249.html
