肺癌的病理学图像在预后诊断中起着关键作用,然而,基于未标记像素级别图像进行的肺癌生存分析仍面临诸多挑战,已有的方法往往忽略了临床特征模态的信息、病理学图像块的位置信息以及病理学图像和自然图像的异质性等问题。为了克服这些挑战,提出了一种基于位置感知的多模态肺癌生存预测方法(PSMMSurv)。该方法通过多模态融合和多任务学习有效地利用了病理学图像与临床特征多模态信息。同时,提出的病理学图像特征学习网络可以通过相邻位置的信息交互实现位置感知。此外,通过自监督学习克服了数据异质性问题。在大型肺癌数据集上的实验结果表明,所提方法在C-index这一指标上优于目前已有的方法,能更准确地预测肺癌患者的生存情况,为更好的肺癌预后提供了可靠的支持。

在医学图像分割领域,下肢骨CT影像的噪声、伪影、对比度低等问题对图像分割的性能和效果提出了更高的要求。针对这一需求场景,提出了基于U-Net卷积神经网络模型,结合三维CT影像输入数据的特点,对分割算法进行针对性改进的图像分割模型,提高了分割的准确度。文中生成的模型基于U-Net卷积神经网络,通过多层卷积池化聚合,结合注意力机制和连续切片间的特征融合,充分挖掘影像中的特征和结构信息,实现了端到端的影像分割方法。基于积水潭医院下肢骨CT影像数据集进行验证,实验结果表明,该模型的平均交并比达到了84.959%,而其他模型的对应数值分别为78.604%(U-Net),80.481%(Nested U-Net),79.877%(Attention U-net),相比其他模型有显著的提高。

本文提出了一种新颖的深度学习模型——LST-ARBunet,以解决肺部计算机断层扫描(CT)图像中肺结节的精确分割问题。在肺结节检测领域,受结节尺寸微小、形态多样及与周围组织相似性高等因素影响,技术实现难度大。LST-ARBunet模型的主要创新在于在下采样的过程中融入Swin-Transformer结构在不同尺度上捕捉肺部影像的特征;对Swin-Transformer结构进行局部卷积前置和共享参数处理来降低模型参数量;在上采样的过程中加入自定义的注意力机制来捕获重要细节特征;并且使用残差瓶颈块(Inverted Residual Blocks)替换普通卷积,对模型进行轻量化。在公开肺结节CT数据集LIDC-IDRI上进行实验,LST-ARBunet展现出了一定的性能提升,交并比(Intersection over Union,IoU)为0.889,平均表面距离(Average Symmetric Surface Distance,ASSD)为1.453,Dice相似系数(Dice Score)为0.884,都超越了消融实验的模型以及ResUnet,PSPNet,DeepLabv3+模型。此外,LST-ARBunet在保持高分割精度的同时,还保持了相对合理的1.3 s推理时间,为临床应用提供了可行的效率平衡。本研究为肺结节分割提供了新的技术途径,未来工作将探索该模型在更多样化的临床数据集上的表现,进一步优化模型效率,并推进其在实际医疗环境中的部署与应用,为肺癌的早期检测与治疗提供强有力的支持。

肿瘤突变负荷与非小细胞肺癌的免疫治疗疗效呈正相关,在临床实践中一般通过全外显子组测序来测量肿瘤突变负荷。然而,全外显子组测序操作复杂耗时、价格昂贵,导致大多数医院无法使用。基于此,提出了一种成本低、周期短、准确率高的基于病理组织切片预测肺腺癌肿瘤突变负荷的深度学习模型DBFormer。首先,颜色反卷积结构将输入模型的数字病理图像的RGB和HED图像信息相结合,丰富输入的病理图像信息,使模型更加适合医学任务分类;其次,图像通过四层金字塔结构,每层都包括一个最大池化层和一个DBFormer块,最大池化层减小图像尺寸、提升特征矩阵维度,DBFormer块包含归一化层和双重路由注意力机制对图像进行特征提取和处理;最后,从公开数据集TCGA-LUAD中随机选取337张和200张肺癌组织病理图像,分别构建二分类和三分类数据集进行实验。在二分类数据集上DBFormer模型的AUC,F1-Score,Precision,Recall,分别达到了99.7%,97.3%,97.6%,97.2%;在三分类数据集上DBFormer的Accuracy,Precision,Recall,F1-Score分别达到了97.3%,97.0%,97.0%,97.1%。实验结果表明,DBFormer模型相较于经典深度学习模型,在基于数字病理图像预测肺腺癌肿瘤突变负荷任务上具有更加优异的性能。

针对畜禽疫病文本中特征项权重分配不准导致诊断准确率较低的问题,利用提出的TF-IIGM-NW(Term Frequency-Improved Inverse Gravity Moment With Normalization and Weighting)改进算法结合Word2vec词向量进行文本向量化表示。该方法在TF-IIGM(Term Frequency-Improved Inverse Gravity Moment)算法的基础之上,对其进行归一化处理并结合基于关键词抽取算法设定的规则,进一步提升文本内核心关键词权重,然后将其与结合Word2vec词向量获取的文本向量化表示结果输入支持向量机(Support Vector Machine,SVM)进行畜禽疫病诊断。为了验证算法的有效性,基于自建的羊疫病文本数据集,将改进算法与现有词向量常见处理方式进行对比分析。结果表明,基于TF-IIGM-NW算法的macro-F1值与micro-F1值分别达到96.73%,96.76%;与传统经典算法TF-IDF(Term Frequency-Inverse Document Frequency)相比,分别提升2.25%,2.26%;与TF-IIGM算法相比,分别提高0.90%,0.97%。改进算法能够有效提升疫病诊断性能。通过SVM在每类疫病上的实验结果分析表明,羊口疮疫病类别最易被错判。

针对脑出血CT图像处理中遇到的出血区域空间位置、形状、尺寸多变性以及与周围组织强度值相近导致边界难以确定等挑战,提出了一种改进TransUNet的图像分割模型(ESC-TransUNet)。该模型首先在上采样前增添了显式视觉中心(Explicit Visual Center,EVC),能够捕获图像中远距离像素的关联程度,并保留输入图像中局部边角区域的详细信息,有助于有效提取出血区域特征。其次,在编码器阶段引入了注意力混洗机制(Shuffle Attention,SA),有效地学习了出血区域与背景间的微小差异,从而提高了分割任务的精确度。最后,在解码器阶段采用CBM2结构促进信息更有效传递,增强模型泛化能力和准确性。在脑出血公开数据集Physionet(PHY) 上进行了大量实验,结果表明,所提方法超过了其他9种主要的分割方法,在脑出血CT图像分割任务中获得了更优异的性能。

近年来,基于局部窗口的Self-Attention机制在视觉分类任务中表现突出。然而,由于存在感受野有限和建模能力弱的问题,其在处理复杂数据时效果不佳。肺部CT图像中的特征复杂多样,包括结节的形状、大小、密度等,给深入挖掘数据中的深层次特征带来挑战。针对这些问题,文中提出了一个全新的双向多层级交互网络模型Bi-directional Multi-level Interaction Vision Transformer(Bi-MI ViT)。该网络通过双向多层级交互机制有效融合空间和通道信息,从而显著提升特征提取的准确性和全面性。在Transformer分支中,引入了高效的级联组注意力机制,旨在丰富注意力头特征的多样性,并增强模型对关键信息的捕捉能力。同时,在卷积神经网络(Convolutional Neural Networks,CNNs)分支中,通过设计DP block,并利用点卷积(Point-Wise Convolution,PW)和深度卷积(Depth-Wise Convolution,DW)深入挖掘局部信息,以优化模型的表达能力。此外,深度特征提取模块(Deep Feature Extraction,DFE)的建立增强了特征传播和复用,提高了数据利用效率,实现了实质性的性能改进。实验结果显示,在公开的COVID19-CT数据集和私有的LUAD-CT数据集上,所提算法优于对比的8种方法,实现了准确分类。

文中提出了一种通过增强图像编码和非对称卷积网络的心音分类算法。与传统的基于统计特征和时频域特征提取心音的方法不同,该算法通过引入分数阶傅里叶变换(FrFT)分别对格拉姆角场(GAF)、马尔可夫场(MTF)、递归图(RP) 3种图像编码方法进行增强,构成FrFT-GAF,FrFT-MTF,FrFT-RP图像编码模块。运用上述图像编码模块将一维心音信号转换为二维编码特征图,并利用计算机视觉技术在分类任务中的优势,采用非对称卷积网络(ACNet)对心音的二维编码特征图进行分析处理,从而实现对心音的有效分类。此外,还分别对上述图像编码模块的性能进行了评估和比较。实验结果表明,在心音二分类任务中,FrFT-RP模块的分类效果最好,在数据集1和数据集2(Physio Net/CinC 2016数据集)上的准确率分别为0.981和0.977,F1分别为0.989和0.974。FrFT-MTF和FrFT-GAF模块的效果次之。使用FrFT增强图像编码特征后较以往方法有明显提升,为心音信号分类提供了新的思路和方法,有望应用于先心病机器辅助诊断。

在生物医学领域,治疗肽作为传统抗生素药物的有效替代品,因其低毒性、高吸收率和高生物活性而被广泛应用于疾病治疗。然而,目前从深度学习的角度预测肽功能的研究还仍有较大改进空间。因此,基于公开的多功能治疗肽数据集,提出了一种基于投影剃度下降的多编码神经网络(PrMFTP-PGD)。首先,结合了多头注意力机制的多编码器提取输入向量的特征并获得较好的表示能力。然后,引入线性注意力机制进一步增强对特征的表示和提取能力。最后,通过投影梯度下降的对抗训练缓解多功能治疗肽数据集中固有的类不平衡问题。在独立测试集上与MPMAB,MLBP,PrMFTP,SP-RNN和ETFC方法进行比较,在精确率、覆盖率、准确率和绝对正确率指标中最大分别提升了2.55%,2.81%,2.59%和2.39%,结果表明,所提方法能够增强模型捕捉序列特征的能力,以更好地对多功能治疗肽进行预测。

随着城市生活节奏的不断加快,越来越多的人被心血管疾病所困扰。心电图作为诊断心脏病的关键手段,在面对日益增长的患者数量时,有限的医疗资源难以满足庞大的心电图判读需求。因此,如何利用计算机自动分类识别心电图成为了一个迫切的需求。文中基于安贞医院提供的临床数据集,经统计该数据集中存在着数据总量少、数据分布不均匀、部分数据未标注的问题。基于此,使用半监督学习方法对未标注数据进行标注,算法标注精度达到了91.4%。其次,使用迁移学习对模型进行训练,所用源数据集和目标数据集的MMD值为1.99,两者分布有着较高的相似度,与其他训练方法相比,该算法能够在数据总量较小且数据分布不均匀的数据集上取得较好的学习效果;在实际的门诊数据集上,该方法使模型的精确度达到了0.973,召回率达到了0.866,F1值达到了0.932,与不使用迁移学习相比,精确度提升了0.423,召回率提升了0.274,F1值提升了0.384。这一结果表明,该算法具有较好的泛化能力和适应性,可为临床实践提供有力的支持。