基于 3D FPN 的肺结节检测

肺癌早期发现与诊断对提高肺癌患者生存率至关重要。肺癌主要是由恶性肺结节造成的,通过肺结节早期检测与诊断能够及时发现病情,显著提高肺癌存活率。随着深度学习网络在医学辅助诊断领域应用的迅速发展,现已有很多深度网络被应用于肺结节检测。通过统计检测目标肺结节半径分布情况,发现大部分肺结节半径较小。因此,结合 CT 影像数据的三维特性,提出使用 3D FPN 进行单阶段肺结节检测,能够解决肺小结节检测效果不佳的问题。在公用肺结节数据集 LUNA16 上验证了网络的有效性,CPM 值达到 0.893 2,相比其它肺结节检测网络,检测效果提高了 2%。     

基于改进RANSAC算法的图像自动拼接技术

图像拼接技术关键在于图像配准和算法效率,针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,将K-means聚类算法应用到图像匹配算法中,提出了一种解决该问题的改进算法。该方法利用K-means聚类算法对图像提取出的角点对先进行聚类分组,然后采用预判断模型和分组随机选取的方法来提高传统算法效率。实验结果表明,该算法相比于传统的RANSAC算法,在保持较高的精度和鲁棒性的情况下,大大提高了计算效率,有助于提高图像的自动拼接的效率。     

超声对桥本甲状腺炎良恶结节的鉴别诊断价值

目的 探讨分析超声对桥本甲状腺炎良恶结节的鉴别诊断价值。方法 选取88例桥本甲状腺炎患者经超声检查合并甲状腺结节,再进行穿刺病理检查,分析超声检查桥本甲状腺炎良恶结节特征,超声与病理诊断对比分析。结果 超声检查显示的桥本甲状腺炎良、恶性结节患者结节的形态、边界、内部回声、钙化、声晕、结节个数差异均具有统计学意义(P<0.05),但良恶性结节患者的结节血流情况,差异无统计学意义(P>0.05);超声诊断桥本甲状腺炎良恶性结节的灵敏度为82.14%、特异度96.67%,与病理诊断的符合率为92.05%。结论 超声诊断桥本甲状腺炎良恶结节准确率较高,值得进一步在临床上推广。     

基于多特征融合的甲状腺结节良恶性识别

鉴于甲状腺结节良恶性的判别十分依赖于有效特征的提取,提出基于DLBP与RLBP模型相结合的局部纹理特征提取算法,首先利用RLBP模型解决图像旋转不变问题,然后与DLBP模型相结合对RLBP模式特征进行选择与降维,再与纵横比、圆形度、紧致度等形状特征相结合并输入到SVM分类器中。为了进一步提高识别率,提出基于粒子群算法与网格搜索算法相结合的SVM参数优化算法。实验结果表明,该模型提取的特征用于分类识别时较上述各种模型及传统的旋转不变等价ULBP模型能获得更高的识别率,且提出的参数寻优算法相比于传统寻优算法效率更高。     

基于小波变换的低剂量CT肺实质提取研究

肺实质提取是利用计算机辅助诊断系统研究肺部疾病的关键步骤。低剂量CT扫描在肺部疾病诊断研究中应用广泛,但传统的肺实质分割方法由于低剂量CT图像噪声影响难以获得精确的肺实质分割结果。基于小波变换提出一种针对低剂量CT图像的肺实质分割算法。该算法首先应用全局阈值去除体外干扰,利用小波变换良好的定位性能准确检测出图像边界;然后进行边界连接解决微弱边沿丢失问题;最后,根据肺部边缘闭合周长最长这一特征,从连接好的边缘中检测肺实质边缘,从而达到提取肺实质的目的。理论分析与计算机仿真实验结果表明,算法具有良好的抗噪能力,与传统肺实质提取方法Snake模型相比,其检测出的图像面积重合率平均提高约1%。     

肺内孤立性结节的HRCT扫描与病理相关研究

目的：探讨肺内孤立性结节（Solitary pulmonary nodule．SPN）的HRCT特征与良恶性病变之间的关系。方法：对66例肺内孤立性结节病灶进行螺旋HRCT增强扫描，观察结节增强的程度、周围的血管以及瘤肺界面的特征，来判定结节的良恶性。结果：病理证实50例周围型肺癌（Peripheral lung cancer，PLC）．16例良性结节。①PLC血供较良性结节丰富；②动脉期结节强化程度增强明显，平衡期达到峰值为PLC，PLC瘤肺界面清晰伴有深分叶，良性结节周围模糊。结论：PLC血供丰富、增强快，平衡期达最高，瘤肺界面清晰；良性结节增强慢，与肺界面关系模糊。     

基于改进AlexNet模型的肺癌辅助检测方法

针对目前肺部CT图像数据爆炸式增长和人工诊断力量严重不足的矛盾,提出一种基于改进AlexNet模型的肺癌辅助检测方法。该方法在传统8层AlexNet模型的基础上,增加了与传统AlexNet模型第4层相同参数的第5层结构,实现了9层的改进AlexNet模型;采用LIDC-IDRI肺癌检测数据集分别对改进前后的AlexNet模型进行训练,建立模型,并通过测试集数据对传统AlexNet模型和改进的AlexNet模型进行测试,实验结果表明改进的AlexNet模型在肺结节检测上有更好的表现,能够进一步提高对于肺结节的识别精度,从而更好地帮助医生进行辅助诊断,降低医生工作强度。     

基于深度学习的肺结节诊断识别研究

医学图像诊断领域的研究热点是病灶点特征和精准定位,将深度学习应用到该领域后诊断效果明显,但是不同深度学习模型之间存在差异性。重点介绍几种重要的深度神经网络模型,总结深度学习在肺结节诊断识别中的研究进展,并提出将深度学习应用于肺结节临床诊断识别所面临的挑战与机遇。     

高频超声在甲状腺结节良恶性诊断中的临床价值

探讨高频超声在甲状腺结节良恶性诊断中的临床价值.对甲状腺结节良恶性的二维声像图及多普勒血流显像（CDFI）进行分析比较.结果发现,一、在二维声像图上,甲状腺良恶性结节的形态、边界、囊变、钙化、晕环及颈部淋巴结肿大等差异均有统计学意义.二、在多普勒血流显像（CDFI）上,良恶性结节的内部及周边血流差异均有统计学意义.得出高频超声在甲状腺结节的良恶性诊断中具有较高的临床价值,可为临床在甲状腺结节的诊断与治疗中提供重要参考.     

基于遗传算法—BP神经网络的乳腺肿瘤辅助诊断模型

针对BP神经网络在辅助诊断建模过程中因输入特征的多维性而造成模型精度低、建模时间长等问题,提出基于遗传算法—BP神经网络的乳腺肿瘤计算机辅助诊断模型。首先提取乳腺肿瘤感兴趣区域的几何特征、形状特征、灰度特征、纹理特征、频率特征和边缘特征共79维;其次,用遗传算法（GA）对提取的特征进行约简,去掉一些冗余特征,选择最能体现肿瘤良恶性的特征组合17维;最后采用BP神经网络对17维特征进行乳腺肿瘤辅助诊断研究。实验结果表明,基于GA-BP的模型在乳腺肿瘤识别中取得了良好效果。     

一种改进的基于SURF的快速图像匹配算法研究

针对传统的图像特征匹配算法数据量大、计算耗时长的缺点,本文提出了一种改进的基于SURF的快速图像配准算法。该算法在积分图像的基础上进行快速计算,通过快速Hessian检测子来检测特征点。对于每个特征点,通过计算哈尔小波变换来确定其主方向,并确定特征点描述子,再根据描述向量之间的欧式距离实现图像间的特征点的匹配。实验表明,该算法既能满足匹配准确性的要求,又具有计算量小、计算速度快的优点。     

基于最大局部变化的安全带检测算法

传统的边缘检测算法的效果很大程度上取决于阈值的选取,针对这个问题,提出了基于局部最大变化和二维OTSU的边缘检测方法,该方法利用图像局部区域的所有像素灰度值与中心像素灰度值的最大差值来描述图像边缘分布信息,从而得到图像边缘分布信息图,然后利用二维OTSU方法对该边缘分布信息图进行二值化处理得到边缘二值图。利用该边缘二值图,结合车辆的一些先验信息,提出车窗定位算法,并进一步确定驾驶员区域,最后通过在驾驶员区域内检测是否存在满足安全带先验特征的直线来判断驾驶员是否佩戴安全带。实验结果表明,该方法能够准确定位车窗边缘和驾驶员区域,可以应用于安全带的检测,具有一定的实用价值。     

二维图像谱空间矩特征的轮胎老化视觉测量

在轮胎磨损及老化的工业非接触式的无损检测中,为定量衡量轮胎老化程度,提出一种图像谱空间距定量测量轮胎老化的算法。该算法采用高斯尺度滤波对轮胎胎面及轮轱侧面采集图像进行滤波,以去掉高频分量与噪声;然后采用Canny算法得到轮胎裂纹与自身的纹理轮廓图,由二维离散傅里叶变换得到反映裂纹密度数量的频谱图;最后提取该频谱图各谱线辅助频率u、v的一阶矩相对原点距离,来定量衡量轮胎裂纹数量与密度分布特征,从而完成对轮胎老化程度的定量测量。在轮胎经营部的现场实验表明,经过小批量样本的模型识别参数训练,该方法具有90%的老化程度识别准确率,具有一定的工业应用价值。     

基于LS-SVM算法的遥感图像目标检测方法研究

遥感图像受到光照、拍摄角度、大雾等影响使得目标检测精度低,为提高遥感图像目标检测质量,通过计算遥感图像背景复杂度,进行目标区域的预提取,实施目标检测,提出基于LS-SVM算法的遥感图像目标检测模型。将提出的方法应用于舰船遥感图像和航空遥感图像的目标检测中,并和联合显著性特征和角度信息方法、改进SSD算法进行对比。结果表明该方法能够更好地对比较暗、尺寸比较小的目标进行检测,具有一定的应用价值。     

基于敏感部位图像特征的提取方法研究

随着互联网高速发展,一些敏感图像信息也在网络上广泛传播,如何对这些敏感图像进行有效自动识别,净化网络环境已成为计算机领域的重点研究课题.通过对常用图像分割算法k-means算法、k-means++算法探讨,提出敏感图像敏感部位的特殊构造形态,构建彩色变柱宽多分辨率直方图矩特征,有效的表示了敏感部位的颜色和纹理信息.采用敏感部位特征视觉词汇和聚类算法计算的视觉词汇形成混合视觉词汇表,并使用词袋模型建模,在图像识别阶段使用基于RBF核的SVM分类器.实验结果显示该方法有效地提高了敏感图像的识别效果.     

基于改进的LBP特征和随机森林相结合的人脸关键点检测方法研究

提出了一种人脸关键点检测方法,该方法用了少量的正面图像,不用归一化人脸图像,而传统的人脸关键点检测方法需要对图像进行严格预处理。随机森林是一种分类器融合算法,可以很好地解决多类分类问题,虽然LBP特征简单,但其可以包含大量的纹理信息。利用改进的LBP特征与随机森林相结合,构成一种对人脸关键点检测的方法。通过高斯平滑图像的LBP特征的提取,对每个点生成特征,计算出有用的特征作为正例,并且与反例集合变为训练集。通过随机森林分类器进行分类,误差率较低,仅在10%左右。     

孤立性肺结节的综合CT诊断

孤立性肺结节（solitary pulmonary nodule SPN）是指一个不伴有肺不张或淋巴结肿大、直径〈3cm的圆形或类圆形的肺实质内病变。SPN的种类较多，良恶性难以区分，这也是诊断的重点和难点。如果一个SPN病灶被确诊为恶性，在该阶段手术，对患者来说意义重大，5年生存率能达到90％以上。但是，切除良性结节对病人几乎毫无益处，这就需要诊断的准确性。就目前来说，CT是筛选和无创检查的最好方法。CT显示肺内病变自然对比度好，小病灶显示得清晰，再加上增强和灌注扫描，能满意的诊断SPN。     

乳腺内钙化在良恶性病变中X线诊断价值

目的:探讨乳腺内钙化在乳腺良恶性病变中线的X诊断价值。方法:经病理证实的,乳腺X线摄影确认的62例钙化病例,回顾性分析其钙化的形态、大小、密度、边缘、分布等特点。结果:62例乳腺钙化病例中,良性病变为43例,恶性病变19例。结论:乳腺内钙化的形态有助于乳腺良恶性病变的鉴别诊断。     

基于SVM的乳腺癌X光照片计算机辅助诊断模型

乳腺癌是现代女性最常见的恶性肿瘤之一。支持向量机SVM是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到良好的分类效果。本文提出一个基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统,它由图像预处理、ROI特征提取和SVM分类器异常诊断三个模块构成。通过实验证明,在处理相同的样本数据集时,基于SVM算法的计算机辅助诊断系统相对于BP神经网络,有更高的诊断灵敏度。统计学习理论的发展将更加完善SVM,具有高分类性能的分类器将使计算机辅助诊断的能力进一步提高。     

基于SVM的乳腺癌X光照片计算机辅助诊断模型

乳腺癌是现代女性最常见的恶性肿瘤之一。支持向量机SVM是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到良好的分类效果。本文提出一个基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统,它由图像预处理、ROI特征提取和SVM分类器异常诊断三个模块构成。通过实验证明,在处理相同的样本数据集时,基于SVM算法的计算机辅助诊断系统相对于BP神经网络,有更高的诊断灵敏度。统计学习理论的发展将更加完善SVM,具有高分类性能的分类器将使计算机辅助诊断的能力进一步提高。