简介:摘要目的构建并验证多模态MRI图像3D卷积神经网络(convolutional neural network, CNN)模型对肝纤维化(liver fibrosis, LF)分类的价值。材料与方法回顾性分析经病理证实为LF,并行肝脏3.0 T MRI检查的224例LF患者的T1WI、T2WI、表观扩散系数(apparent diffusion coefficient, ADC)图像,按8∶2的比例随机分为训练集和测试集。对图像进行预处理后,应用训练集图像对模型进行网络结构迭代训练,建立3D-CNN深度学习模型对无显著LF(S0~S1)、显著LF(≥S2)进行分类。经过优化的CNN由三个卷积层、三个池化层和两个全连接层组成。训练完成后,用测试集数据对CNN模型进行测试,使用准确度(accuracy, ACC)曲线、损失函数(loss)曲线及受试者工作特征(receiver operating characteristic, ROC)曲线评价模型的性能。结果基于多模态MRI的3D-CNN深度学习模型在训练集中对LF分类的ROC曲线下面积(area under the curve, AUC)值为0.94,在测试集中的AUC为0.98。结论多模态3D-CNN深度学习模型可对无显著LF和显著LF进行分类,为LF的无创性评估提供更多选择。
简介:摘 要:通常我们所了解的人脸识别算法是指将人的五官特征或者局部特征经过图像处理,上传到系统后端,再和数据库的人脸照片进行比对,最终识别出所需要的类别。人脸识别算法比较广泛应用于监控、公安系统、考试系统、门禁检查、身份识别等领域,而基于特征提取的人脸识别算法是人脸识别系统中的关键部分,接下来我们将通过本文了解一下关于人脸识别算法的特征提取需要注意的事项。
简介:摘要:特征提取是对原始数据关键特征的表达,能凸显原始数据的主要信息,避免和非主要信息产生“等价”变换,而弱化了主要信息价值。对于时间序列的电池组数据,设计基于注意力机制的时间序列特征提取算法,从而快速地对采集的数据进行有效降维与压缩。
简介:摘要目的探讨基于深度学习的人工智能在非炎性主动脉中膜变性中的辅助诊断及其应用价值。方法选取2018年1—6月首都医科大学附属北京安贞医院保存的89例非炎性主动脉中膜变性标本组织HE切片,扫描成数字切片后进行人工标注,在标注区域总提取1 627幅中膜病变HE图像。结合一种改进的基于ResNet18的卷积神经网络模型,进行非炎性主动脉病理图像的4分类研究,并对模型应用进行检测。结果4分类模型对中膜变性病理改变中最常见的平滑肌细胞核缺失病变的识别准确率、灵敏度及精确率分别为99.39%、98.36%、98.36%。弹力纤维断裂和/或缺失病变识别精确率为98.08%;层内型黏液样细胞外基质聚集病变识别准确率为96.93%。模型整体准确率为96.32%,受试者工作特征曲线下面积值可达0.982。结论初步验证了深度学习神经网络模型在非炎性主动脉病变图像分类方面的准确性,该方法可以有效提升病理医师诊断效率。
简介:BP神经网络分类器在信号识别领域得到了比较广泛的应用,针对其低信噪比环境下识别率相对较低的问题,引入人工蜂群算法(ABC),将求解BP神经网络各层权值、阂值的过程向蜜蜂寻找最优蜜源的过程转变,最后阐述了一种以人工蜂群算法为基础的神经网络分类器设计方法(ABCBP算法),并以2ASK,2FSK,2DPSK信号为例,对信号进行小波包分解后,将信号各频段的能量值数据作为实验样本,对其进行了信号分类。仿真结果表明:基于人工蜂群算法的优化BP神经网络分类器,即使在5dB的信噪比环境下,仍可达到94%以上的识别率,并具有较好的稳定性,这为信号识别领域中分类器的设计提供了一个很好的理论依据。
简介:摘要目的研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法收集安徽省第二人民医院6 068张眼底图像构建训练集,并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统,该系统由两级网络结构组成,第一级网络结构用于识别MMD是否存在,第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果Densenet网络模型在MMD筛查任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优,其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示,本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征,准确识别弥漫性和局灶性脉络膜萎缩区域。结论基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征,并准确进行MMD筛查及其严重等级判断,可有效辅助临床。
简介:目的:针对脑肿瘤形状、位置及大小等多变性,提出一种适合磁共振成像(MRI)脑肿瘤分割的卷积神经网络模型的改进方法。方法:将卷积神经网络应用到脑肿瘤分割上,并针对脑肿瘤的特点,提出多尺度卷积神经网络模型(MSCNN),通过多尺度的输入与多尺度下的采样,克服脑肿瘤的个体差异,同时适应脑肿瘤不同图像层之间的大小位置差异,弱化肿瘤边缘与正常组织灰度相近的影响。结果:通过对30例患者的多模态磁共振图像进行分割,得到平均Dice系数为83.11%;平均灵敏度系数为89.48%;平均阳性预测值(PPV)系数为78.91%。结论:MRI脑肿瘤分割的改进方法可使分割精度得到明显提高,多尺度卷积神经网络能自适应脑肿瘤的差异性,并准确有效地分割脑肿瘤。