教学课程资源库 更多>>

关键词： 医学影像装备   异常状态检测   时间序列预测   时域卷积网络   双向长短期记忆神经网络  

摘要： 近年来，物联网、云计算和人工智能（AI）等先进技术的发展，使医疗行业经历着一场变革。这些技术的融合不仅提升了医疗服务的效率和质量，还为医学装备的管理和维护带来了革命性的变化，已深刻改变了人们的生活和社会结构。现代信息技术的智能化、数字化方向的发展，本质上是令物理世界与数字世界更好地实现实时交互。而随着人口的增加等多方面因素，医院的负担日益增加。在当前阶段，各类医学装备日常管理任务中，通常遇到位置分布散乱、维保工作被轻视、日常管理要求门槛高等痛点难题，尤其面对着医学装备运行保障管理带来的压力，在医院内利用传统的医学装备管理手段，已经难以应对当今日益增加的医疗压力，因此利用高科技手段来对医学装备进行动态监测和运行管理的方案也应运而生。本文主要针对医学装备日常运作的异常工况预警能力的不足，提出结合智慧医院管理平台，对医学装备工况参数（电流、电压、电功率、温度等）进行研究。探讨了数据采集、数据上传、数据处理和数据应用流程，并且分析常规的神经网络模型的优点与缺点，提出了搭建组合时间序列神经网络TCN-BiLSTM进行参数预测，对医学装备运行过程中潜在的异常运行状态进行预测，以此来提高医学装备异常工况预警能力，为减少医学装备维修保养成本以及管理决策方面提供参考价值。　　本文的主要内容包含：　　（1）为解决医学装备异常运行状态的预警能力差的问题，在其前期数据获取阶段进行研究。对数据采集所依赖的硬件和原理、数据上传、数据可视化以及原始数据预处理过程进行详细描述，为后续工作中数据的有效利用奠定基础。　　（2）针对当前医院内常见的两种医学装备：核磁共振成像设备（MRI）和超声诊断仪的工作原理进行介绍，以及对这些设备的工况参数开展探索。针对医学装备预警能力弱的问题，从时序预测任务着手，逐步由浅入深探索相关的神经网络（CNN网络与LSTM网络），经分析上述两个网络的优点缺点后，有针对性地提出应用TCN网络和BiLSTM网络，利用独有的优势进行组合，设计组合神经网络模型TCN-BiLSTM来进行医学装备的时间序列预测任务的探索。　　（3）设计了TCN-BiLSTM网络来对上述的两种医学装备在其自身运行状态下和待机状态下的工况参数进行预测。与此同时，还将LSTM网络和GRU网络的预测曲线加入到预测图中作为对比，来考察多个模型在面对不同类型医学装备的不同状态下的预测性能优劣。通过多次实验得出的预测图线的直观分析以及通过三种不同的模型评价标准：RMSE（均方根误差）、MAE（平均绝对误差）、R2 （决定系数）来对预测数据进行数据量化考察。在此期间，TCN-BiLSTM网络均表现出了较其他两个网络更优的预测性能，最终，得出了TCN-BiLSTM网络在处理时间序列任务的优越性的结论。　　通过本文的研究，可以进一步拓展该网络在其他医学装备上的应用，进一步提升医学装备的预警能力。这将为减少医学装备的维修保养成本、优化管理决策提供有价值的参考。未来，随着各种高新技术的不断发展迭代，医疗行业将迎来更多创新和突破，为人们的健康提供更加高效和可靠的医疗服务。

摘要： 脑卒中又称中风，是一种严重威胁人类健康的疾病。它具有高发病率、高致残率、高死亡率和高复发率的特点。早期发现和干预对减小脑卒中的危害至关重要。在脑卒中的筛查中，医学影像检查起着关键作用。本文详细介绍脑卒中筛查中各种医学影像检查的作用，帮助大家更好地了解这一重要的诊断手段。

关键词： 注意力机制   新冠肺炎   医学影像   图像分割  

摘要： 近年来,深度学习在各领域广泛运用,通过医学图像分割技术可以有助于医生快速对病变区域进行量化分析及诊断,从而制定更精确的治疗计划。但是,在临床实践中,由于各类疾病、不同成像技术和患者个体差异的影响,医学图像分割模型往往显示出较低的鲁棒性和泛化能力。尽管U型网络(U-Net)作为一种广泛应用的病变分割架构,它在特征表达方面仍有所局限,导致分割结果不精确。构建能够应对新冠肺炎肺部大目标和小目标病灶分割的模型是一项极具挑战性的任务。为此,本文提出了基于自适应三重注意力机制(ATA)以及极化自注意力机制(PSA)的U-Net网络模型,并在两种不同类型的医学影像数据集上实现了病灶的精确分割。主要研究工作如下: (1)针对大目标病灶分割不精确的问题,提出基于自适应三重注意力机制的U-Net网络模型。首先对数据集进行划分,将不同数据集放入更加适应的网络中进行训练,然后用U-Net模型训练数据集,得出并观察训练后的数据集分布,初步以此设定较优的像素值比例,低于该值的分为小目标病灶,高于该值的分为大目标病灶,用U-Net进行训练不同像素值比例下的模型性能,得出更优的比例值。最后将改进的三种注意力模块添加至跳跃连接处,通过自注意力机制以及该连接层的通道数目,计算在该跳跃阶段注意力模块应采用的卷积核大小,低阶层使用大卷积核,高阶层使用小卷积核。这样不仅能够实现跨维度交互,还能针对性提取各级特征,有助于分割大目标病灶。 (2)针对小目标病灶识别困难以及分割精度较低的问题。本文提出基于极化自注意力机制的PSA-UNet,首先在U-Net跳跃连接处添加PSA模块,用于聚焦重要特征,其次,在编码器第四层加入SAM模块,有助于从所有编码器阶段提取空间特征,识别小目标病灶。最后,为了更加准确分割目标病灶,我们使用Io U损失函数和二进制交叉熵损失函数的组合来优化训练。实验结果表明,相较于其他网络分割模型,该模型在多种数据集上有更好的识别和分割性能,验证了构建模型的有效性。 图[27]表[9]参[74]

关键词： 语义分割   人工智能   磁共振成像   直肠癌分割   卷积神经网络   特征留存  

摘要： 直肠癌作为消化系统中的一种常见恶性肿瘤,对人类健康构成了严重威胁。研究表明,采用外科手术结合放射治疗的综合治疗方法,可以显著提高直肠癌患者的根治率和预后生存率。然而,放射治疗需要准确的肿瘤区域定位,而磁共振成像(Magnetic Resonance Imaging,MRI)以其在软组织中的高对比度和对人体的无害性,成为实现这一目标的首选技术。传统的手工分割方法不仅耗时耗力,还难以达到高精度和高可靠性的要求。因此,研究能够实现高精度直肠癌自动分割的技术变得尤为重要。 随着计算机辅助诊断技术的快速发展,尤其是人工智能和深度学习的应用,大大提高了医疗诊断的准确性和效率。但是在当前深度学习框架中,针对直肠癌图像分割的方法存在一些显著的缺点和限制。首先,许多框架未能充分考虑医学图像中特征的多尺度性质,导致在捕获肿瘤边界等细节特征时效果不佳。其次,现有方法在处理有限的医学图像数据集时,学习效率通常较低,难以有效适应小样本学习的挑战。此外,随着网络深度的增加,全局特征丢失问题日趋严重,影响了模型对关键特征的提取能力。 在这个背景下,本项研究旨在通过引入先进的人工智能算法,开发一种新型的直肠癌自动检测与精确分割框架。本文的主要贡献可以总结如下: (1)直肠癌磁共振成像特征的高精度提取与应用 第一阶段,针对直肠癌磁共振成像中肿瘤区域特异性辨识困难及特征表征不显著所引致的特征提取难题和应用效率低下的挑战。本研究采用了一种锐化算法来优化图像特征的提取,通过加强图像的高频部分,尤其是针对直肠肿瘤不规则边缘的处理,使得特征的界限变得更加明显。同时,研究引入了创新的Multi-scale Feature Retention(MFR)多尺度特征留存模块,核心作用是在不同尺度上对输入的原始数据进行保留和融合。在减轻网络深度加深导致的全局信息丢失方面发挥了重要作用,同时提高了对有限医学图像数据的处理效率。 (2)基于多尺度特征留存与多重注意力的直肠癌分割 第二阶段,针对传统U-Net网络模型在网络深度加深时出现的特征丢失问题做出改进。1)使用Multi-branch Cross-channel Attention(MCA)多尺度跨通道注意力机制重新构建了骨干网络,通过在不同分支通道内的单独计算和跨通道的关联融合丰富了特征的表达;2)将每层提取到的特征进行逐层留存并向下融合;3)为了更为准确的提取重要特征在特征图中的位置信息,使用条状卷积(Strip convolution)取代传统的矩形卷积;4)将传统的卷积类型替换为逐层卷积(Depthwise Convolution)和逐点卷积(Pointwise Convolution),以在提高网络效率和减少模型大小的同时尽量保持模型的性能;5)使用了一种Coordinate Attention(CA)坐标注意力算法,通过横向和纵向计算在空间维度上对像素间的重要信息进行精确定位。 在最终的测试集验证中,本研究提出的模型在F1-score和mIoU指标上分别达到了97.4%和94.9%,具有优秀的分割性能。

摘要： 张冰主任医师二级岗、教授、博导。南京鼓楼医院党委副书记，医学影像中心主任;南京大学医学影像与人工智能研究所所长，南京大学脑科学研究院副院长。担任中国医师协会放射医师分会委员兼神经影像学组副组长，江苏省医师协会副会长，江苏省医师协会放射医师分会副会长，江苏省医学会放射学分会常委。中华医学会放射学分会“杰出青年医学影像学家”、江苏省“333高层次人才培养工程”。

关键词： 医学影像   人工智能   深度学习   健康诊疗   医学报告生成  

摘要： 健康医疗大数据的不断发展和深入应用,使其已经成为国家生命经济发展的新动力。人工智能和计算机硬件等技术的不断突破为健康医疗大数据的信息处理和挖掘提供了有效的技术支撑。当前,人口老龄化加速,医疗数据激增,医疗资源分布不均衡等问题严重影响了医疗保健系统的供需平衡。因此基于人工智能的临床支持系统已经成为医疗健康领域的迫切需求,为临床医学影像报告生成提供新的机遇和解决方案。 临床医学影像报告自动生成正迅速成为医学诊断和精准医疗的一项重要手段,它旨在通过人工智能技术,利用深度学习算法自动分析医学影像数据并生成相应的医学报告,进而辅助临床医生做出诊断结果和治疗决策,从而提高医疗保健服务效率。这推动了人工智能在医疗领域的深度融合。然而,由于医学影像数据复杂多样,使得在分析医学影像数据以及报告生成过程中面临很多的挑战。 本文基于放射学医学影像数据,围绕着临床医学影像报告自动生成任务中的关键问题,结合深度学习技术、自然语言处理方法以及医学领域知识展开深入研究和探索,具有很强的理论研究意义和应用价值,本文主要工作总结如下: (1)针对临床医学影像数据存在数据分布不平衡的问题,本文从数据分布特点入手,提出了一个视觉重校准和上下文门控感知的医学影像报告生成模型VRCG,该模型旨在通过医学视觉重校准模块,对提取到的医学影像视觉特征进行细粒度提取,获取与病灶区域相关的视觉特征表示,提高模型识别病变的能力;然后,在解码器中设计了一个上下文门控感知模块,该模块旨在识别与病变描述相关的文本信息,使模型更好地理解医学报告中的语义信息。VRCG模型在IU X-Ray数据集上的实验结果表明,该模型可以生成连贯的医学报告,缓解数据分布不平衡的问题。 (2)针对临床医学影像报告自动生成领域中缺乏医学领域知识的问题,本文基于知识图表示学习和对比学习策略,提出了一个医学知识和对比学习的医学影像报告生成模型MKCL。本文构建了一个涵盖疾病、器官等丰富医学知识的图谱,通过知识增强注意力机制,把医学知识注入到MKCL模型中,为模型提供丰富的医学知识,辅助MKCL模型深入挖掘疾病之间的信息,更加准确地理解医学影像的数据信息;此外,通过对比学习策略,来提高模型的泛化能力,模型可以学习到医学数据之间具有判别性的信息表示,从而捕捉医学图像之间的特征信息。实验结果表明,MKCL模型在检测病灶信息和准确描述信息方面的表现能力出色,生成更加细致、全面的医学报告。 (3)针对临床医学影像报告自动生成领域中的图像和文本多模态信息间融合与交互不足的问题,本文基于记忆存储机制,提出了一个弱监督对比学习和跨模态对齐网络的医学影像报告生成模型RCAN。该模型通过记忆矩阵存储文本信息和视觉信息,该机制有效地记忆不同模态信息之间的关联性,实现多模态信息之间的有效融合,促进文本信息和医学影像之间语义对齐。此外,本文还设计了一个跨模态门控机制动态地调控信息之间的传递,旨在更好地引导不同模态信息之间的交互,提高模型对数据的理解能力。在公开的IU X-Ray和MIMIC-CXR数据集上的实验结果表明,RCAN模型在识别信息之间的关键特征方面表现出色,能够捕捉到多模态信息之间的关联性,可以生成准确且语义连贯的医学报告。

摘要： 由中国科学技术信息研究所主持的“2023中国科技论文统计结果发布会”于2023年9月举行。《中国医学影像技术》杂志在《2023版中国科技期刊引证报告(核心版)》的相关数据为:1文献来源量:366篇;2基金论文比:0.42;3核心总被引频次:3051;4核心影响因子:1.145;5学科扩散指标:16.54;6学科影响指标:0.96;7综合评价总分:58.3。