摘要：偏头痛是一种严重危害人类健康的脑疾病,其中无先兆偏头痛在临床中占比最多且诊断困难。当前无先兆偏头痛辅助诊断算法研究中,基于机器学习的脑影像功能连接分析方法是最主要的研究方向。由于此类方法多依赖于预定义的脑图谱模板,受模板选择主观因素及分类器性能影响,现有方法的智能化程度和准确率较低,难以满足临床及研究需求。基于设计的新型3D-CNN技术,提出了一种无先兆偏头痛智能辅助诊断算法MwoA3D-Net(3D convolutional neural network based diagnosis of migraine without aura)。该算法采用组信息指导的独立成分分析方法,生成被试的静息态脑网络,并以此作为输入训练MwoA3D-Net,实现对无先兆偏头痛患者与健康对照的自动诊断,可避免因先验模板不同导致的结果差异。在算法设计中引入3D数据增强、L1和L2正则化等一系列优化策略,可有效防止过拟合现象的发生。在60名无先兆偏头痛和65名健康被试数据集上的实验结果表明,MwoA3DNet的平均诊断准确率为98.40%,鲁棒性较高,且所选静息态脑功能网络均具有较强的辨识性,可作为无先兆偏头痛的潜在生物标志物用于个体化诊断。

摘要：椎间孔狭窄症的术前定性分级诊断对临床医生治疗策略的制定和患者健康恢复至关重要,但目前该方面临床上仍然存在很多问题,并且缺乏相关的研究和行之有效的方法用于辅助临床医生诊断。因此,为提高计算机辅助椎间孔狭窄症诊断准确率以及医生工作效率,本文提出一种基于深度学习的椎间孔狭窄图像自动分级算法。从人体矢状切脊柱核磁共振图像中提取脊柱椎间孔图像,并做图像预处理;设计一种监督式深度卷积神经网络模型,用于实现脊柱椎间孔图像数据集的自动多分级;利用迁移学习方法,解决深度学习算法在小样本数据集上的过拟合问题。实验结果表明,本文算法在脊柱椎间孔图像数据集上的分类精确度可达到87.5%以上,且其具有良好的鲁棒性和泛化能力。