摘要：目前阿尔茨海默病(AD)尚无有效的防治方法,早期临床干预可以延缓其进展,改善预后。然而现有的方法只考虑从群体关系中学习到的神经影像学特征而不考虑被试的个体特征。本研究设计了一种新颖的多模态多通道稀疏图变换网络(MSGTN)以期实现早期AD识别。首先,获取并处理每个被试者的影像信息[如弥散张量成像(DTI)和功能磁共振成像(fMRI)等]以及其相应的非影像信息(如年龄、性别等);其次,利用局部加权聚类系数(LWCC)将功能信息和结构信息进行融合,并将已融合的多模态影像特征与受试者的性别和年龄信息相结合来构建稀疏图;最后,将构建的稀疏图输入所设计的MSGTN网络模型用于早期AD识别。从公共数据库ADNI上获得共170个受试者,其中38个晚期轻度认知障碍(LMCI)患者,44个早期轻度认知障碍(EMCI)患者,44个显著记忆下降(SMC)患者和44个正常对照(NC)。结果表明,SMC与NC的准确度为87.02%,EMCI与NC的准确度为87.40%,LMCI与NC的准确度为91.49%,SMC与EMCI的准确度为88.93%、SMC与LMCI的准确度为86.74%、EMCI与LMCI的准确度为92.12%。所提出的诊断模型不仅能够分析出NC与3种不同早期AD疾病状态,而且在3种不同早期AD疾病状态中也取得了优越的分类性能。

摘要：自动乳腺全容积超声成像(ABVS)系统因其高效、无辐射等特性成为筛查乳腺癌的重要方式。针对ABVS图像进行计算机辅助乳腺肿瘤良恶性分类的研究,有利于帮助临床医生准确、快速地进行乳腺癌的诊断,甚至可辅助提高低年资医生的诊断水平。ABVS系统产生的三维乳腺图像数据量较大,造成常规的深度学习方式训练时间长、占用资源巨大。本研究设计了一种基于ABVS数据的多视角图像提取方式,替代常规的三维数据输入,在降低参数量的同时弥补二维深度学习中的空间关联性;其次,基于交叉视角图像的空间位置关系,提出一种深度自注意力编码器(Transformer)网络,用于获得图像的有效特征表达。实验是基于自有ABVS数据库的153例容积图像,良恶性分类的准确率为86.88%,F1-评分为81.70%,AUC达到0.8316。所提出的方法有望应用于ABVS图像的乳腺肿瘤良恶性筛查。

摘要：乳腺癌是全球女性癌症死亡的主要原因之一。现有诊断方法主要是医生通过乳腺癌观察组织病理学图像进行判断,不仅费时费力,而且依赖医生的专业知识和经验,使得诊断效率无法令人满意。针对以上问题,设计基于组织学图像的深度学习框架,以提高乳腺癌诊断准确性,同时减少医生的工作量。开发一个基于多网络特征融合和稀疏双关系正则化学习的分类模型:首先,通过子图像裁剪和颜色增强进行乳腺癌图像预处理;其次,使用深度学习模型中典型的3种深度卷积神经网络(Inception V3、Res Net-50和VGG-16),提取乳腺癌病理图像的多网络深层卷积特征并进行特征融合;最后,通过利用两种关系("样本-样本"和"特征-特征"关系)和lF正则化,提出一种有监督的双关系正则化学习方法进行特征降维,并使用支持向量机将乳腺癌病理图像区分为4类—正常、良性、原位癌和浸润性癌。实验中,通过使用ICIAR 2018公共数据集中的400张乳腺癌病理图像进行验证,获得93%的分类准确性。融合多网络深层卷积特征可以有效地捕捉丰富的图像信息,而稀疏双关系正则化学习可以有效降低特征冗余并减少噪声干扰,有效地提高模型的分类性能。

摘要：轻度认知障碍(MCI)是阿尔茨海默病(AD)的早期阶段,是治疗AD的最佳时期,因此对MCI的诊断非常重要。多模态数据可以全面分析疾病的状况,有利于疾病的准确诊断,但是现有方法并不能同时有效地分析多个模态数据之间的关系,无法有效结合功能态数据和结构态数据之间的优势。提出一种中心化自动加权多任务学习方法用于MCI的诊断。该方法可以同时学习不同模态的数据,有效地结合数据之间的优势。首先,分别对功能态数据rs-fMRI和结构态数据DTI构造脑网络;其次,基于多模态数据设计新的多任务特征学习模型,每个任务的重要性和模态之间的平衡关系会被自动学习,包括不同模态间的相似性和特异性,以获得稳定且有识别力的表达特征;最后,将选取的特征输入支持向量机模型进行分类诊断。实验基于Alzheimer′s Disease Neuroimaging Initiative(ADNI)公共数据库,包括明显记忆问题(SMC)、早期轻度认知障碍(EMCI)、晚期轻度认知障碍(LMCI)和正常受试者(NC)。所提出的方法对于NC vs SMC、SMC vs EMCI、SMC vs LMCI和EMCI vs LMCI等4种不同类型数据,诊断结果分别为76.67%、79.07%、80.56%和74.29%,与其他传统算法相比,分类准确率都有明显的提高,有望应用于对早期轻度认知障碍的诊断分析。

摘要：急性进展性后极部早产儿视网膜病变(aggressive posterior retinopathy of prematurity,AP-ROP)的患儿若不能及时得到诊断,易失去最佳治疗时间,导致患儿视网膜完全脱离,并最终失明.为更好地从ROP病例中诊断出AP-ROP,提出一种基于混合注意力网络(mixed attention network,MANet)的半监督学习方法.该方法分别通过低级数据增强器和高级数据增强器获得未标记训练数据的两种不同级别的增强数据.先利用低级数据增强器获得的增强数据生成未标记数据的伪标签,所得伪标签进一步被用作通过高级数据增强器获得的增强数据的训练标签.在设计的分类器模型中,将自注意力、空间注意力和通道注意力相结合,增强了分类器的特征提取能力.实验结果表明,本研究方法可以用很少的标记数据实现能够与全监督学习相媲美的性能,从而实现早产儿视网膜病变的自动检测,辅助医生进行ROP和AP-ROP的早期筛查.