摘要：提出了一种针对病理切片图像的端到端语义分割方法--边缘感知网络(BPNet),以提高病理图像分割精度。BPNet网络首先在解码器阶段增加边缘感知模块,改善网络对于病理图像边缘的特征信息提取能力。然后,采用自适应通道注意力模块弥补不同层次特征间的语义差距,进一步加强网络的特征聚合能力。在此基础上,设计了一种基于结构和边缘的联合损失函数,以实现最佳的病理图像分割结果。在GlaS和MoNuSeg两个公开病理数据集上的分割实验结果表明,所提方法的Dice系数得分在两个数据集上分别达到92.21%和81.18%,有效提升了病理图像的分割精度。

摘要：病理切片中肾小球自动分类是诊断肾脏病变程度和病变类型的关键。为解决肾小球分类问题,设计了一个基于卷积神经网络的完整肾小球分类框架,选用SE-Resnet作为图像分类模型,将原有模块中卷积层改为参数量更小的卷积块,在保证网络性能的前提下减少网络参数。实验结果表明,相比于其他分类算法,该算法表现最优,在肾小球系膜细胞增生、肾小球新月体形成、肾小球局灶性节段性硬化、正常肾小球的分类任务中达到了96.93%的准确率,说明该分类算法能够较好地对肾小球病变进行识别。

摘要：针对卷积神经网络在执行病理图像分割任务时,特征提取单一导致分割性能较差的问题,提出了一种结合拆分注意力跨通道特征融合的病理图像分割网络。首先以UNet为基本结构,设计了空洞拆分注意力模块来提取并融合病理图像上细节特征,以增强通道间的特征交互能力,提高分割精度。其次,设计了深度残差幻影模块,在解码特征融合阶段有效获取足够丰富的特征图。最后在公开数据集DSB2018、MoNuSeg上实验,其灵敏度分别为90.13%、89.23%,准确率分别为92.89%、92.51%。为进一步验证算法有效性,将来自合作单位的病理图像自制成数据集ColonCancer,其准确率和灵敏度分别为90.15%、89.94%。实验结果表明,该方法相较于UNet、ResUNet、GhostUNet、TransUNet等算法有效提升了病理图像分割性能,并对实现不同组织病理图像的分割任务具有一定参考价值和意义。

摘要：目的:为病理图像人工智能分析软件提供临床试验思路。方法:分析已发布的关于软件类产品临床试验设计的指导原则及已经批准的人工智能辅助诊断类产品的试验情况,结合病理图片人工智能分析软件特点,对该类产品临床试验进行深入研究。结果:在临床试验合规性考虑、试验设计、入组人群、样本量、统计分析、特殊考虑等方面形成病理图像人工智能分析软件的临床试验思路。结论:病理图像人工智能分析软件的临床评价,有助于该类产品更加科学合理地完成临床验证,促进产品尽快上市。

摘要：为了实时预警果蔬病害和辅助诊断果蔬疾病,实现无人值守的病虫害智能监控,设计了深度学习神经网络的果蔬果体病理图像识别方法,基于对网络误差的传播分析,提出弹性动量的参数学习方法,以苹果为例进行果体病理图像的识别试验。结果表明,该方法召回率为98.4%;同其他同源更新机制相比,弹性动量方案能显著改善学习网络的果蔬病害识别准确率;其收敛曲线平滑,5 h时耗能实现收敛,对不同数据集也有良好泛化性能。

摘要：近年来,随着深度学习技术的发展,基于编解码的图像分割方法在病理图像自动化分析上的研究与应用也逐渐广泛,但由于胃癌病灶复杂多变、尺度变化大,加上数字化染色图像时易导致的边界模糊,目前仅从单一尺度设计的分割算法往往无法获得更精准的病灶边界。为优化胃癌病灶图像分割准确度,基于编解码网络结构,提出一种基于多尺度注意力融合网络的胃癌病灶图像分割算法。编码结构以EfficientNet作为特征提取器,在解码器中通过对多路径不同层级的特征进行提取和融合,实现了网络的深监督,在输出时采用空间和通道注意力对多尺度的特征图进行注意力筛选,同时在训练过程中应用综合损失函数来优化模型。实验结果表明,该方法在SEED数据集上Dice系数得分达到0.806 9,相比FCN和UNet系列网络一定程度上实现了更精细化的胃癌病灶分割。

摘要：实时超声和CT平扫可提示脂肪肝的肝脏肿大和肝实质内弥漫性或局灶性回声或密度改变,定性或半定量地判断脂肪肝的程度及类型.笔者制作了1个图像处理软件,对用面罩式覆盖法[1]得到的肝脏CT图像进行数字化处理,得出整个肝脏脂肪变性程度的参数,同样可用于病理图像的处理,从而达到了定量诊断的目的。

摘要：针对病理数据超大尺寸、标注成本高昂等问题带来的病理分类准确率较低的问题,基于多示例网络,引入分级注意力模块,设计一种兼顾示例级和图像块级损失的病理分类算法。回顾性收集皖南医学院第一附属医院口腔颌面外科186例口腔癌(126例鳞癌、60例腺癌),其数字病理切片划分为验证集、测试集及训练集。首先对病理图像进行前后背景分割,去掉背景中的噪声部分,然后采用ResNet50对分割后的病理图像提取特征,并将特征输入第一级注意力网络,得到基于图像块的注意力得分和损失,再根据注意力得分对图像块进行排序重置标签输入第二级注意力网络,得到基于示例级别的损失,最后将两级注意力的损失作为模型的总损失,通过训练最终网络,得到口腔癌分类结果。实验结果表明,使用两级注意力的多示例网络准确率为78.95%,AUC为0.8430,相较于基线模型均有更高表现。

摘要：为了提高医学病理图像分类的准确率,提出了一种带有粒子位置权重和粒子之间相关度函数的PSO(particle swarm optimization)参数寻优算法.首先,在经典PSO算法的基础上提出了一种基于适应性原则的位置更新策略.然后,在粒子进行参数寻优的过程中,设计了一个增加粒子之间相关性的函数.该算法可以在不考虑速度影响的情况下进行参数最优解的搜索.最后,用经过PSO优化的支持向量机(SVM)算法分类检测病理图像.实验结果表明,该算法的分类准确率达到了98.5%,较高于另外几种算法.分类检测结果符合临床诊断结果,满足医学研究要求.

摘要：结合模糊C均值(FCM)算法局部搜索的特点,将PSO优化聚类结果作为后续FCM算法的初始值,使算法有很强的全局搜索能力。同时,采用Markov随机场与模糊聚类的耦合策略计算适应度函数,利用新的分类中心调整粒子位置,产生新的聚类中心,并将该方法应用于病理图像的分割。与传统的处理方法进行了比较,结果表明,该聚类更为准确且对病理图像的分割效果比原算法效果更好,但对于如何减少算法的运算量仍需作深入研究。