基于改进YOLOv4模型的乳腺钼靶图像肿块检测

针对目前主流目标检测算法在乳腺钼靶图像的良恶性肿块目标检测中存在应用较少、检测准确率低和检测速度慢等问题，提出一种基于改进YOLOv4的乳腺钼靶图像肿块检测模型。该方法可以在一个框架中同时高效进行肿块的检测和分类。首先，引入了分流聚合双通道(JAnet)残差结构对模型的骨干网络进行改进；其次，引入深度可分离卷积来替换原YOLOv4模型中的标准卷积；最后，在后处理阶段提出了较大值求平均方法。以DDSM数据集作为训练集训练检测模型，并以INbreast数据集作为独立测试集。实验结果表明，提出的基于改进YOLOv4的乳腺钼靶图像肿块检测模型的Recall值、mAP值、FPS和AUC值相比原YOLOv4算法的分别提高了7.3%,6.45%,5.9 fps和13.02%。模型整体效果优于目前主流的目标检测模型的，体现出了良好的鲁棒性和有效性，可以在医师对乳腺癌临床诊断过程中发挥计算机辅助诊断作用。     

双侧特征融合的乳腺肿块检测

乳腺癌是妇女最常见的恶性肿瘤之一,面向乳腺钼靶X线图像的计算机辅助肿块检测技术可以帮助影像科医师早期发现乳腺病变.针对于单侧的乳腺肿块检测中准确率有待提升的问题,提出双侧特征融合的乳腺肿块检测算法.首先,进行图像预处理,并利用相干点漂移完成乳腺轮廓配准;然后,利用配准得到的变换矩阵获得双侧乳腺感兴趣区域,再在其中提取左右侧乳腺的单侧特征向量和双侧对比特征向量,从而建立融合的特征模型,并采用遗传选择算法对特征向量进行特征选择;最后利用极限学习机基于选择后的特征进行乳腺肿块检测.实验结果表明,与传统的基于单侧的乳腺肿块检测算法相比,文中算法能有效地提高检测准确率.     

人型网络乳腺钼靶影像分类方法研究

乳腺癌是女性最常见的恶性肿瘤之一,严重威胁患者健康,因此乳腺钼靶图像多分类对临床诊断乳腺癌具有十分重要的作用。传统卷积神经网络直接采用高级特征对乳腺钼靶图像进行多分类研究,此方法准确率不高。为了进一步提高分类准确率,构建人型网络模型进行分类。此结构通过堆叠的卷积层以及最大池化层来进行图片的低级特征进行提取,通过堆叠的卷积层以及上池化层将特征逐步返回到图片形式的特征图,通过堆叠的卷积层以及最大池化层再次提取到更高级的特征并与之前的低级特征进行级联,将级联的特征经过全局最大池化层进行池化并得到最终分类。在中山大学肿瘤防治中心的1 824幅乳腺钼靶图像做仿真实验,实验结果表明,该方法的准确率达到了74.54%,优于现有相关网络模型。     

基于Multi-Agent的乳腺钼靶图像肿块分类方法

钼靶摄影是目前使用最广泛的乳腺癌早期诊断技术,恶性肿块是钼靶图像中乳腺癌变的一种重要表现。本文提出了一种基于Multi-Agent(多智能体)的多分类器融合乳腺肿块分类方法。首先将单分类器的结果作为初状态输入到各Agent(智能体),接着通过引入决策共现矩阵,利用分类器之间的决策相关信息,在Agent之间进行信息交流,指导各个Agent向不同类别溯源,从而通过Agent之间的信息交互改变溯源概率,最终达到群体决策,得到决策类别。良性恶性肿块在形状和边缘上的差异较大,本文主要使用肿块的边缘特征和形状特征,并提出了两个新的边缘特征。实验采用了美国南佛罗里达大学的DDSM数据库作为实验数据,从中随机挑选了64个恶性肿块和64个良性肿块。实验结果表明,Multi-Agent融合算法的分类精度达94.87%优于传统的融合算法和经典的单分类器算法,其稳定性能也较融合算法及大多数单分类器的效果要好(略低于BP算法)。同时,实验结果也表明所提出的特征在表征肿块的良性恶性时起到了较好的作用。     

乳腺X线图像肿块分割研究

乳腺癌是女性最常见的恶性肿瘤疾病。肿块是乳腺癌一个很重要的征象。首先描述乳腺癌的研究现状,接着介绍了乳腺X线图像库,然后从以下四类对乳腺钼靶X线图像中的肿块分割技术进行综述:基于阈值的分割技术、基于区域的分割技术、基于特定理论的分割技术和基于模型的分割技术,最后对乳腺X线图像中肿块分割的发展前景进行讨论。     

基于卷积神经网络的乳腺癌良恶性诊断

为了提高乳腺癌病理图像良恶性诊断的准确率,提出了一个基于卷积神经网络(CNN)对乳腺癌病理图像的诊断方法。利用这种方法,能够快速地对乳腺癌病理图像自动进行良恶性诊断。乳腺癌病理图像具有非常复杂的结构,利用VGG16架构的卷积神经网络对病理图像进行特征提取,利用数据增强的方法扩充数据集,使用迁移学习,将在ImageNet数据集上训练得到的权重作为该网络的初始化参数,该模型在乳腺癌数据集Breakhis上得到的准确率可以达到95%,而在经过解冻部分训练层、调整学习率等优化操作之后,分类准确率最高可以达到99%。实验结果表明,优化后的方法在乳腺癌良恶性诊断准确率方面有很大的提高。     

改进DenseNet的乳腺癌病理图像八分类研究

目前,在医学图像领域存在乳腺癌组织病理图像自动分类难以应用于临床诊断的现象,究其根源是当前没有大型公开的数据集或数据集数据不均衡。针对上述问题,提出一种结合密集卷积神经网络（dense convolutional network,DenseNet）、注意力机制（attention mecheanism）和焦点损失函数（Focal loss）的乳腺癌组织病理图像的多分类模型,即DAFLNet。DAFLNet在乳腺癌组织病理图像数据集BreaKHis上进行训练、验证与测试,最终实验结果显示,该模型对良恶性二分类的识别准确率达到99.1%,对乳腺亚型八分类的识别准确率达到95.5%。证明在数据不均衡的条件下,DAFLNet模型能够准确地对乳腺组织病理图像进行八分类。     

基于乳腺钼靶X线图像等值面特征的乳腺区域阈值分割算法

乳腺钼靶X线图像中乳腺区域的分割可以帮助对图像进行深入分析和处理,从而提高乳腺疾病的诊断准确率。提出一种能有效提取乳腺区域的算法。算法分析了乳腺钼靶X线图像等值面面积变化不连续的特征并将其用于分割阈值的精确计算。该算法使用基于扫描线的方法来获得含乳腺区域的连通区域,比种子填充法效率更高。为了获得更纯粹的乳腺区域,通过一些精细地处理对乳腺区域相连的未曝光图像边框作了剥离。实验结果表明算法在乳腺区域分割的精度和执行效率上都有更好的表现。     

融合空间和通道特征的高精度乳腺癌分类方法

组织病理学图像是鉴别乳腺癌的黄金标准,所以对乳腺癌组织病理学图像的自动、精确的分类具有重要的临床应用价值。为了提高乳腺组织病理图像的分类准确率,从而满足临床应用的需求,提出了一种融合空间和通道特征的高精度乳腺癌分类方法。该方法使用颜色归一化来处理病理图像并使用数据增强扩充数据集,基于卷积神经网络（CNN）模型DenseNet和压缩和激励网络（SENet）融合病理图像的空间特征信息和通道特征信息,并根据压缩-激励（SE）模块的插入位置和数量,设计了三种不同的BCSCNet模型,分别为BCSCNetⅠ、BCSCNetⅡ、BCSCNetⅢ。在乳腺癌癌组织病理图像数据集（BreaKHis）上展开实验。通过实验对比,先是验证了对图像进行颜色归一化和数据增强能提高乳腺的分类准确率,然后发现所设计的三种乳腺癌分类模型中精度最高为BCSCNetⅢ。实验结果表明,BCSCNetⅢ的二分类准确率在99.05%~99.89%,比乳腺癌组织病理学图像分类网络（BHCNet）提升了0.42个百分点;其多分类的准确率在93.06%~95.72%,比BHCNet提升了2.41个百分点。证明了BCSCNet能准确地对乳腺癌组织病理图像进行分类,同时也为计算机辅助乳腺癌诊断提供了可靠的理论支撑。     

基于边缘邻域的乳腺肿块特征提取算法

乳腺癌是一种严重威胁人类生命健康的疾病。只有早发现和早治疗才不会错过治疗的最佳时机。乳腺肿块是乳腺癌最主要、最常见的病灶特征,研究乳腺图像中肿块的特征提取,有利于辅助医生诊断,提高医生阅片的效率和正确率。本文针对以往的特征提取方法没有考虑图像的空间信息,造成分类准确率不高的问题,提出一种基于边缘邻域的特征提取算法,使图像特征包含肿块边缘邻域空间信息,其基本思想结合了主动轮廓模型和词袋模型,利用参数控制并确定边缘邻域,对邻域内的特征进行组合或者加权。在保证分类器模型不变的情况下,通过与以往的特征提取算法相比,验证了本算法在分类准确率上优于其他特征提取算法。     

基于遗传算法和BP神经网络的孤立性肺结节分类算法

为了提高计算机辅助诊断系统中孤立性肺结节的良恶性诊断的准确性,提出了一种基于遗传算法和BP神经网的分类算法。该算法针对BP神经网络容易陷入局部最优的问题,综合考虑孤立性肺结节的医学诊断特性,采用遗传算法对基于BP神经网络的分类器进行优化,并通过对PET/CT图像进行处理,提取病灶的功能特征、结构特征以及临床信息作为神经网络分类器的输入样本,实现孤立性肺结节的良恶性分类。对医院以及网络公共数据库中的大量实验数据进行分类实验,结果表明优化后的算法在分类准确性上有较大的提高,说明该方法在肺结节临床分类方面是有效的。     

基于Xception网络的弱监督细粒度图像分类

随着深度学习的快速发展,计算机视觉领域对图像的分类研究不仅仅局限于识别出物体的类别,更需要在传统图像分类任务的基础上进行更细致的类别划分.通过对现有细粒度图像分类算法和模型的分析研究,提出一种基于Xception模型与WSDAN(weakly supervised data augmentation network)弱...     

几种机器学习方法在黑色素瘤计算机辅助诊断中的性能比较

黑色素瘤的计算机辅助诊断是基于激光共聚焦扫描显微镜（CLSM）皮肤图像纹理特征, 并引入机器学习的技术, 为临床应用研发的一种能够准确、有效地识别在体恶性黑色素瘤新医学诊断方法, 将常用的基于机器学习的ID3、分类与回归树（CART）和AdaBoost三种算法应用于良恶性黑色素瘤图像的特征识别, 并对各种学习方法的性能进行比较。实验结果表明, AdaBoost算法具有较好的分类识别性能, 不但提高了恶性黑色素瘤早期诊断的准确度, 降低了良性黑色素瘤的误诊率, 而且为临床上早期发现和诊断提供了客观依据。     

结合注意力机制的乳腺双模态超声分类网络

目的 影像学医师通常通过观察乳腺B型超声（brightness-mode ultrasound）肿瘤区域进行良恶性分析,针对难以辨别的病例则融合其对应的超声造影（contrast-enhanced ultrasound,CEUS）特征进一步判别。由于超声图像灰度值范围变化小、良恶性表现重叠,特征提取模型如果不能关注到病灶区域将导致分类错误。为增强网络模型对重点区域的分析,本文提出一种基于病灶区域引导的注意力机制,同时融合双模态数据,实现乳腺超声良恶性的精准判别。方法 通过对比实验,选取一个适合超声图像特征提取的主干分类模型ResNet34;为学习到更有分类意义的特征,以分割结节的掩膜图（region of interest,ROI-mask）作为引导注意力来修正浅层空间特征;将具有分类意义的超声造影各项评价特征向量化,与网络提取的深层特征进行融合分类。结果 首先构建一个从医院收集的真实病例的乳腺超声数据集BM-Breast （breast ultrasound images dataset）,与常见分类框架ResNet、Inception等进行对比实验,并与相关最新乳腺分类研究成果对比,结果显示本文设计的算法在各项指标上都有较大优势。本文提出的融合算法的分类准确性为87.45%,AUC （area under curve）为0.905。为了评估对注意力引导机制算法设计的结果,在本文实验数据集和公开数据集上分别进行实验,精度相比对比算法提升了3%,表明本文算法具有较好的泛化能力。实验结果表明,融合两种模态超声数据的特征可以提升最终分类精度。结论 本文提出的注意力引导模型能够针对乳腺超声成像特点学习到可鉴别的分类特征,双模态数据特征融合诊断方法进一步提升了模型的分类能力。高特异性指标表现出模型对噪声样本的鲁棒性,能够较为准确地辨别出难以判别的病例,本文算法具有较高的临床指导价值。     

基于改进MobileNetV2神经网络的视网膜OCT图像多分类

光学相干断层成像(optical coherence tomography, OCT)是一种具有无接触、高分辨率等特点的新型眼科医学诊断方法, 现在已经作为医生临床诊断眼科疾病的重要参考物, 但人工分类疾病费时费力, 视网膜病变的早期发现和临床诊断至关重要. 为了解决该类问题, 本文提出了一种基于改进MobileNetV2神经网络对视网膜OCT图像多分类识别方法. 此方法利用特征融合技术处理图像并设计增加注意力机制改进网络模型, 二者在极大程度上提高OCT图像的分类准确率. 与原有算法相比, 分类效果具有明显提升, 本文模型的分类准确率、召回值、精确度、F1值分别达到98.3%、98.44%、98.94%、98.69%, 已经超越人工分类的准确率. 此类方法不仅在实际诊断中加快诊断流程、降低医生负担、提高诊断质量, 同时也为眼科医疗研究提供新的方向.     

基于小波神经网络的医学图像分类方法

为了提高乳腺癌早期诊断的准确率,将小波理论与神经网络理论相结合提出改进的小波神经网络算法。将经过预处理的医学图像提取特征值,然后利用基于改进的小波神经网络算法的分类器对医学图像进行分类。通过实验表明此分类器具有较高的分类精度,是有效和可行的;与单独使用后向传播神经网络算法相比分类效果也得到了改善。     

基于改进ReliefF与k-means算法的良恶性肺结节分类模型

肺结节是肺癌的症状.在CT图像中,肺结节的形状和大小常被用来进行肺癌的诊断,然而良性和恶性结节的鉴别对于疾病的治疗具有重要意义.由于良恶性结节的边缘纹理特征区别大,因此本文首先利用基于改进的边缘检测算子的灰度-梯度共生矩阵(GGCM)提取小梯度优势、灰度分布不均匀性、能量、灰度熵、梯度熵、混合熵、逆差距、相关性等肺部CT图像的14种纹理特征.然后利用改进的ReliefF算法去除作用小的特征,保留重要特征的特征权重值.最后将重要特征的权重值应用于改进距离度量准则的k-means算法中进行良恶性结节的分类.应用本文算法在LIDC数据集上实验,实验分析结果表明,14种纹理特征对于结节良恶性的分类能力并不相同,而灰度差、梯度差、能量、小梯度优势、相关性、灰度熵、混合熵、逆差矩的组合得到的良恶性肺结节分类效果最好,最终实现了良性结节83.46%,恶性结节95.02%的识别率,可在临床应用中辅助医生进行肺结节的良恶性诊断.     

基于神经网络架构搜索的肺结节分类算法

肺结节分类是早期肺癌诊断的重要任务。基于深度学习的肺结节分类方法虽然能够取得良好的分类精度,但存在模型复杂和可解释性差的问题。为此,提出了一种基于神经网络架构搜索的肺结节分类算法。首先,将注意力残差卷积cell作为搜索空间的基本单元,并使用偏序剪枝方法作为搜索策略来构建神经网络架构以搜索3D分类网络,从而达到网络性能和搜索速度的平衡。其次,在网络中构建了多尺度通道和空间注意力模块来提高特征描述和类别推理的可解释性。最后,采用堆叠法将搜索到的网络架构进行多模型的融合,从而获取精准的肺结节良恶性分类预测结果。实验结果表明,在肺结节分类常用数据集LIDC-IDRI上,所提算法与最新肺结节分类算法相比具有较好的分类性能和较快的收敛,且所提算法的特异性和精确率分别达到95.37%和93.42%,能够实现良恶性肺结节的准确分类。     

Optimal Artificial Intelligence Based Automated Skin Lesion Detection and Classification Model

Skin lesions have become a critical illness worldwide, and the earlier identification of skin lesions using dermoscopic images can raise the survival rate. Classification of the skin lesion from those dermoscopic images will be a tedious task. The accuracy of the classification of skin lesions is improved by the use of deep learning models. Recently, convolutional neural networks (CNN) have been established in this domain, and their techniques are extremely established for feature extraction, leading to enhanced classification. With this motivation, this study focuses on the design of artificial intelligence (AI) based solutions, particularly deep learning (DL) algorithms, to distinguish malignant skin lesions from benign lesions in dermoscopic images. This study presents an automated skin lesion detection and classification technique utilizing optimized stacked sparse autoencoder (OSSAE) based feature extractor with backpropagation neural network (BPNN), named the OSSAE-BPNN technique. The proposed technique contains a multi-level thresholding based segmentation technique for detecting the affected lesion region. In addition, the OSSAE based feature extractor and BPNN based classifier are employed for skin lesion diagnosis. Moreover, the parameter tuning of the SSAE model is carried out by the use of sea gull optimization (SGO) algorithm. To showcase the enhanced outcomes of the OSSAE-BPNN model, a comprehensive experimental analysis is performed on the benchmark dataset. The experimental findings demonstrated that the OSSAE-BPNN approach outperformed other current strategies in terms of several assessment metrics.     

Microcalcification diagnosis in digital mammography using extreme learning machine based on hidden Markov tree model of dual-tree complex wavelet transform

Diagnosis of benign and malignant microcalcifications in digital mammography using Computer-aided Diagnosis (CAD) system is critical for the early diagnosis of breast cancer. Wavelet transform based diagnosis methods are effective to accomplish this task, but limited by representing the correlation within each wavelet scale, these methods neglect the correlation between wavelet scales. In this paper, we apply the hidden Markov tree model of dual-tree complex wavelet transform (DTCWT-HMT) for microcalcification diagnosis in digital mammography. DTCWT-HMT can effectively capture the correlation between different wavelet coefficients and model the statistical dependencies and non-Gaussian statistics of real signals, is used to characterize microcalcifications for the diagnosis of benign and malignant cases. The combined features which consist of the DTCWT-HMT features and the DTCWT features are optimized by genetic algorithm (GA). Extreme learning machine (ELM), an efficient learning theory is employed as the classifier to diagnose the benign and malignant microcalcifications. The validity of the proposed method is evaluated on the Nijmegen, MIAS and DDSM datasets using area under curve (AUC) of receiver operating characteristic (ROC). The AUC values of 0.9856, 0.9941 and 0.9168 of the proposed method are achieved on Nijmegen, MIAS and DDSM, respectively. We compare the proposed method with state-of-the-art diagnosis methods, and the experimental results show the effectiveness of the proposed method for the diagnosis of the benign and malignant microcalcifications in mammograms in terms of the accuracy and stability.