基于邻域统计特性的概率神经网络及其在自动目标识别中的应用

在概率神经的一种改进模型－ＦＤＯ网络的基础上，提出在设计网络收敛域时进一步考虑每一像素点周围８邻域的影响，对网络的作用函数加以修，使改进后的网络具有稳定性好且收敛速度快的优点。通过实验对改进前后网络的识别性能加以比较，证明改进后的网络特别适用于噪声图像的识别。     

电视录象图象的分类与检索

本文对现有的电视图象分类算法和检索算法作了的分析，并在图象分类方面提出了一种自适应分类算法；在检索方面提出了一种基于颜色的样本与非样本学习相结合的方法。自适应分类算法的计算量与相邻帧间的变化量成正比；对纡绝大多数相邻帧，只要计算数目极小的区域就可完成分类工作。实验证明，本文提出的分类与检索方法在速度与精度上均有明显的提高。     

深度学习在医学影像中的应用综述

深度学习能自动从大样本数据中学习获得优良的特征表达,有效提升各种机器学习任务的性能,已广泛应用于信号处理、计算机视觉和自然语言处理等诸多领域。基于深度学习的医学影像智能计算是目前智慧医疗领域的研究热点,其中深度学习方法已经应用于医学影像处理、分析的全流程。由于医学影像内在的特殊性、复杂性,特别是考虑到医学影像领域普遍存在的小样本问题,相关学习任务和应用场景对深度学习方法提出了新要求。本文以临床常用的X射线、超声、计算机断层扫描和磁共振等4种影像为例,对深度学习在医学影像中的应用现状进行综述,特别面向图像重建、病灶检测、图像分割、图像配准和计算机辅助诊断这5大任务的主要深度学习方法的进展进行介绍,并对发展趋势进行展望。     

电视图象中目标检索方法

本文给出一种有效的图象目标检索方法。该方法由颜色分割和定位算法组成。颜色分割中利用样本学习和非样本交互操作，提取目标的特征颜色，并以此建立颜色索引表，以提高颜色分割速度。这位算法中利用映射技术与区域相结合的操作确定目标的大小和位置。实验结果表明，本检索算法具有正确检测和定位目标的能力。     

结构图注意力网络的新冠肺炎轻重症诊断

目的 为辅助医生快速分辨新型冠状病毒肺炎（corona virus disease 2019,COVID-19）轻、重症患者,以便对症下药减轻医疗负担,提出一种基于结构图注意力网络的轻重症诊断算法。方法 基于胸部CT图像提取的特定特征以及肺段间的位置关系构建结构图,以肺部内不同肺段为节点,以提取特征为节点属性。采用图神经网络汇聚相邻节点特征,再利用池化层获取分别代表左肺叶和右肺叶特征的图表示。使用结构注意力机制计算左、右肺叶的感染情况对结果诊断的重要性,并依据重要性融合左、右肺叶图表示以得到最终图表示,最后执行分类任务。由于数据中存在明显的类别不平衡现象,采用Focal-Loss损失函数优化模型以减轻对分类结果的影响。结果 实验将所提算法分别与传统机器学习方法和流行的图神经网络算法做性能对比。在重症诊断的准确率上,本文算法相较于传统机器学习方法和图神经网络算法分别取得14.2%~42.0%和3.6%~4.8%的提升。在AUC （area under curve）指标上,本文算法相较于上述两种算法分别取得8.9%~18.7%和3.1%~3.6%的提升。除此之外,通过消融实验发现具有结构注意力机制的算法相较于未使用的算法在SPE （specificity）、SEN （sensitivity）和AUC 3个指标上分别取得了2.4%、1.4%和1.1%的提升;应用Focal-Loss损失函数的算法相较于未使用的算法提升了2.1%、1.1%和0.9%。结论 所提出的诊断模型综合了图神经网络以及结构注意力机制的优点,引入Focal-Loss损失函数,提升了困难样本的分类准确率,使诊断结果更加准确。     

《中国图象图形学报》精准诊断专刊简介

<正>“医学图像就是医生的眼睛。”广义上的医学图像指在医疗行为中获取的所有和诊疗相关的图像,主要有组织器官的直接图像,如包括超声、X线摄片、CT、MRI、PET、SPECT、fMRI等影像学图像,以及病理切片、骨髓、痰涂片在内的病理学图像。随着医学技术的发展,患者的病理生理状态被从不同的角度进行展示,这对患者的临床诊断和个性化治疗都起到了至关重要的作用。精准诊断是通过人工智能的方法确定个体患者的特征属性,使诊断技术不仅关注疾病诊断的共性,更关注患者个体差异,帮助医生快速且精确地对病症进行诊断与治疗。因此,精准诊断为临床诊断技术的发展注入了全新的活力,是未来临床诊断的研究热点。     

用区域生长分割算法进行动目标定位

本文给出了一种有效的动目标定代方法,它可以快速准确地从复杂背景中确定动目标的位置和大小。此法充分利用序列图象特性,采用减影法提取目标,由于实际条件噪声不可避免,故提出了两种快速中值滤波方法以有效地滤除大量噪声。为了快速准确地定位目标,事先采用了映射算法,然后提出了一种区域生长分割算法RGSA(Region Growing Segmentation Algorithm)定位动目标。RGSA还适用于多目标情况。而且利用映射系数的调整,进行类似于金字塔结构的RGSA,提高了RGSA的速度和准确度。经实验证明,结果是令人满意的。     

中国医学影像人工智能20年回顾和展望

在过去20年里,医学影像技术、人工智能技术以及这两项技术相结合的临床应用都取得了长足发展。中国在该领域的研究也取得卓越成就,并且在全世界范围内的贡献比例仍在逐步提高。为了记录和总结国内同行的科研成果,本文对中国医学影像人工智能过去20年的发展历程进行回顾和展望。重点分析了国内同行在公认的医学影像人工智能领域的国际顶级刊物Medical Image Analysis （MedIA）和IEEE Transactions on Medical Imaging （TMI）以及顶级会议Medical Image Computing and Computer Assisted Intervention （MICCAI）发表的论文,定量统计了论文发表数量、作者身份、发表单位、作者合作链、关键词和被引次数等信息。同时总结了近20年中国医学影像人工智能发展进程中的重要事件,包括举办的医学影像人工智能知名国际和国内会议、《中国医学影像AI白皮书》的发布以及国内同行在COVID-19（corona virus disease 2019）期间的贡献,最后展望了中国医学影像人工智能领域未来的发展趋势。上述统计结果系统性地反映了在过去20年里中国在医学影像人工智能领域所取得的突出成绩。许多研究论文的作者将数据和源代码公开给全世界共享,为全世界医学影像人工智能的科研和教学做出了杰出贡献。通过本文中国医学影像人工智能领域的发展历程,可为医学影像人工智能同行,尤其为新一代的学者和学生提供科研和教学参考,也为继续促进和加强国际合作交流,为全世界该领域进一步的蓬勃发展做出重要贡献。     

实时图像识别系统

基于图像目标识别的智能性及实时性要求，设计出了一种实时图像识别系统。图像目标识别算法由知识型图像分割、基于子波变换的旋转不变性参数提取和神经网络分类器三部分组成：硬件系统由主控计算机；Ｉｎｔｅｌ８０８６０芯片、图像输入输出与预处理模块三部分硬件系统的性能指标超过ＴＲＷ公司的ＭａｒｋⅢ，接近ＭａｒｋⅢ，接ＭａｒｋⅣ。采用此系统实现了对非均匀光照或复杂背景下目标的实时识别。