计算机辅助诊断技术在脑部CT诊断中的应用

近年来计算机辅助诊断成为医学影像学中的研究热点课题之一,将基于灰度共生矩阵和BP神经网络的计算机辅助诊断技术应用到脑CT图像诊断中。首先,在分析灰度共生矩阵的基础上提取了能量、对比度、相关度和熵等纹理特征参数;然后,利用BP神经网络设计了一个分类器,用来对特征向量进行分类;最后,实验结果表明此方法可以有效的区分正常与异常的脑部CT图像,为医师的诊断提供辅助信息。     

基于神经网络集成模型的宫颈细胞病理计算机辅助诊断方法

针对宫颈细胞病理图像自动筛查问题,本文提出一种基于人工智能技术的计算机辅助诊断方法。该方法通过对宫颈细胞病理图像采用自适应双阈值法进行初步检测,再采用改进Chan-Vase模型进行精确分割,提取出细胞(粘连簇团)中的不同区域。然后,结合病理诊断专家规则,构建相应的正交特征集。在此基础上,使用神经网络集成模型进行正常、疑似病变二分类识别,完成计算机辅助诊断。实验表明,本文方法能够有效完成宫颈病理细胞(粘连簇团)的分类识别,具有较高的正确率(84%)与较低的误判率(2.1%)。满足了在保证判断正确率的条件下,尽量降低将疑似病变样本误判为正常样本的实际病理诊断要求。     

计算机辅助诊断系统在临床实践中的应用

先进的图像技术和计算机科学已经大大加强了医学图像的表达,并且对早期诊断也有突出贡献。从CT片子上可以观察到常人、肝囊肿病人以及肝癌病人具有的特征。最后,利用自适应概率统计模型建立肺癌识别模型和非肺癌识别模型。结果表明,结合人工智能的计算机医学图像分析可以对更多的实际诊断做出贡献。     

基于DWC波前检测的计算机辅助装调技术

计算机辅助装调(CAA)技术是提升高精度、复杂离轴光学系统成像质量的有效手段.介绍了计算机辅助装调技术发展背景及现状,总结了用于计算机辅助装调技术的光学检测手段及优化方法.介绍了一种基于高分辨率波前传感器(DWC)的计算机辅助装调技术,建立了数学模型.这个模型包含光学系统出瞳波面像差获取、失调光学系统的失调量计算及系统像差表示三个方面的内容.最后,对模型进行了数值仿真试验,通过对比系统装调前后的结果,验证了该方法的理论可行性.     

基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统

支持向量机与其他16种常见分类器相比具有优异的分类性能.本文提出一个基于支持向量机的超声乳腺肿瘤图像计算机辅助诊断系统.该系统提取了乳腺肿瘤图像归一化自相关系数、均方根系数、紧凑度等共26个纹理和几何特征.这些特征不但反映乳腺良性肿瘤和恶性肿瘤本质的区别,还考虑到医学超声图像为相干图像的特点.实验结果表明,该系统诊断精确度为93.03%,敏感性为94.30%,特殊性为91.59%,错误正比率92.80%,错误负比率为93.33%,接受特性曲线面积AUC为0.9669,性能优于较有影响的文献[1]提出的方案.     

基于集成DBN的肺部肿瘤计算机辅助诊断模型研究

针对目前肺部肿瘤计算机辅助诊断模型存在的识别精度不高和漏诊率、误诊率降低困难等问题,提出一种基于集成深度信念网络(DBN)的肺部肿瘤计算机辅助诊断模型。首先,探讨不同的隐层数和隐层节点数对DBN识别性能的影响,从而确定合适的网络结构,并以该网络结构在三个模态(CT,PET,PET/CT)肺部图像构成的样本空间构建三个单一DBN个体分类器(CT-DBN,PET-DBN,PET/CT-DBN);然后,探讨输入图像大小、RBM学习率、训练批次大小、反向传播次数对DBN识别性能的影响,从而确定合适的参数训练三个单一DBN个体分类器;最后,采用相对多数投票法对三个DBN个体分类器进行集成,得到该模型的最终结果。实验结果表明,基于集成DBN的肺部肿瘤计算机辅助诊断模型的整体性能优于三个单一DBN个体分类器。