基于MRI图像的阿尔茨海默症患者脑网络特征识别算法

针对通过脑成像对阿尔茨海默症（AD）进行人工识别存在主观性、易误诊的问题,提出了一种基于核磁共振成像（MRI）图像构建脑网络对AD进行自动识别的方法。首先,把MRI图像叠加并进行结构块划分,并通过计算任意两个结构块之间的结构相似性（SSIM）来构造网络;然后,利用复杂网络理论提取结构参数,并将其作为机器学习算法的输入实现AD的自动识别。分析发现双参数特别是节点介数和边介数作为输入时分类效果最优,进一步研究发现MRI图像划分为27个结构块时分类效果最优,对于加权网络和无权网络的准确率分别最高可达91.04%和94.51%。实验结果表明,基于MRI结构块划分构建的结构相似性复杂网络能够对AD进行准确率更高的识别。     

3DPCANet在阿尔茨海默症功能磁共振成像图像分类中的应用

阿尔茨海默症(AD)是一种起病隐匿的进行性神经退行性疾病,会使患者的大脑脑区结构发生改变.为辅助医生对AD患者的病情做出正确判断,提出了一种改进的三维主成分分析网络(3DPCANet)模型,并结合被试者全脑均值低频波动振幅(mALFF)图像来对AD进行分类.首先,对功能磁共振成像(fMRI)数据进行预处理,计算出全脑m...     

3D迁移网络的阿尔茨海默症分类研究

阿尔兹海默症目前还无法被治愈,若能对其正确诊断,则可采用正确治疗方式延缓病人病情.为减少人工诊断的时间和成本,采用机器学习方法来辅助人工诊断阿尔兹海默症,提出了一种利用3D核磁共振成像信号来诊断的迁移学习方法.该方法采用MobileNet迁移网络来提取瓶颈特征,并增加了一个有监督训练的顶层来进一步降维和提取特征,最后在...     

卷积神经网络诊断阿尔兹海默症的方法

针对阿尔兹海默症（AD）通常会导致海马体区域萎缩的现象,提出一种使用卷积神经网络（CNN）对脑部磁共振成像（MRI）的海马体区域进行AD识别的方法。测试数据来自ADNI数据库提供的188位患者和229位正常人的脑部MRI图像。首先,将所有脑图像进行颅骨剥离,并配准到标准模板;其次,使用线性回归进行脑部萎缩的年龄矫正;然后,经过预处理后,从每个对象的3D脑图像的海马体区域提取出多幅2.5D的图像;最后,使用CNN对这些图像进行训练和识别,将同一个对象的图像识别结果用于对该对象的联合诊断。通过多次十折交叉验证方式进行实验,实验结果表明所提方法的平均识别准确率达到88.02%。与堆叠自动编码器（SAE）方法进行比较,比较结果表明,所提方法在仅使用MRI进行诊断的情况下效果比SAE方法有较大提高。     

基于内容的MRI脑肿瘤图像特征提取及检索方法

医学图像检索中特征提取方法对检索的效果、性能具有重要影响,针对这个问题,设计了一个基于内容的医学图像检索系统.为了给医学图像检索系统的临床应用提供参考价值,该系统以哈佛大学医学院开发的脑肿瘤MRI医学图像数据库为背景,比较了颜色相关图、颜色矩、灰度共生矩阵、金字塔小波变换和树型小波变换这5个特征提取技术对MRI脑肿瘤医学图像的检索性能.实验结果表明树型小波变换和金字塔小波变换的检索效果较好.     

基于改进残差网络的阿尔兹海默症分类

针对阿尔兹海默症（AD）患者常会出现脑内灰质（GM）部分丢失的现象,提出了一种基于GM磁共振图像（MRI）的深度学习AD分类的方法。首先,对MRI图像数据集进行AC-PC校正、小脑切除、颅骨剥离、配准、调制和分割等预处理,提取灰质图像。然后,对3D GM MRI图像进行切片,得到矢状面、冠状面和横切面三个方向的2D图像。最后,以矢状面的二维切片为输入样本,以残差网络作为主干网络,并作出以下改进：将传统的ResNet50中Stem的7×7卷积层替换为三个3×3卷积层串联,保证在感受野保持不变的情况下进一步减小计算量;构建跨阶段局部（CSP）瓶颈层,以分割梯度流,更有效地利用梯度信息;将高效通道注意力（ECA）模块嵌入到基本残差结构中,使网络模型特征提取更加高效;通过迁移学习,将Mini-ImageNet数据集上预训练好的权重参数在改进的ResNet50上进行微调,并使用5折交叉验证得到结果。实验结果表明,在ResNet18网络模型上,矢状面方向的切片准确度、特异度和敏感度分别为85.4%、87.9%和84.2%,各项评价指标均优于其他方向的切片;与传统的ResNet50相比,改进后的网络...     

MRI脑肿瘤图像的超像素/体素分割及发展现状

超像素/体素分割算法把具有相同结构信息的点划分至同一子区域,获得可准确描述图像局部特征且符合功能子结构的平滑边缘信息,在医学磁共振成像(magnetic resonance imaging, MRI)分割领域广泛应用。本文比较了不同超像素算法分割脑肿瘤医学图像的性能。归纳并总结了多种最新超像素/体素算法的研究成果及应用,为进一步比较算法性能,选取了多模态脑肿瘤分割挑战赛(Multimodal Brain Tumor Segmentation Challenge, Bra TS)2018数据集中的部分脑肿瘤图像进行超像素分割。同时,通过边缘召回率、欠分割错误率、紧密度评测和可达分割准确率4项指标分析算法性能,并阐述算法的未来发展趋势和可行性空间。通过上述算法分析可得:基于图论的(graph-based)、标准化分割(normalized cut)、随机游走算法(lazy random walk)可获得精准的核心肿瘤信息,但对增强肿瘤的准确率稍显不足,不利于后续特征区域提取。基于密度的聚类算法(density-based spatial clustering of applications...     

人工智能在神经医学中的应用综述

人工智能影响着人们生活的方方面面,而医疗也成为了人工智能最热门的应用领域之一,越来越多的人工智能设备被用于辅助医生进行诊断和治疗。对人工智能在神经医学中的应用进行了综述,特别针对帕金森病和阿尔兹海默症的诊断进行了详细的归纳分析。首先,阐述了人工智能的发展历史、分类和应用现状;其次,归纳总结了利用人工智能诊断帕金森病和阿尔兹海默症的研究现状,对比分析了其中采用的关键技术;最后,总结了人工智能应用于神经医学中的关键技术,阐明了人工智能 应用于医疗领域的重要性,并展望了未来人工智能应用 于神经医学中的研究方向。     

MRI脑肿瘤图像分割的深度学习方法综述

磁共振成像（MRI）作为一种典型的非侵入式成像技术，可产生高质量的无损伤和无颅骨伪影的脑影像，为脑肿瘤的诊断和治疗提供更为全面的信息，是脑肿瘤诊疗的主要技术手段。MRI脑肿瘤自动分割利用计算机技术从多模态脑影像中自动将肿瘤区（坏死区、水肿区、非增强肿瘤区和增强肿瘤区）和正常组织区进行分割和标注，对于辅助脑肿瘤的诊疗具有重要作用。本文对MRI脑肿瘤图像分割的深度学习方法进行了总结与分析，给出了各类方法的基本思想、网络架构形式、代表性改进方案以及优缺点总结等，并给出了部分典型方法在BraTS（multimodal brain tumor segmentation）数据集上的性能表现与分析结果。通过对该领域研究方法进行综述，对现有基于深度学习的MRI脑肿瘤分割研究方法进行了梳理，作为新的发展方向，MRI脑肿瘤图像分割的深度学习方法较传统方法已取得明显的性能提升，已成为领域主流方法并持续展现出良好的发展前景，有助于进一步推动MRI脑肿瘤分割在临床诊疗上的应用。     

IMAGE ANALYSIS AND FUZZY INTEGRATION APPLIED TO PRINT QUALITY ASSESSMENT

ABSTRACT

We present an image analysis and fuzzy integration based option for the assessment of print quality in rotogravure printing. Values of several print distortion attributes are evaluated employing image analysis procedures and then are aggregated into an overall print quality measure using fuzzy integration. The experimental investigations performed have shown that the print quality evaluations provided by the measure correlate well with the print quality rankings obtained from the expert. The developed tools are successfully used in printing shops for routine print quality control.     

阿尔茨海默病的多模态主成分分析诊断方法

针对阿尔茨海默病的计算机辅助诊断,使用多种模态医学数据,结合机器学习算法实现高准确率的诊断.将数据经过年龄校正和特征剔除处理;将结构性磁共振成像、正电子发射计算机断层显像、脊髓液蛋白质和基因四种模态数据通过主成分分析进行融合;使用极限学习机分类诊断.通过302位对象的十折交叉验证实验,准确率达到95.1％,比常规方法提升3.5百分点.结果说明该方法在阿尔茨海默病的诊断上有高准确度,可为医生的临床诊断提供可靠的参考.     

深度迁移学习辅助的阿尔兹海默氏症早期诊断

目前越来越多的老人正在遭受着阿尔茨海默氏症AD(Alzheimer's Disease)带来的痛苦。临床研究显示,轻度认知障碍MCI(mild cognitive impairment)转化为阿尔兹海默氏症的概率很高,但是若能在MCI阶段对其进行药物治疗是可以康复的,因此提高根据核磁共振图像MRI医学图像诊断的准确率很有必要有。由于医学领域的特点,构建带标注信号的一定规模的数据集非常困难,导致现有机器学习/深度学习方法难以应用于医学影像分析以至于深度学习的结果并不理想。采用数据增广方式对原来数据集的规模进行一定数量的扩充。然后采用一种针对MRI识别的端到端的深度神经网络分类器(MCINet)。结合迁移学习方式对MCINet模型进行有效训练而不至于过拟合。实验结果表明,该方法在较少带标记训练样本的情形下,也获得较高的准确率。     

应用于目标追踪决策的水下目标意图分析方法

为了准确判断现实水声对抗环境下水下真实目标的意图以优选追踪目标,提出一种基于多层黑板改进模型的水下目标意图分析方法。其在经典的多层黑板模型结构和运行机制中结合了威胁量化评估,即在目标趋势判断的基础上增加了目标状态特征评估,增强了方法的适用性,并通过仿真验证了该方法的有效性。该方法以水声对抗态势为应用背景,综合目标航迹信息与声纳探测信息,从海量动态信息和带有虚假水声对抗目标的信息中实时辨识出真实目标及其意图,使无人系统具备针对水下目标意图的在线自主预测以及优选追踪目标的能力。     

微机图象分析的新进展

本文介绍微机图象分析的最新进展。评价了基于ＰＣＩ和“自主征”概念的新系统结构，数字摄像机，液晶可调光滤波器和ＩＥＥＥ１３９４总线接口等接技术，以及微机图象分析从中低分辩率向超高分辨率；从黑白、彩色到多谱图象分析从单帧分析到图象序分析；从单站分析到广泛到联的发展趋势。     

人眼视觉特性引入粗糙集图像增强的研究与仿真

粗糙集理论作为研究不确定完善问题的一种新型数学工具,已经在许多领域得到广泛应用。在数字图像处理领域中,可以用来改善图像显示的质量和效果。在实际改善图像质量以提高其视觉效果时仅仅采用一种预处理方法是不够的。综合人眼的视觉特性和噪声特性,使用粗糙集理论来增强图像的显示效果较一般的方法有更大的优势。仿真结果表明采用基于粗糙集理论的新算法能取得更好的增强效果。     

图象分析专家系统中的不精确推理

处理图象分析中的不确定性也是专家系统不可回避的任务.目前有多种用以表示不确定性,并能进行不精确推理的模型,主要有概率理论、证据理论和可能性理论;同时不精确推理的非数值方法也引起了人们的极大关注,如非单调逻辑.本文探讨了这些推理理论在一些具体图象分析问题中的应用途径.     

层次聚类在细胞图像分析中的应用

传统的细胞图像分析是从细胞图像分割或者边缘检测的角度进行的,这些方法是通过对细胞图像像素变化的分析达到对细胞图像进行分析的目的;而层次聚类方法是从对细胞图像像素进行聚类分层的角度达到提取细胞的目的。细胞图像像素的聚类是结合了半边图的原理,将每个像素或者聚类后的一类像素看作是半边图中的顶点,细胞图像像素之间的距离、像素值差等看作是半边图的半边,将符合条件的半边结合成边,能连接成边的顶点归为一类。通过对细胞图像像素的层层聚类最终得到完整的细胞图像。     

均匀颜色空间中的免疫荧光图像分析

分析彩色免疫荧光图像可以获得细胞免疫信息,用于辅助研究和医疗诊断。视觉上图像前景荧光区域和背景之间存在明显的颜色差异,在CIE（L^＊,a^＊,b^＊）均匀颜色空间中利用该颜色差异给出了一种像素生长算法用于获取荧光区域。在区域提取的基础上,根据同一细胞不同区域之间的相关性初步识别细胞并计数。