基于深度学习的超声心动图切面识别方法

提出了一种基于深度卷积神经网络自动识别超声心动图标准切面的方法,并可视化分析了深度模型的有效性。针对网络全连接层占有模型大部分参数的缺点,引入空间金字塔均值池层化替代全连接层,获得更多空间结构信息,并大大减少模型参数、降低过拟合风险,通过类别显著性区域将类似注意力机制引入模型可视化过程。通过超声心动图标准切面的识别问题案例,对深度卷积神经网络模型的鲁棒性和有效性进行解释。在超声心动图上的可视化分析实验表明,改进深度模型作出的识别决策依据,同医师辨别分类超声心动图标准切面的依据一致,表明所提方法的有效性和实用性。     

基于主动学习不平衡多分类AdaBoost算法的心脏病分类

针对不平衡分类中小类样本识别率低问题,提出一种基于主动学习不平衡多分类AdaBoost改进算法。首先,利用主动学习方法通过多次迭代抽样,选取少量的、对分类器最有价值的样本作为训练集;然后,基于不确定性动态间隔的样本选择策略,降低训练集的不平衡性;最后,利用代价敏感方法对多分类AdaBoost算法进行改进,对不同的类别给予不同的错分代价,调整样本权重更新速度,强迫弱分类器"关注"小类样本。在临床经胸超声心动图（TTE）测量数据集上的实验分析表明：与多分类支持向量机（SVM）相比,心脏病总体识别率提升了5.9%,G-mean指标提升了18.2%,瓣膜病（VHD）识别率提升了0.8%,感染性心内膜炎（IE）（小类）识别率提升了12.7%,冠心病（CAD）（小类）识别率提升了79.73%;与SMOTE-Boost相比,总体识别率提升了6.11%,G-mean指标提升了0.64%,VHD识别率提升了11.07%,先心病（CHD）识别率提升了3.69%。在TTE数据集和4个UCI数据集上的实验结果表明,该算法在不平稳多分类时能有效提高小类样本识别率,并且保证其他类别识别率不会大幅度降低,综合提升分类器性能。     

利用关键点检测算法的超声图像定点测量

超声图像的定点距离测量在临床医学上十分重要.由于超声图像的噪声大,边缘模糊,因此关键点自动定位在超声图像中很有挑战性.目前的关键点检测算法通常是针对单个关键点位置进行优化,难以在保证每个关键点检测精度的情况下得到准确的测量距离.为使超声图像中关键点的精度和两个关键点之间的距离更加精确,本文提出一种基于级联卷积神经网络的关键点检测算法,该方法采用两个卷积网络从粗略到精细的对关键点进行定位.首先利用第一个网络回归两个关键点的粗略位置,并将包含这两个关键点的小区域送入第二个网络.然后本文提出一种加入距离修正的损失函数,作为第二个网络的优化目标,在第一个网络输出结果的基础上定位最终的关键点位置.实验结果表明,本文提出的级联方法无论是相比传统的级联方式还是回归树方法,本文算法在超声图像的关键点定位上更为精准,并且在最终的距离测量精度上也有很大的提高,在评价标准下比传统级联方法检测精度上提升将近30%.     

基于逻辑回归树耦合熵指数模型的滑坡易发性分区——以陕西省延安市吴起县滑坡为例

研究合适的县域滑坡易发性分区的方法，对于滑坡的防治有着非常重要的现实意义。鉴于此，基于陕西省延安市吴起县的717个滑坡样本，选取坡度、坡向、高程、平面曲率、剖面曲率、年平均降雨量、距道路的距离、距河流的距离、岩土体类型和NDVI作为影响因子，计算对应的熵指数，构建了基于熵指数的建模数据集。随后，基于建模数据集，耦合熵指数(IOE)和逻辑回归树模型(LMT),建立了IOE-LMT混合分类模型，并绘制了吴起县滑坡易发性分区图。利用多种统计学指标、ROC曲线下的面积(AUROC)和平均绝对误差(MAE)评价分区精度和模型的泛化性能。结果表明：IOE-LMT模型的泛化性能较强(AUROC=0.942),且滑坡易发性分区图的精度较高；研究区内滑坡易发于黄土沟道范围内，并且研究区北部的滑坡易发性明显高于南部。评价结果合理可靠，可为当地的滑坡防治和国土空间规划提供参考。     

基于多分类AdaBoost改进算法的TEE标准切面分类

针对超声图像样本冗余、不同标准切面因疾病导致的高度相似性、感兴趣区域定位不准确问题,提出一种结合特征袋（BOF）特征、主动学习方法和多分类AdaBoost改进算法的经食管超声心动图（TEE）标准切面分类方法。首先采用BOF方法对超声图像进行描述;然后采用主动学习方法选择对分类器最有价值的样本作为训练集;最后,在AdaBoost算法对弱分类器的迭代训练中,根据临时强分类器的分类情况调整样本更新规则,实现对多分类AdaBoost算法的改进和TEE标准切面的分类。在TEE数据集和三个UCI数据集上的实验表明,相比AdaBoost.SAMME算法、多分类支持向量机（SVM）算法、BP神经网络和AdaBoost.M2算法,所提算法在各个数据集上的G-mean指标、整体分类准确率和大多数类别分类准确率都有不同程度的提升,且比较难分的类别分类准确率提升最为显著。实验结果表明,在包含类间相似样本的数据集上,分类器的性能有显著提升。