【摘 要】
：
据世界卫生组织称,新型冠状病毒大流行正使世界各地的卫生医疗系统面临前所未有的压力。目前诊断COVID-19的金标准是进行RT-PCR检测,但由于该方法具有采样方式受限、假阴性率高、资源紧缺等问题,胸部CT检测已成为临床辅助诊断COVID-19的有效方法。然而,随着疑似病例的增加,单纯依靠放射科医生手工分割大量的CT影像面临严峻挑战,迫切需要研究出对COVID-19感染进行自动分类的方法。随着计算机
论文部分内容阅读
据世界卫生组织称,新型冠状病毒大流行正使世界各地的卫生医疗系统面临前所未有的压力。目前诊断COVID-19的金标准是进行RT-PCR检测,但由于该方法具有采样方式受限、假阴性率高、资源紧缺等问题,胸部CT检测已成为临床辅助诊断COVID-19的有效方法。然而,随着疑似病例的增加,单纯依靠放射科医生手工分割大量的CT影像面临严峻挑战,迫切需要研究出对COVID-19感染进行自动分类的方法。随着计算机算法特别是人工智能的进步,在早期阶段发现这类病毒将有助于快速恢复,并帮助缓解医疗系统的压力。深度学习作为近年来新兴的人工智能的核心技术,在医学成像中被报道具有显著的诊断准确率。本文以COVID-19 CT影像为基础,对基于深度学习的新冠肺炎影像分类问题进行了研究,主要研究内容从以下方面展开:（1）针对公开数据集样本缺少及传统的机器学习算法效率不高等问题,提出了基于改进U-Net网络的COVID-19 CT影像分类方法。在本模型中,首先利用条件生成对抗网络进行数据增强以获得更多样本的CT数据集,以此降低发生过拟合风险;另外提出一种基于BIN残差块的改进U-Net网络来进行影像分割,增加模型的收敛速度并且提升模型的泛化能力,再结合多层感知器进行分类预测。通过与Alex Net、Google Net等网络模型进行比较,得出本文提出的BUF-Net网络模型性能最优,达到了93%的准确率。最后利用Grad-CAM技术对系统的输出进行可视化,能够更加直观地说明CT影像对于诊断COVID-19的重要作用。（2）针对目前大部分算法只关注区分健康患者和COVID-19患者,忽视了常规肺炎和COVID-19患者的区分问题,提出了基于集成网络模型的弱标签COVID-19检测方法。利用Google Net、Alex Net和Res Net50结合的一种深度学习集成模型,将所有预先训练模型的输出结合起来,合并为集成预测,并用三种数据处理方法解决数据不平衡的问题,最后通过Grad-CAM++生成分类区域,可以更清晰地观察分类结果。通过该集成方法探究基于深度学习的方法在患者水平使用弱标记的胸部CT影像中自动检测COVID-19的潜力,该集成网络模型达到了92.7%的F1值,基于实验评估结果显示利用加权成本函数方法可以很好地解决数据不平衡问题,并且证明将多个深度架构结合起来的神经网络集成方法比只基于单个模型的结构更有效。（3）将本文提出的方法应用于新型冠状病毒肺炎CT影像分类领域。首先对COVID-19 CT影像数据集进行预处理,剔除一些伪影的影响。然后将本文提出方法应用在COVID-19 CT影像数据集上,通过与几种现有方法进行对比实验,证明本文提出算法能够对COVID-19患者进行正确分类,在实际医疗应用领域具有重要的意义。
其他文献
目的:通过构建胃肠动力障碍性疾病（disorders of gastro intestinal motility diseases,DGIMD）大鼠模型,观察厚朴三物汤对DGIMD大鼠的胃肠中Cajal间质细胞（interstitial cells of Cajal,ICCs）以及神经激肽1受体（neurokinin receptor1,NK-1）表达的影响,并探讨其对胃肠道运动作用的相关机制,以
目的探讨术前血小板与淋巴细胞比值（PLR）及纤维蛋白原（FIB）对上尿路尿路上皮癌（UTUC）患者总生存期（OS）和无进展生存期（PFS）的预测价值,建立临床预测模型,并对模型进行验证,探讨该模型的临床实用价值。方法回顾性分析2014年1月至2019年8月兰州大学第二医院收治的182例行根治性肾输尿管切除术的UTUC患者的临床资料,男90例（49.5%）,女92例（50.5%）。平均年龄65.1±
目的:对胃癌中的自噬相关基因（autophagy related genes,ARGs）进行生物信息学分析,构建由ARGs组成的预测胃癌患者预后风险的模型。方法:胃癌患者基因表达数据及临床病理资料来源于GSE66229,Gene Cards数据库下载获得6866个ARGs。获取并筛选差异表达的ARGs进行GO和KEGG功能通路富集分析。利用Cox和LASSO回归建立ARGs的预后风险评分模型。依据
在当代数据飞速发展的时代,数据规模以指数级增加,其也在人们的生活中表现的不可或缺,同时也极大的影响着人们生活。因此,通过技术手段对数据中重要的信息精准快速的提取、识别、分析与分类,高效地挖掘出对我们有价值的信息也成为了当前重要的研究课题。学者们以机器学习作为一种手段,经过多年的研究,提出了诸多成熟的模型,这些模型都是针对均衡数据样本设计的。然而在日常生活中随着数据的应用领域不断扩大,数据的结构呈现
无线通信技术和汽车智能网联化的快速发展推动了智能交通系统（Intelligent Transportation System,ITS）的建设,车联网络（Vehicular Ad Hoc Network,VANET）作为智能交通重要组成部分,近年来受到了国内外学者和政府的广泛关注。车联网通信环境的特殊性包括车辆的高速移动、车辆协同困难以及网络拓扑结构频繁变化等特性,对于数据传输的服务质量（Quali
急性心肌梗死（acute myocardial infarction,AMI）导致的心源性休克（cardiogenic shock,CS）是AMI病人死亡的重要原因之一,静脉-动脉体外膜肺氧合（Veno-arterial extracorporeal membrane oxygenation,VA-ECMO）作为一种机械循环辅助装置可以维持血流动力学的稳定,降低心脏前负荷,为进一步的经皮冠状动脉介
背景:椎间盘退变（Intervertebral disc degeneration,IDD）是下腰痛（low back pain,LBP）的主要原因之一,然而目前尚无有效的针对病因的治疗药物。IDD的发病机制与髓核细胞（Nucleus pulposus cells,NPCs）在氧化应激介导下细胞凋亡、衰老及细胞外基质降解有关。N-乙酰血清素（N-acetylserotonin,NAS）是一种松果体
计算机成像系统被广泛应用于图像检测、无人驾驶和军事侦察等领域,但雾、霾等天气环境会对其采集到的户外图像产生较大的影响,导致光线传播过程中发生折射和散射等光学现象,使计算机成像系统采集的原始图片出现各类图像质量下降问题,如图像可见度下降、图像颜色偏移和图像内容细节缺失等,影响并限制成像系统获取的图像真实信息。因此,对采集到的图像素材进行清晰复原处理具有一定的现实意义。本文对各类去雾算法进行探究与分析
铁路中出现行人、车辆以及动物等异物会对列车运行产生非常大的安全隐患,所以,如何准确快速的检测出侵入铁路安全界限的异物目标对于列车的安全运行有着非常重要的意义。传统的异物检测方法运算速度较快,但是铁路周边的场景复杂且多变,现有基于阈值分割或背景差分算法很难满足需求,这使得铁路异物检测的自动化程度不高,有很大一部分工作仍需要人工完成。基于深度学习的异物检测算法相对传统方法可以提取到更高层、表达能力更强
近几年,我国在电气化铁路建设方面成果显著,铁路里程数已处于世界领先地位。绝缘子是铁路运输电网中的关键部件,但绝缘子常年裸露在户外环境中,其表面容易积攒灰尘等杂质,潮湿天气下会形成导电性溶液,导致绝缘子局部放电,热故障频发,严重影响列车的行驶安全。现阶段绝缘子巡检仍以人工为主,但该方法已不能满足维护我国铁路发展的需要,因此如何实现自动化巡检具有重要的现实意义。本文主要研究如下:（1）为了获取图像中绝