【摘 要】
:
皮肤蕈样肉芽肿的诊断在临床中极易与皮肤炎症混淆从而使得患者错过最佳治疗期。本研究使用组织、块、细胞三种尺度的组织形态学特征进行融合并建立随机森林模型进行皮肤蕈样肉芽肿的自动诊断。首先,进行皮肤全扫描病理切片的组织分割并得到表皮和毛囊组织的概率热度图。本文使用SERes2Net50进行表皮、真皮、毛囊、汗腺、脂肪5种组织与背景的分类。在训练阶段,先将切片根据标记结果进行滑动窗取块(224×224×3
论文部分内容阅读
皮肤蕈样肉芽肿的诊断在临床中极易与皮肤炎症混淆从而使得患者错过最佳治疗期。本研究使用组织、块、细胞三种尺度的组织形态学特征进行融合并建立随机森林模型进行皮肤蕈样肉芽肿的自动诊断。首先,进行皮肤全扫描病理切片的组织分割并得到表皮和毛囊组织的概率热度图。本文使用SERes2Net50进行表皮、真皮、毛囊、汗腺、脂肪5种组织与背景的分类。在训练阶段,先将切片根据标记结果进行滑动窗取块(224×224×3)构建训练集与验证集,其数据规模分别为89320张、8497张。使用多分类交叉熵作为损失函数对模型进行训练,并定义平均准确率指标进行对比实验的评估。实验表明,SERes2Net50在验证集上分类平均准确率达0.96。在测试阶段,同样根据滑动窗取块(224×224×3)并将被测切片逐块送入网络进行类别预测,根据图像块的坐标进行拼接最终得到全扫描切片的分割结果。最后,将分割结果通过后处理操作得到高概率显示表皮—毛囊组织的概率热度图。其次,进行表皮层淋巴样细胞和上皮细胞的语义分割。本文提出多层Transformer编码网络(Multi Trans E)进行上皮细胞和淋巴样细胞的分割任务。模型整体为编码—解码结构,在编码层,使用20层Transformer模块堆叠作为编码器,从而进行细胞的高层语义特征提取。在解码阶段,使用2倍固定小步长进行转置卷积来使特征解码。本文使用576张(256×256×3)蕈样肉芽肿表皮组织的病理图像块和2203张Pan Nuke公开数据混合作为分割任务的数据集,根据8:2划分为训练集和验证集,最后将数据集在Multi Trans E上进行训练和验证。实验表明,上皮细胞和淋巴细胞的Dice系数为0.78和0.83,在对比实验中平均Dice系数超过了UNet++、Vi T等其它基线网络。最后,进行组织—块—细胞三个尺度的形态学特征融合并构建随机森林分类器进行自动诊断。本任务中的数据集共119张皮肤蕈样肉芽肿与扁平苔藓病理切片,其中皮肤蕈样肉芽肿77张,扁平苔藓42张。自动诊断共有三个步骤,第一个步骤是三个尺度形态学特征的提取。本文先根据第一个任务中得到的病理切片的概率热度图来提取组织层次特征,然后提出自适应细胞图算法(ACG),进行细胞图的构建以及图特征的提取,同时计算两类细胞的临床特征(面积、面积占比),并将图特征与细胞的临床特征作为细胞层次的特征。最后,取表皮层和真皮层交界处1000张图像块进行颜色、纹理等手工特征提取并取特征的期望值作为块层次的特征。第二个步骤是特征工程。将三个尺度的特征经过选择、降维以及去冗余后得到最优特征子集。第三个步骤是建立自动诊断模型。本文建立随机森林模型分类器,并在病理切片上进行训练和测试,其中数据按照6:4进行训练集和测试集划分。实验表明,模型的AUC指标为0.94,超过三个尺度的单独特征表现结果以及其消融实验的表现结果。
其他文献
将层次分析法应用到中学地理情境教学效果评价中,构建了中学地理情境教学评价指标体系,对指标重要性进行排序,建立地理情境教学效果评价模型。以某高中地理教师一节公开课为例,进行情境教学效果综合评价,确定该节公开课的评价等级,并揭示中学地理情境教学中存在的问题,从而促进中学地理情境教学的改进和完善。
胰腺神经内分泌肿瘤是一种严重威胁人类健康的高度异质性肿瘤,其中约70%为非功能性胰腺神经内分泌肿瘤(NF-p NETS)。对于恶性等级较高的NF-p NETS患者,手术切除是临床上最有效的治疗方法;恶性等级较低的患者,药物治疗更加合适。因此,准确分级是NF-p NETS临床精准治疗的关键。目前临床上确定NF-p NETS等级主要基于对单模态影像数据的视觉评估,依赖于临床医生的个人经验和主观观察分析
脑胶质瘤是中枢神经系统最常见、死亡率最高的原发性肿瘤。低级别脑胶质瘤患者的五年生存率和十年生存率分别为70%和50%,中位生存期约为6.5至8年,然而高级别脑胶质瘤患者的中位生存期仅有14个月。由于不同级别的脑胶质瘤患者预后差异极大,医生需要针对不同级别的患者制定相应的诊疗策略。另外,准确地划分出水肿区域、增强肿瘤区域、坏死区域以及非增强肿瘤区域并尽可能的将其切除能极大地提高患者的生存率。本文针对
电池的储能能力使电动汽车参与智能电网调控成为可能,V2G(Vehicle to Grid)技术可利用大规模电动汽车接入电网的充放电来实现电网的削峰填谷、调频等功能。双向功率变换器作为V2G的核心技术,控制电动汽车与电网之间的双向功率流。传统控制方法下缺乏调频、调压能力,无法应对电网运行扰动。本文针对两级式双向AC-DC变换器,对虚拟同步机(Virtual Synchronous Generator
输电线路的参数辨识一直是电力系统调控分析的基础,实现准确而实时的电网线路参数辨识给电网系统的调度分析提供了很大的帮助,并且对电网的安全稳定运行具有重要意义。现有的电网线路参数辨识算法大部分都采用机器学习方法,但是这些机器学习方法存在一些不足的地方。首先,机器学习算法并没有考虑拓扑结构的约束,把各节点作为孤立节点分开考虑,对于全局节点的特征信息关注度不够,导致出现干扰和噪声时,预测的准确率大大降低的
印刷品表面缺陷会极大地降低印刷品质量,同时人工对缺陷的检测非常地耗时,所以高效自动地完成对印刷品表面缺陷的检测对印刷工业生产具有很高的价值。近年来基于深度学习的缺陷检测算法得到了很大的发展,其性能也远远超过传统算法。但是基于深度的检测方式需要大量人工标注的数据进行模型训练,然而在实际生产过程中,产品的次品率非常低,这就导致我们很难采集到足够数量的缺陷正样本进行模型训练。此外,对缺陷正样本的标注十分
无监督视频目标分割的旨在无需引导的情况下自动分离视频帧中的主要前景和背景,并输出像素级的精确分割。无监督视频目标分割在视频编码、场景理解等领域具有重要意义。随着深度学习的兴起,出现了大量基于卷积神经网络的无监督视频目标分割算法,并取得了重大进展和突破,但这些方法仍然受到复杂场景和模型计算代价的限制。本文从运动估计和外观信息出发,探讨了如何构建双流网络来解决上述问题。成果如下:目前流行的无监督视频目
单目深度估计任务是指从描述一般场景的单目图像中估算深度信息,在无人驾驶、三维图像重建、机器人导航、增强现实等方面有着广泛的应用前景。但是该任务是一个典型的不适定性问题,因为一个被捕获的图像可能对应着诸多的真实场景。主流的深度估计算法主要可分为两大类:有监督深度估计方法和无监督深度估计方法。其中无监督深度估计方法由于其相较于前者避免了费力的注释和额外的校准,已成为目前的研究热点。本文针对无监督深度估
CT图像的血管分割是计算机辅助治疗系统的重要组成部分。肝脏血管的精确分割是创建肿瘤外科规划工具和医学可视化应用的重要前提,并且肝内血管的形态和位置对肝脏手术具有重要意义。由于肝脏中的血管树复杂且高度交织,精确的分割肝脏血管一直是一项具有挑战性的任务。针对肝脏血管分割任务,提出了两个改进模型:(1)基于分散注意力2.5D UNet的肝脏血管分割算法。首先以UNet为基础结构,同时输入多张相邻的切片,
近年来,随着工业探测、微波热疗等技术的发展,近场聚焦天线成为研究热点。目前,大多数聚焦天线主要针对已知聚焦位置进行设计。但是,针对某些随机运动或位置未知的目标,如雷达探地目标和人体病灶区域,大多数聚焦天线设计方法不再适用。因此,开展未知聚焦目标位置条件下的盲聚焦天线设计具有十分重要的意义。本文提出一种基于阵列天线的盲聚焦阵列天线设计原理,其思想是在发射阵列天线的本地引入接收天线,利用发射阵列天线与