结合规则和SVM方法的肺结节识别

为识别CT图像中的肺结节,提出了一种结合规则和支持向量机(SVM)的识别方法,来对分割出来的感兴趣区域(ROI)进行分类.该方法首先计算候选ROI的形态特征,利用基于规则的方法筛去非结节的区域;然后把筛选之后剩余的候选ROI作为测试样本和训练样本,计算它们的灰度和纹理等特征;最后把灰度、形态和纹理特征值作为SVM的输入...     

基于生成对抗网络的肺结节良恶性诊断算法

针对实性肺结节CT影像数据量少、人工标注耗时耗力等问题,提出一种结合生成对抗网络和集成学习的实性肺结节良恶性计算机辅助诊断方法.首先,使用基于梯度惩罚的生成对抗网络对肺结节CT影像数据集进行扩充,缓解由数据量少、样本类别不均衡导致的模型过拟合.然后,利用卷积神经网络进行CT影像特征提取,并通过主成分分析对深度特征进行降维.最后,联合CT图像特征和有效临床信息,采用集成学习方法构建分类模型预测实性肺结节良恶性.基于多中心临床数据分析表明,相比于传统卷积神经网络模型,所提出方法有更好的预测性能.     

基于TCGA数据库构建肺腺癌相关免疫基因预后模型

从TCGA公共数据库中下载535个肺腺癌(lung adenocarcinoma, LUAD)肿瘤组织样品及59个正常组织样品及其相配的临床病例资料，提取样本全转录组测序结果.利用wilcox检验对两组样品进行差异表达分析，利用网址https://www.immport.org/下载免疫基因与肺腺癌转录组差异表达基因取交集，提取与肺腺癌相关的差异表达免疫基因.基于差异表达免疫基因，采用单因素和多因素Cox回归分析构建模型，并根据风险评分，将患者分为高风险组和低风险组；采用生存分析(K-M)和受试者工作特征(ROC)曲线分析检验模型预测效能.结果显示，共提取490个与肺腺癌相关的差异表达免疫基因，其中表达上调基因328个，表达下调基因162个，采用Cox单因素回归分析获得53个与生存时间相关的预后免疫基因，多因素Cox回归分析最终得到一个由15个预后免疫基因构建的风险评估模型.ROC曲线结果证实该模型对LUAD患者5 a内生存率的分析准确性较高(AUC=0.721),单因素和多因素Cox独立分析提示risk score(RS)能作为一个独立的预后指标(P<0.001).临床变量相关...     

面向肺部CT影像的双3D-CNN结节诊断模型

为了捕获肺部CT影像中结节的三维不规则性并提高其诊断精度，本文设计了一种由筛到诊的双三维卷积神经网络（d3D-CNN）结节诊断模型.首先，构建了一个轻型3D-CNN网络，且将它与全卷积运算相结合，利用卷积运算的高优化性，完成结节筛选并生成疑似区域；然后，利用空间-切片注意力机制自动学习疑似区域在空间和切片序列上的偏移量，设计可变形3D卷积模块，且将它与ResNet101相结合而构造成一个高精度3D-CNN结节诊断网络，用于对筛选出的疑似区域进行最终判决.对比实验结果表明，所提模型在误报率为1的情况下，召回率达到88.9%，有效地提高了肺结节良恶性诊断精度.     

山江海地域系统关键带综合分类研究——以桂西南喀斯特区-北部湾海岸带为例

为满足自然资源发展规划的需求，本文基于山江海视角，以桂西南喀斯特区-北部湾海岸带为研究对象，采用地貌类型、地质类型、土壤类型、植被类型和土地利用要素构建了山江海地域系统关键带三级分类方案，运用空间叠置法对分类要素进行叠加和制图综合分析，并进行山江海地域系统关键带区划分类、制图和环境因子分析研究。结果表明，可将桂西南喀斯特区-北部湾海岸带划分为38个一级单元、78个二级单元、111个三级单元。一级关键带分类中海拔山地-非碳酸盐岩区占据面积最大，为19.10%；二级分类中海拔山地-非碳酸盐岩区-红壤性土占据面积最大，为13.98%；三级分类中低海拔丘陵-非碳酸盐岩区-复盐基红黏土-针叶林-河渠占据面积最大，为15.21%。研究结果表明，本文所提出的关键带综合分类方案可体现区域特征中的差异和驱动因素，因此可为自然资源地表系统规划提供理论基础，同时可为国内外相关研究提供参考依据。     

经颅多普勒超声在VA-ECMO患者脑血流动力学评估中的观察性研究

采用经颅多普勒超声（Transcranial Doppler Ultrasound，TCD）监测动脉静脉体外膜肺氧合（Venoarterial Extracorporeal Membrane Oxygenation，VA-ECMO）患者的脑血流动力学，分析其脑血流参数与血压、体外膜肺氧合（Extracorporeal Membrane Oxygenation，ECMO）流量变化的关系，以及脑血流动力学改变与患者神经系统并发症发生的关系，为指导临床治疗及判断早期预后提供依据。转机后对VA-ECMO患者进行双侧大脑中动脉（Middle Cerebral Arterys，MCA）血流监测，记录脑血流与平均动脉压（Mean Arterial Pressure，MAP）、ECMO流量情况，根据脉压差（Pulse Pressure，PP）是否大于10 mmHg分为两组，比较两组患者脑血流动力学情况及ECMO流量特点，以及脑血流改变与患者急性神经系统并发症发生的相关性。结果表明：PP≤10 mmHg组的VA-ECMO患者MAP低于PP>10 mmHg组[（59.44±15.54） mmHg vs （77.93±8.68） mmHg，P＝0.008]，其ECMO流量高于PP>10 mmHg组[（4.29±0.88） L/min vs （3.37±0.74） L/min，P＝0.041]，此时MCA的收缩期流速、平均流速、脑血流指数相较于PP>10 mmHg组下降，但差异无统计学意义。两组患者MCA舒张期流速无显著性差异。PP≤10 mmHg组患者右侧MCA搏动指数、阻力指数均低于PP>10 mmHg组，差异有统计学意义（P<0.05）。两组的神经系统并发症发生率差异无统计学意义(P>0.05）。心泵功能衰竭且脉压差低于10 mmHg的患者，提高VA-ECMO流量可维持其脑血流，利用TCD监测VA-ECMO患者脑血流变化并指导临床诊疗具有可行性。     

基于改进Mask R-CNN的多标签甲状腺结节检测模型

基于符合中国国情的C-TIRADS甲状腺结节恶性风险分层指南来构建计算机辅助诊断模型具有重要的应用价值，能够提升甲状腺结节和分化型甲状腺癌诊断的规范化、标准化、同质化，提高医生诊断效率和降低劳动强度。本文提出基于深度学习的多标签目标检测模型用以检测识别甲状腺结节、预测甲状腺结节恶性等级以及结节的病理特征，经过在数据集上进行实验对比选取Mask R-CNN作为基准模型，并在基准模型基础上进行优化改进，主要改进包括使用ResNet152-FPN替换原有特征提取网络来提升模型特征能力，设计全新的卷积多标签检测头结构来对结节病理特征进行多标签预测，基于医学先验知识对模型锚框尺寸及比例进行自定义来提升模型的定位精度，最后为模型设计迁移学习训练方案来进一步提升模型性能。实验结果表明，改进模型对甲状腺结节的识别准确率达到了94.4%,对甲状腺结节病理特征的平均识别准确率达到了88.6%。     

基于低氧-免疫DNA甲基化标记在肺腺癌预后中的开发

为了探究缺氧和免疫联合分析DNA甲基化位点在肺癌预后中的作用，提高肺癌免疫治疗的有效性，本研究基于甲基化和转录组二维数据，构建了一个用于预后评估的风险评分模型．从TCGA数据库中下载了247个与缺氧、免疫状态相关的去冗余肺癌样本作为训练集．然后对低缺氧-强免疫状态的样本、高缺氧-弱免疫状态的样本进行了差异基因表达、甲基化位点和临床生存率分析．生存曲线分析显示，低缺氧状态-强免疫状态组中的肺腺癌患者的1、3、5年生存率均优于高缺氧状态-弱免疫状态组（log-rank检验，P<0.05、P<0.001、P<0.001）．使用LASSO回归构建的多基因预后模型包含9个甲基化位点，在肺腺癌测试数据集和验证数据集中均显示出良好的预后预测能力（AUC=0.83,0.80,0.82）．这9个甲基化位点分别分布在PEBP4、FLI1、HLA-DMB、MYO1F、ABCC2、AKNA、ETS1、CCR7和TXNRD1基因上．此外，我们从5年生存曲线中发现，在低缺氧-强免疫状态组中高表达的PEBP4、CCR7、FLI1、AKNA、HLA-DMB、MYO1F和低表达的ABCC2基因也可作为...