外周神经母细胞性肿瘤（peripheral neuroblastic tumors，pNT）是儿童常见的颅外恶性实体瘤，其主要预后评估依据为神经母细胞瘤分化程度和核碎裂指数（mitosis-karyorrhexis index， MKI）。目前，对MKI的计算主要通过病理医生人工计数，过程繁琐且工作量较大。采用计算机图像处理算法识别病理切片图像中病理性核分裂神经母细胞（pathological mitotic neuroblasts， PMN）和神经母细胞（neuroblasts，NEU），并辅助病理医生计数，可减少医生的重复性工作，提高工作效率。采用数学形态局部最小值标记（H-minima）修改梯度幅值，并利用改进型分水岭算法识别NEU并计数。实验结果表明，与病理医生的金标准对比，所提算法对NEU识别的平均准确率为94.2%，平均过分割率为2.79%。从色度分量角度对PMN的细胞质区域识别，平均识别准确率为81.66%，MKI值的平均误差率为0.031%。

Age-related Macular Degeneration (AMD) and Diabetic Macular Edema (DME) are two common retinal diseases for elder people that may ultimately cause irreversible blindness. Timely and accurate diagnosis is essential for the treatment of these diseases. In recent years, computer-aided diagnosis (CAD) has been deeply investigated and effectively used for rapid and early diagnosis. In this paper, we proposed a method of CAD using vision transformer to analyze optical coherence tomography (OCT) images and to automatically discriminate AMD, DME, and normal eyes. A classification accuracy of 99.69% was achieved. After the model pruning, the recognition time reached 0.010 s and the classification accuracy did not drop. Compared with the Convolutional Neural Network (CNN) image classification models (VGG16, Resnet50, Densenet121, and E±cientNet), vision transformer after pruning exhibited better recognition ability. Results show that vision transformer is an improved alternative to diagnose retinal diseases more accurately.

肺癌是世界上死亡率最高的恶性肿瘤疾病,对其进行早期诊断可以显著提高肺癌患者的生存率。深度学习能够提取医学图像的隐含层特征,并完成医学图像的分类及分割任务,因此应用深度学习方法实现肺结节的早期诊断任务成为研究热点。首先对肺结节诊断领域广泛使用的几个数据库进行介绍,然后结合近几年国内外发表的相关文献整理了深度学习框架应用于肺结节分割和分类的最新研究进展,总结并分析了各类算法的基本思想、网络架构形式、代表性改进方案以及优缺点等。最后讨论了深度学习在肺结节诊断过程中面临的一些问题并给出结论,并对发展前景进行了展望,以期为今后该领域的应用研究提供参考,从而加快该领域研究的成熟和临床落地应用。

嗜酸性粒细胞胃肠炎(EG)是一种以外周血嗜酸性粒细胞(EOS)增多为特征的胃肠道疾病,其主要诊断依据为消化道黏膜标本病理切片中嗜酸性粒细胞的数目是否超标。利用计算机图像分析算法对病理切片图像中的嗜酸性粒细胞进行识别并计数,旨在辅助病理医生人工计算EOS的数目,减少医生的工作量,提高工作效率。采用鲁棒性较强的分水岭算法作为识别EOS的核心算法,并通过距离变换和前后景标记的改进算法解决传统分水岭算法中的过分割问题,提高识别计数的准确性。采用改进分水岭算法对EG病理图像中的EOS进行识别计数,并将其与病理医生的金标准进行比对。改进分水岭算法的平均准确率为95.0%。与传统算法相比,改进算法准确率的相对标准方差由5.8%提高到2.2%,过分割率由13.4%降低为3.7%,算法的运行时间由40 s缩短为27 s左右。

白光阴道镜图像对比度较低, 不利于医生鉴别不同病变程度组织, 也不利于自动化宫颈癌筛查。 利用癌变组织富含血红蛋白成分及血红蛋白具有特征波段这一特性, 与传统高光谱空间扫描成像及分时获取不同波段多光谱成像方法相反, 利用快照式多光谱窄带成像来加速光谱图像获取过程, 提升不同病变程度组织之间灰度对比度同时, 降低后续图像分析处理算法难度, 实现对宫颈组织病变类型高帧率自动化分类。 首先, 使用微型快照式窄带多光谱摄像方法, 在血红蛋白的两个强吸收峰(415±10)和(525±10) nm、 一个反射带(620±10) nm和一个背景波段(450±10) nm共四个波段对宫颈组织进行快照式零时差获取四幅窄带光谱图像。 而后, 对所获取的光谱图像进行简单代数加减, 以生成突显病变组织的融合图像, 提高不同病变程度组织之间的对比度。 最后, 使用欧式距离分类算法, 对光谱融合图像中不同病变级别进行分类, 建立计算机辅助宫颈癌筛查方法。 创新点在于实现了高帧率计算机辅助光学病理诊断方法。 分别采用临床常规白光阴道镜及微型快照式窄带多光谱摄像对宫颈癌手术切下的新鲜组织进行彩色图像及光谱融合图像的高帧率采集, 并使用同一个欧式距离分类算法对两种图像进行自动分类, 分类结果都以组织病理诊断作为标准来计算正确率。 通过对比两种分类结果正确率来检验光谱融合图像相对于彩色图像是否提升对比度, 及其是否可以实现与组织病理诊断（金标准）结果一致的诊断。 欧式距离分类算法对光谱融合图像分类准确率接近100%, 远高于对白光阴道镜图像约50%的准确率。 多位临床医生对基于微型快照式多光谱摄像头光谱融合图像的计算机自动分类结果表示接受。 微型快照式窄带多光谱成像方法能有效提升光谱融合图像获取帧率及不同病变程度组织之间灰度对比度, 能有效快速地将宫颈组织划分为与组织病理诊断结果一致的病变类型。 由于诊断客观、 无创伤、 结果立等可得, 该方法将有助于实现落后地区宫颈癌筛查的普及以及图像导航下的宫颈癌精准治疗手术。

针对现有方法在大量肺部数据中存在的检测肺结节效率不高及大量假阳性的问题,提出了一种基于端到端的二维全卷积对象定位网络(2D FCN)与三维立体式目标分类卷积神经网络(3D CNN)相结合的肺结节检测方法。首先采用2D全卷积神经网络对所有CT图像进行初步检测,快速识别和定位CT图像中的疑似结节区域,输出一张与原图尺寸相同且被标记好的图像。然后计算疑似结节区域的坐标,根据坐标值提取疑似结节的三维立体图像块训练构建的3D卷积神经网络框架。最后利用训练的3D模型对候选结节做二分类处理以去除假阳性。在LIDC-IDRI数据集上,结节初步检测召回率在平均每位患者为36.2个假阳性时可达98.2%;在假阳性去除之后,假阳性为1和4时分别达到了87.3%和97.0%的准确率。LIDC-IDRI数据库上的实验结果表明,所提方法对三维CT图像的肺结节检测具有更高的适用性,取得了较高的召回率和准确率,优于目前相关文献报道的方法。该框架易于扩展到其他3D医疗图像的目标检测任务中,对辅助医师诊治具有重要的应用价值。

针对宫颈细胞病理图像自动筛查问题，本文提出一种基于人工智能技术的计算机辅助诊断方法。该方法通过对宫颈细胞病理图像采用自适应双阈值法进行初步检测，再采用改进Chan-Vase模型进行精确分割，提取出细胞（粘连簇团）中的不同区域。然后，结合病理诊断专家规则，构建相应的正交特征集。在此基础上，使用神经网络集成模型进行正常、疑似病变二分类识别，完成计算机辅助诊断。实验表明，本文方法能够有效完成宫颈病理细胞（粘连簇团）的分类识别，具有较高的正确率（84%）与较低的误判率（2.1%）。满足了在保证判断正确率的条件下，尽量降低将疑似病变样本误判为正常样本的实际病理诊断要求。

基于张量理论在高维图像处理中的应用, 提出一种张量模式的稀疏表示方法, 以便有效地去除肺部CT序列图像的噪声, 增强图像的有用信息。首先, 设计了张量模式的正交匹配追踪法(TOMP)来表达稀疏系数; 构建了高维K-奇异值分解法(HOK-SVD)用于字典更新。然后, 对张量乘法的参数进行优化, 即通过构造三维灰度共生矩阵, 建立三维纹理特征与张量乘法模式之间的数学模型。最后, 将这种方法应用于LIDC数据库的150组CT序列图像的预处理, 对各算法的稀疏表示效果进行评价。与当前应用的其他方法相比, 本文提出的高维K-SVD算法的的峰值信噪比提高了1.5%, 平均误差降低了1.2%; 在此预处理基础上进行的图像分割结果表明: 图像的边缘偏移误差下降了3.0%, 体积重叠率提高了1.2%。上述结果显示基于张量的方法可以更精确地完成对三维CT图像序列的稀疏表示。

Manual analysis of anterior segment optical coherence tomography (AS-OCT) images is fairly time consuming, and inter-observer reproducibility cannot be guaranteed. Therefore, automated analysis methods of AS-OCT images are necessary in clinical applications. This paper presents a novel approach to extract the inner contour of the anterior chamber automatically from AS-OCT images using a \divide-and-conquer" strategy. We first find the anchor points in an image and these points are used to divide the image into subimages where the iris, lens and cornea are located. Then the endothelial surface of the cornea, lens surface and iris surface are obtained from these subimages with different schemes, and they are merged together to obtain the complete inner contour. In our method, the endothelial surface of the cornea is fitted by using three circular arcs under continuity constraints. Experiments show that the proposed algorithm can extract the inner contour of the anterior chamber from AS-OCT images accurately in real time.