一、恶性肿瘤皮纹表征计算机识别与应用（论文文献综述）
杨静,段晓雨,蔡梅[1]（2021）在《深度学习软件对皮肤恶性肿瘤诊断准确性的分析》文中指出目的分析深度学习软件"优智皮肤"、"睿肤识别"在实际临床工作中对皮肤恶性肿瘤的诊断能力,为临床运用提供依据。方法以组织病理学诊断为金标准,结合皮肤科医生诊断情况,分析两款深度学习软件在实际临床中对皮肤恶性肿瘤的诊断性能。结果从区分病例为皮肤恶性/非恶性肿瘤维度看,皮肤科医生总体对皮肤恶性肿瘤的识别灵敏度为96.15%,特异度为63.83%,ROC曲线下面积为0.580（95%CI:0.489～0.668）,高于（P<0.05）深度学习软件"优智皮肤"（灵敏度为75.64%,特异度为40.43%,ROC曲线下面积为0.599,95%CI:0.508～0.686）及"睿肤识别"（灵敏度为73.08%,特异度为46.81%,ROC曲线下面积为0.599,95%CI:0.508～0.686）;深度学习软件间识别能力差异无统计学意义（P>0.05）。从诊断准确性维度看,皮肤科医生总体对皮肤恶性肿瘤病例的诊断准确率为84.62%,高于深度学习软件"优智皮肤"（51.28%,P<0.05）及"睿肤识别"（48.72%,P<0.05）;深度学习软件之间诊断准确率差异无统计学意义（P>0.05）。高级职称皮肤科医生诊断准确率为92.86%,高于中低职称皮肤科医生（63.64%,P<0.05）,中低职称皮肤科医生与深度学习软件诊断准确率差异无统计学意义（P>0.05）。结论皮肤科医生总体上对皮肤恶性肿瘤的识别及诊断准确能力均强于两款深度学习软件,但中低职称皮肤科医生的识别及诊断准确能力与两款深度学习软件差异无统计学意义,可成为中低职称皮肤科医生及缺少专业皮肤科医生的基层地区医生临床工作中的辅助工具。
王娟[2]（2021）在《基于深度学习的乳腺组织病理图像分类方法研究》文中进行了进一步梳理乳腺癌是全球最常见的癌症,其发病率和死亡率居高不下,严重危害着女性的健康。组织病理图像分析是乳腺癌诊断的“黄金标准”,但图像的复杂性和多样性使得病理医生的诊断过程耗时耗力且效率低下。另外,病理医生的经验阅历不同以及分析病理图像时的主观性甚至可能会导致误诊。目前,深度学习在计算机视觉和图像处理等领域崭露头角,也为计算机辅助诊断提供了一种新的思路和途径。本文以苏木精-伊红染色的乳腺组织病理图像数据集为基础,对基于深度学习的乳腺病理图像分类问题进行了研究,主要内容如下:（1）针对双线性卷积神经网络（Bilinear Convolutional Neural Network,B-CNN）感受野缺乏多样性、分类精度不高的问题,设计了改进的B-CNN模型对Brea KHis数据集中的乳腺组织病理图像进行自动分类。模拟病理学家在分析病理图像时的多尺度分析方法,本文在B-CNN中引入了多尺度感受野,用Inception网络作为特征提取器替代原本的VGG网络。针对数据集中图像存在染色差异的问题,利用一种用于组织病理图像染色标准化的方法,让图像在染色标准化时只改变颜色外观而不会破坏结构信息。由于数据集中的图像数量不足且每类图像的分布不均衡,本文采用翻转和按比例从各类图像中提取图像块的方式,让每一类图像的训练样本数量接近,同时解决样本不均衡和数量不足的问题。利用改进的网络分别对四个放大倍数的组织病理图像进行分类,并使用迁移学习对网络进行微调,实验结果表明,改进后的B-CNN模型提高了分类准确率。（2）本文以深度残差网络Res Net101为基础,在残差块上进行改进,并在改进的Res Net101中增加SE模块,设计了SE-Res Net-B网络模型,利用改进后的网络对高分辨率的乳腺组织病理图像进行二分类和四分类。由于高分辨率的图像无法直接送入网络中训练,本文在染色标准化步骤后,采用512×512大小的滑动窗口对高分辨率图像进行采样,确保可以包含图像的诊断信息,并设置50%的重叠率,增加采样块之间的特征连续性。在分类策略上,本文首先对采样图像块进行分类,再利用多数投票算法得到原高分辨率图像的分类结果。实验结果表明,改进后的SE-Res Net-B明显提升了网络的分类性能,在ICIAR 2018数据集上的二分类和四分类准确率达到了96.25%和88.75%。
肖小娇[3]（2021）在《基于无造影剂MRI图像的肝癌智能诊断方法研究》文中认为肝癌是全球最常见且死亡率高的癌症之一。肝癌的微小肿瘤很难被及时发现是造成死亡率高的最主要原因。目前,磁共振成像（Magnetic Resonance Imaging,MRI）是临床主要的肝癌诊断手段之一,它通过注射造影剂可以明显提高肿瘤诊断的敏感性和特异性。然而,注射造影剂不可避免地存在风险高、毒性大和副作用大等问题。近年来,无造影剂MRI以其扫描时间短、低风险、无有毒金属危害等优势,成为研究的新热点。但在研究中,采用无造影剂扫描会使MRI图像的对比度较低、肿瘤区域边缘模糊,为肝肿瘤的准确诊断过程增加了许多难点。针对这一瓶颈问题,拟通过计算机对无造影剂MRI图像进行肝癌智能诊断,不仅能成为临床医师的辅助工具,也是提高患者生存率以及治愈率的重要方法。本文对基于无造影剂MRI图像的肝癌智能诊断进行了一系列研究。通过对无造影剂MRI图像的分析,借助人工智能技术对肝肿瘤的2D分割方法进行研究;在充分研究多模态无造影剂MRI影像间的互补信息的基础上,探索构建肝肿瘤的3D分割和多指标量化的多任务相关网络;挖掘多模态无造影剂MRI图像间的依赖信息,同时构建小样本数据的增强体系,实现肝部无造影剂MRI图像中肿瘤的自动分类;进一步研究分割和检测任务间的关联关系,构建肝肿瘤分割和检测的联合对抗学习网络。主要研究贡献如下:（1）针对无造影剂MRI图像中肝肿瘤的边缘模糊、与周围正常组织的对比度低、差异性较大和复杂度较高等特点,本文提出一种放射组学特征指导的DUN-GAN（Radiomics-guided DUN-GAN）网络用于肝肿瘤区域的2D分割。本部分的研究内容包括3个方面:i)密度嵌套UNet的分割器提取到肝肿瘤的语义特征和全局指导特征,并利用特征相关性对特征进行合理且高效的融合。ii)鉴别器中引入三相造影剂增强MRI图像（动脉期,门静脉期和延迟期）结合的放射组学特征作为先验知识,以学习到分割器和鉴别器间的映射关系。iii)在放射组学特征对抗思想的指导下,网络获得了准确性较高的无造影剂MRI图像中肝肿瘤的2D分割。本文提出的放射组学指导的先验知识以及多策略融合方式可以提取到无造影剂图像中关键的隐含的造影剂放射组学特征,从而实现低对比度图像中较准确的肝肿瘤分割。（2）针对无造影剂MRI序列图像中肝肿瘤空间解剖结构复杂,多模态无造影剂图像（T1FS+T2FS）间肿瘤表征差异较大,以及同时完成多任务（分割+量化）的复杂性较高等问题,本文提出一种双流相关3D（Two-stream associated 3DNet,TsA-3DNet）异构学习网络,利用多模态的无造影剂MRI来同时进行肝肿瘤的3D分割和多指标量化。本文研究内容主要包括两个方面:i)该网络充分考虑多模态数据的关联性和差异性,提出的多视角融合机制（Multi-view fused,Mv F）利用比例门优化算法提取多模态的互补信息,以进一步融合多通道（T1FS+T2FS）和不同尺度的特征。ii)该网络充分结合多任务间的关联和约束,提出的双向指导机制（Bi-directional guided,Bd G）关联多任务间的互补信息,以进一步实现多任务（分割+量化）的同时优化。本文提出的异构学习网络能够建立多视角特征的融合和多任务双向指导机制,从而较准确地同时实现多模态图像中肝肿瘤的3D分割和全面的多指标量化。（3）针对无造影剂MRI图像样本较少、自动识别复杂性较高、肿瘤特异性较低的问题,本文提出了一种稳定的细节指导的生成对抗（Detail-guided Generative Adversarial Network,Dg-GAN）网络,通过增强数据来改善肝肿瘤分类性能。Dg-GAN中的多尺度感知生成器引入残差块感知上下文信息,加强细节特征提取以合成更加逼真的造影增强图像。本文在合成数据增强的数据集上进行卷积和全局平均池化,并设计细节指导的VGG模型以验证数据增强对肝癌分类性能的影响。生成器的细节特征图被作为指导知识引入分类器,以促进不同类型肝癌的特异性特征提取和改善肿瘤分类性能。本文提出的数据增强方式有效地克服了数据样本少的难题,展示了较好的自动分类性能。（4）针对多模态无造影剂MRI图像间特征差异较大、分割和检测任务间复杂性较高的问题,本文提出联合对抗学习（United adversarial learning framework,UAL）网络,整合多模态无造影剂MRI的互补信息,以联合约束的方式实现肝肿瘤的同时分割和检测。首先,编码器通过引入边缘差异特征图的先验知识,增强三个模态的关键特征提取,同时利用门机制实现特征融合和自适应选择。坐标共享机制使得分割和检测进行联合以实现统一学习,同时将多相放射组学特征与语义特征结合以实现分割和检测的同时对抗学习。本文提出的联合对抗学习网络较充分的提高肝肿瘤分割和检测的性能。综上所述,本文围绕无造影剂MRI图像的肝癌智能诊断的四个问题,从不同的目的进行了相关任务的研究和网络的构建,这项工作具有一定的计算机理论意义和辅助诊断的价值。
陈吉新[4]（2021）在《基于区域卷积神经网络的乳腺MRI肿块检测与诊断研究》文中进行了进一步梳理乳腺癌是全球发病率第二高的癌症,也是女性发病率最高的恶性肿瘤。影像学检查在乳腺癌早期检测和诊断中扮演着重要角色,凭借其精准无创的诊断性能,检出初期乳腺疾病,从而抑制病情恶化、提升治愈率。磁共振成像（Magnetic Resonance Imaging,MRI）作为癌症检测的重要无创手段,能够发现乳腺早期病灶,精准地反映病变的形态特征和血流动力学信息,是乳腺癌早期检测的重要工具。同时,随着深度学习在图像领域的不断拓展,如何结合深度学习与医学成像技术来构建计算机辅助诊断算法,缓解医生的阅片压力,提升诊断的准确性和稳定性,成为了当前医学影像处理领域亟待解决的问题。为了解决上述问题,本文的主要研究工作是基于区域卷积神经网络来构建计算机辅助检测与诊断算法,对乳腺MRI图像进行乳腺癌肿块的早期检测与诊断。由于乳腺MRI公开数据集的缺乏,本文首先对合作医院的乳腺MRI数据进行处理和标注,制作了乳腺MRI肿块检测标准数据集;然后对经典的区域卷积神经网络算法Faster RCNN进行改进,实现了在标准数据集上对乳腺肿块的高敏感度检测;最后,针对乳腺肿块检测过程中的小尺寸肿块检测困难、良性肿块检测精度不高的问题进行分析,将特征金字塔网络和级联网络策略融入到Faster RCNN算法中,构建出级联特征金字塔网络,进一步提高了对乳腺良恶肿块的检测和分类性能。具体地,本文的主要研究工作如下:（1）制作乳腺MRI肿块检测标准数据集。对于纳入数据集的191例患者,首先使用小波去噪对其乳腺MRI图像进行去噪处理,然后根据诊断病历在医生的指导下对所有样本进行了肿块标注,并在数据扩增步骤中,提出了一种3通道RGB图像融合的数据扩增方法,得到了表征能力更强的乳腺RGB融合图像,并提高了数据集的样本空间。最后,对病人最大肿瘤横截面前后连续5张切片进行采样,用于后续实验。（2）对经典的区域卷积神经网络算法Faster RCNN进行改进,实现了乳腺肿块的高灵敏度检测。本文使用Res Net101作为Faster RCNN的主干网络,并根据肿块的尺寸设计了定制化的锚尺寸,提高了算法对乳腺图像的特征提取能力和检测性能。在损失函数方面,采用Focal Loss替代了原始的交叉熵损失,使得算法提高了对难分样本的关注权重和良恶肿块的类间平衡性。在模型训练上,提出了两步迁移学习方法,使得网络分别从自然图像数据集Image Net和PASCAL VOC上学习到先验知识,最后在乳腺肿块标准数据集上达到了0.837的m AP值,0.979（0.401 FPs/Volume）的灵敏度。（3）将特征金字塔网络和级联网络策略融入到Faster RCNN算法中,构建出级联特征金字塔网络,进一步提高了算法对乳腺良恶肿块的检测和分类性能。针对在实验过程中出现的小尺寸肿块易漏检、良性肿块检出率远低于恶性肿块的问题,本文引入多尺度特征金字塔结构对Res Net101主干网络进行改进,以提高网络对小肿块识别能力;并采用级联策略,将单阈值网络级联成多阈值网络,提高网络对各种目标对象的学习能力。最后,将乳腺肿块的检测m AP值提高到了0.860,并大大提升了对小肿块的检测性能。综上所述,本文所有的工作都围绕乳腺MRI图像中的肿块检测与诊断任务展开,为后续的乳腺癌计算机辅助诊断算法在乳腺癌早期检查中的应用提供了方法参考,推动了乳腺癌的临床研究和乳腺癌早期检查的普及。
李诗韵[5]（2021）在《基于CT平扫的2D与3D影像组学模型对卵巢良恶性病变的鉴别诊断价值初探》文中研究表明第一部分基于CT平扫的2D影像组学模型对卵巢病变良恶性鉴别诊断效能初探目的:基于治疗前二维（2D）卵巢肿瘤计算机断层扫描（CT）影像组学特征,构建影像组学模型,来区分良性和恶性卵巢肿瘤。方法:回顾性分析江西省人民医院2017年7月至2020年8月行腹部或者盆腔CT检查并经手术病理证实为卵巢肿瘤的患者140例,依据病理结果分为良性组和恶性组,在每位患者CT平扫图像上勾画2D肿瘤感兴趣区并提取图像特征。按照7:3的比例随机分层分为训练组（n=99）与验证组（n=41）,采用最大相关最小冗余（m RMR）准则及最小绝对收缩选择算子（LASSO）算法对训练集进行最佳特征筛选以确定最佳特征集。运用多元逻辑回归对训练组的关键特征进行训练,得到可用于鉴别卵巢良恶性病变的2D影像组学模型,采用受试者工作特征（ROC）曲线的曲线下面积（AUC）评估其对良性与恶性卵巢肿瘤诊断效能。结果:最终筛选出6个特征以创建影像组学模型,其中影像组学模型训练组及验证组AUC为0.87、0.85,具有较好的判别效能。影像组学诺模图训练组的AUC为0.96,验证组的AUC为0.97,显示了良好的鉴别能力。决策曲线明确（DCA）表明了诺模图模型的临床应用价值,表现为对主要的临床事件,如其是否进行下一步检验、治疗或侵入性手术等的影响。结论:基于CT平扫的二维影像组学模型具有较高的诊断效能,有助于卵巢良、恶性肿瘤的识别和预测。第二部分基于CT平扫的3D影像组学模型对卵巢偶发肿瘤性质诊断效能价值分析目的:评价三维（3D）的CT平扫影像组学模型在预测卵巢肿瘤良恶性病变诊断中的应用价值,并比较2D影像组学模型及3D影像组学模型的诊断效能差异。方法:纳入与第一部分相同的140例卵巢肿瘤病灶,其中良性64例,恶性76例,按7:3的比例随机分成训练组和验证组,采用ITK-SNAP软件在每位患者CT平扫图像上勾画3D肿瘤感兴趣区,最大相关最小冗余（m RMR）准则及最小绝对收缩选择算子（LASSO）算法对训练集进行最佳特征筛选以确定最佳特征集。运用多元逻辑回归对训练组的关键特征进行训练,得到3D影像组学模型,采用AUC评估模型在卵巢肿瘤良恶性诊断中的应用价值。运用De Long’s检验比较2D与3D影像组学模型的诊断性能。结果:从3D感兴趣区域中提取396个纹理特征,并将其缩减为7个特征以构建影像组学模型。影像组学特征训练组AUC为0.86,验证组AUC为0.84,影像组学诺模图训练组的AUC为0.96,验证组的AUC为0.99。训练集和测试集中,2D模型和3D模型的AUC值无统计学差异（P<0.05）。决策曲线分析显示,2D模型与3D模型的临床实用性相当。结论:在对卵巢肿瘤的良恶性鉴别诊断中,2D与3D影像组学诺模图模型诊断性能与临床实用性相当。并且节省时间的2D模型可能可以作为更好的选择应用于未来研究。
杨静[6]（2021）在《深度学习软件对皮肤恶性肿瘤诊断准确性的研究》文中提出[目 的]探讨深度学习软件“优智皮肤”、“睿肤识别”在实际临床工作中对皮肤恶性肿瘤的诊断准确性,同时对比二者与专业皮肤科医生在实际临床工作中对皮肤恶性肿瘤诊断准确性的差异,为临床实际运用提供参考依据。[方法]对2019年12月至2020年12月在昆明医科大学第二附属医院皮肤科就诊且既往未被诊断为皮肤恶性肿瘤的患者在首诊医生问诊的同时使用深度学习软件“优智皮肤”及“睿肤识别”对患者皮损进行拍照识别诊断,将首诊医生及两种深度学习软件三者的诊断中有一者及以上提示为皮肤恶性肿瘤且知情告知后自愿行皮损组织病理学检查进一步明确诊断的患者纳入本次研究,记录首诊医生、深度学习软件的诊断情况以及患者的性别、年龄、居住地、职业、防晒史、皮损部位、大小、破溃情况等信息。使用Excel 2013对上述数据整理,以最终组织病理学诊断结果为诊断的金标准,使用SPSS 24.0进行统计分析。[结 果]1.从区分病例为皮肤恶性肿瘤和皮肤非恶性肿瘤的维度来看,皮肤科医生总体对皮肤恶性肿瘤的识别灵敏度为96.15%,特异度为63.83%,约登指数为0.60,ROC 曲线下面积为 0.580（95%CI:0.489-0.668）,高于（z=4.07,P<0.05）深度学习软件“优智皮肤”（灵敏度为75.64%,特异度为40.43%,约登指数为0.16,ROC曲线下面积为0.599,95%CI:0.508-0.686）及“睿肤识别”（灵敏度为73.08%,特异度为46.81%,约登指数为0.20,ROC曲线下面积为0.599,95%CI:0.508-0.686）。“优智皮肤”与“睿肤识别”对皮肤恶性肿瘤识别能力无明显差异（z=0.29,P>0.05）。2.经组织病理学诊断最终确诊为皮肤恶性肿瘤的病例为78例,男性（41例,52.56%）,女性（37例,47.44%）,年龄最小30岁,最大92岁,平均年龄67.03岁,中位年龄70岁,职业以农民为主（48例,61.54%）,多数病例不进行日常防晒（66例,84.61%）。病例病程最短不足1月（29天）,最长50年,平均病程5.32年,中位病程2年。皮损主要位于头面颈部（59例,75.64%）及四肢（12例,15.38%）;皮损长径最小4mm,最大300mm,平均长径28.28mm,中位长径20mm。过半皮损发生破溃（53例,67.95%）。3.皮肤科医生总体对皮肤恶性肿瘤病例的诊断准确率为84.62%,高于深度学习软件“优智皮肤”（51.28%,χ2=19.90,P<0.05）及“睿肤识别”（48.72%,χ 2=22.62,P<0.05）,“优智皮肤”与“睿肤识别”二者的诊断准确率无明显差异（χ 2=0.10,P>0.05）。高级职称皮肤科医生诊断准确率为92.86%,高于中低职称皮肤科医生（63.64%,χ2=8.24,P<0.05）,中低职称皮肤科医生与“优智皮肤”与“睿肤识别”三者诊断准确率无明显差异（χ2=1.54,P>0.05）。4.皮肤科医生误诊可能危险因素的logistic回归分析发现皮损破溃的病例诊断准确的是皮损非破溃的0.08倍,95%CI:0.01～0.86倍（P<0.05）;高级职称皮肤科医生病例诊断准确的是中低职称皮肤科医生的6.57倍,95%CI:1.44～30.08 倍（P<0.05）。5.“优智皮肤”误诊的可能危险因素的logistic回归分析发现进行日常防晒的病例诊断准确的是不进行防晒的0.24倍,95%CI:0.06～0.99倍（P<0.05）;皮损长径每增加1mm病例诊断准确的为不准确0.97倍,95%CI:0.95～1.00倍（P<0.05）。6.“睿肤识别”误诊的可能危险因素的logistic回归分析发现进行日常防晒的病例诊断准确的是不进行防晒的0.15倍,95%CI:0.03～0.75倍（P<0.05）;皮损长径每增加1mm病例诊断准确的为不准确的0.97倍,95%CI:0.94～1.00倍（P<0.05）[结 论]1.皮肤科医生总体上对皮肤恶性肿瘤和皮肤非恶性肿瘤的识别能力强于深度学习软件“优智皮肤”及“睿肤识别”。2.皮肤科医生总体上对皮肤恶性肿瘤的诊断准确率高于深度学习软件“优智皮肤”及“睿肤识别”。不同职称皮肤科医生间诊断准确率存在差异,高级职称皮肤科医生诊断准确率高于中低职称皮肤科医生及深度学习软件“优智皮肤”及“睿肤识别”,而中低职称皮肤科医生与深度学习软件“优智皮肤”及“睿肤识别”三者诊断准确率无明显差异,深度学习软件“优智皮肤”及“睿肤识别”可成为中低职称皮肤科医生及缺少专业皮肤科医生的基层地区医生日常临床工作中的辅助工具。3.本次研究纳入的皮肤恶性肿瘤病例以户外工作且无防晒习惯的老年农民群体为主,病变主要位于头面颈、四肢等暴露部位,病种以BCC、SCC居多,皮损破溃的比例较高,这与国内其它地区研究结果类似。4.造成皮肤科医生误诊的可能危险因素为皮损破溃情况及医生的经验;造成深度学习软件“优智皮肤”及“睿肤识别”误诊的可能危险因素均为病例日常防晒史及皮损长径。
郜亚茹[7]（2020）在《基于冠脉CTA的冠心病患者大鱼际表征与中医证素的关联性研究》文中进行了进一步梳理“望闻问切”是中医诊察疾病的手段,望诊居四诊之首。望诊是通过观测症状、体征等病理现象,推测内在相应脏腑的变化,并从中提炼证候要素,病证结合,指导临床诊疗。《灵枢·经脉》、《灵枢·邪客》诸多条文记载大鱼际为少阴心经、厥阴心包经、太阴肺经直接所络,大鱼际表征与心肺功能密切相关。心主血脉,肺主一身之气助心行血,心肺功能失常、气血不利,则心脉瘀滞,继而产生狭窄,可通过经络反映于体表大鱼际区域。导师经过三十多年的临床实践提出冠心病大鱼际三维望诊法:大鱼际颜色、肌肉、皮纹、皮下血管等表征的异常变化与冠心病及其证素关系密切,大鱼际望诊法能够指导中医辨证及临床用药。目前缺乏大鱼际表征的分级规范,及与冠心病及其证素相关性研究。本研究在建立大鱼际表征分级规范的基础上,探索大鱼际异常表征与冠心病的关系,从而初步明确大鱼际异常表征在评估冠心病中的作用,分析大鱼际异常表征与冠心病中医证素的关联性,为大鱼际异常表征辅助冠心病中医辨证提供依据。一、研究目的采用文献分析、专家问卷调查制订大鱼际表征分级规范;通过临床研究探讨大鱼际异常表征与冠心病及其证素的相关性,为大鱼际异常表征辅助冠心病中医辨证提供依据。二、研究方法1大鱼际表征量化的相关文献分析使用“标题或关键词”字段,中文以“大鱼际”或“鱼际”在中国期刊全文数据库（CNKI）、万方数据库（WANGFANG）、维普数据库（VIP）,英文以“thenar”或“thenar eminence”在PubMed数据库进行检索,纳入与大鱼际表征量化相关文献进行分析,了解大鱼际表征望诊关键的操作方法、大鱼际表征量化规范的研究现状。2大鱼际表征分级规范专家问卷调查根据文献分析结果,制订“大鱼际表征分级”专家调查问卷。采用德尔菲法,对大鱼际正常形态与区域界定、异常表征（颜色、皱褶、鱼际肌肥厚/扁平/凹陷、大鱼际/大拇指根部青筋）及分级进行两轮问卷调查。遴选来自心血管领域,具有副主任以上职称,且具备一定大鱼际望诊相关知识的专家,每轮邀请30位参加问卷调查。问卷信度、效度分别通过Cronbachα系数、内容效度进行评价。专家参与调查的积极程度采用积极系数评价;专家权威程度、意见的集中程度、意见一致性分别通过权威系数、同意度x、同意度累积百分比、变异系数进行评价。按照同意度x>4和变异系数<0.25形成专家共识。3大鱼际异常表征与冠心病中医证素的关联研究采用病例-对照研究设计,收集中国中医科学院广安门医院放射科门诊及住院部行冠脉CTA检查的500例患者。根据冠脉CTA结果将患者分为无狭窄组、冠脉非梗阻性狭窄组（狭窄<50%）、冠心病组（狭窄≥50%）。采集患者人口学资料（性别、年龄、文化程度、职业类型、BMI值、中心型肥胖）、个人生活史（吸烟、饮酒、睡眠情况）、既往病史（高血压、糖尿病、高血脂症、高尿酸血症）、一级亲属家族心血管病史、双手大鱼际表征（形态、颜色、皱褶、大鱼际/大拇指根部青筋）、耳褶征、鼻褶征、舌象（舌体、舌色、舌苔、舌下络脉）,中医证素（痰浊、血瘀、气滞、寒凝、气虚、阴虚、阳虚、血虚）,并进行三组间描述性分析。分别对左手、右手、双手进行大鱼际表征异常判定,综合考虑其他因素（性别、年龄、BMI、职业类型、吸烟、饮酒、既往病、家族史、主诉）。选取组间比较P<0.2、变量频数占比>15%的变量,排除其中的共线性变量进行分析;综合单因素Logistic回归分析、随机森林等统计与数据挖掘方法,初步筛选出与冠脉非梗阻性狭窄、冠心病可能相关的大鱼际异常表征及其他因素;采用多分类（有序、无序）多因素Logistic回归分析,探索大鱼际异常表征对非梗阻性狭窄、冠心病的影响大小及分类作用,并分析冠心病组大鱼际异常表征与冠脉病支数关系;采用拟合优度检验、平行性检验多因素Logistic回归模型的分类效果。筛选出与冠脉非梗阻性狭窄、冠心病相关大鱼际异常表征后,采用基于Apriori算法的关联规则数据挖掘法,设置最小阈值:支持度>20%,置信度>40%,提升度>1,挖掘大鱼际异常表征与痰浊、血瘀、气滞、寒凝、气虚、阴虚、阳虚、血虚证素的规则,综合支持度、置信度提取大鱼际异常表征与证素的有效规则。三、研究结果1大鱼际表征量化的相关文献分析大鱼际表征分级的常用方法和步骤是采集图片后进行人工观察,多属于半定量研究。与冠心病相关的大鱼际表征指标较为单一,样本量较少。大鱼际异常表征判断标准不一,亟需确立大鱼际表征分级规范。2大鱼际表征分级规范专家问卷调查专家来自5个省市10家三甲医院及科研院所相关领域,具有较好的地区代表性。大鱼际表征分级专家调查问卷结构效度较好,Cronbachα系数为0.966,信度良好。每轮调查发放问卷30份,两轮分别回收有效问卷为29份和28份、专家积极系数分别为96.67%、93.33%,反映专家参与本项研究积极程度较高。两轮专家权威系数分别为0.80%、0.86%,反映本次调查权威性较好。问卷各条目专家同意度x>4分,同意度累积百分比>90%,专家意见集中程度较好。两轮问卷各条目CV<0.25,Kendall’sW系数分别为0.419、0.536,反映两轮专家意见一致性较好,变异较小,调查结果可靠。通过问卷调查明确了大鱼际的正常形态。大鱼际表征异常可通过颜色、肌肉皮纹、皮下血管三方面体现。大鱼际颜色异常表现为色红、黄、青、白。皮纹异常表现为肉眼可见皮肤皱褶;鱼际肌形态异常表现为肥厚、扁平、凹陷;皮下血管异常表现为大鱼际区域及大拇指根部肉眼可见青筋。大鱼际异常表征分级:①大鱼际肌形态:根据大鱼际肌与大鱼际曲线间距缩小程度进行大鱼际肥厚程度分级:肥厚Ⅰ级-间距缩小至1cm-0.5cm,Ⅱ级-大鱼间距缩小至0.5cm,Ⅲ级-大鱼际丘肌肉丰满抵至或超过大鱼际曲线;以掌心及小鱼际水平面为参考进行大鱼际扁平程度分级:Ⅰ级-掌心水平面≤大鱼际水平面≤小鱼际水平面,Ⅱ级-大鱼际水平面=掌心水平面,Ⅲ级-大鱼际水平面<掌心水平面;以正常大鱼际丘为参考进行大鱼际凹陷程度分级:Ⅰ级-大鱼际肌有轻度凹陷、仍为掌面最凸处,Ⅱ级-大鱼际肌凹陷加深、已不是掌面最高点,Ⅲ级-大鱼际凹陷呈盆地状。②大鱼际皱褶:皱褶数量分级:Ⅰ级≤1根,1根<Ⅱ级≤3根,Ⅲ级>3根;皱褶深浅分级:Ⅰ级<0.5mm,0.5mm≤Ⅱ级<1mm,Ⅲ级≥1mm。③大鱼际青筋:大鱼际青筋粗细分级<1mm、≥1mm;长度分级:长度分级Ⅰ级≤3cm、3cm<Ⅱ级≤6cm、Ⅲ级>6cm。④大拇指根部青筋:粗细分为<1mm和≥1mm,长度分为<1cm和≥1cm。3大鱼际异常表征与冠心病中医证素的关联研究1)采集患者500例,剔除14例,最终纳入486例患者,男性285例（58.6%）,女性201例（41.4%）,年龄51.76±6.72岁。文化程度中初中以下78例（16.8%）、高中及中专197例（40.5%）、大专以上207例（42.6%）。职业类型中脑力劳动者280例（57.6%）、体力劳动者106例（21.8%）、二者兼有72例（14.8%）、二者均无28例（5.8%）。证素分为痰浊426例（87.7%）、血瘀442例（98.4%）、气滞8 例（1.6%）、寒凝 1 例（0.2%）、血虚 2 例（0.4%）、气虚 275 例（56.6%）、阴虚358例（73.7%）、阳虚192例（39.5%）。根据冠脉CTA结果,无狭窄组196例,冠脉非梗阻性狭窄组132例,冠心病组158例。2)大鱼际异常表征与冠脉非梗阻性狭窄、冠心病的相关性:大鱼际皱褶与非梗阻性狭窄相关（P<0.05）,大鱼际色红、大拇指根部青筋与冠心病相关（P<0.05）。与无狭窄组相比,有大鱼际皱褶的患者出现非梗阻性狭窄的几率增加1.714倍（OR=1.714,95%CI:1.02～2.881,P<0.05）;与无狭窄组相比,有大鱼际色红的患者出现冠心病的几率增加1.884倍（OR=1.884,95%CI:1.089～3.258,P<0.05）;有大拇指根部青筋的患者出现冠心病的几率增加1.885倍（OR=1.885,95%CI:1.045～3.291,P<0.05）;与非梗阻性狭窄组相比,有大拇指根部青筋的患者出现冠心病的几率增加1.884倍（OR=1.884,95%CI:1.024～3.321,P<0.05）。3)大鱼际色红、大拇指根部青筋与冠脉病变支数的相关性:冠心病组患者大拇指根部青筋与冠脉病变支数相关。冠心病组大拇指根部青筋阳性患者比大拇指根部青筋阴性患者出现多支病变的优势比增加2.583倍（OR=2.583,95%CI:1.106～6.576,P<0.05）。大鱼际色红与冠脉病变支数无相关。4)大鱼际异常表征与冠脉非梗阻性狭窄、冠心病中医证素的相关性:非梗阻性狭窄组患者主要证素分布:血瘀122例（92.4%）、痰浊119例（90.2%）、阴虚90例（68.2%）、气虚85例（64.4%）、阳虚43例（32.6%）;冠心病组患者主要证素分布:痰浊153例（96.8%）、血瘀153例（96.8%）、气虚92例（58.2%）、阴虚119例（75.3%）、阳虚57例（36.1%）。关联规则分析结果显示,非梗阻性狭窄组患者大鱼际皱褶与气虚和血瘀证素相关（支持度:43.2%,置信度:74.03%,提升度:1.007）;冠心病组大鱼际色红与血瘀证素（支持度:41.77%,置信度:43.14%,提升度:1.007,提升度:1.08）、痰浊和阴虚证素（支持度:33.54%,置信度:44.83%,提升度:1.062）相关;冠心病组大拇指根部青筋与痰浊和血瘀证素（支持度:79.11%,置信度:83.89%,提升度:1.0196）相关。四、结论1.大鱼际表征分级规范的确立为探索大鱼际表征与冠心病的关系奠定了基础。2.大鱼际皱褶是冠脉非梗阻性狭窄人群气虚、血瘀的重要表征。大鱼际色红和大拇指根部青筋均是冠心病人群血瘀、痰浊的重要表征,大鱼际色红同时也是阴虚的表征。冠心病患者大拇指根部青筋与多支病变相关。大拇指根部青筋在区分冠脉非梗阻性狭窄与冠心病时比耳褶征更具有优势。五、创新点1.首次制定了大鱼际表征分级规范,对大鱼际异常表征（形态、皱褶、青筋）进行了三级量化。2.在“象”思维指导下,采用冠心病大鱼际三维望诊,首次发现了与冠心病、冠脉非梗阻性狭窄相关的大鱼际异常表征,明确了大鱼际异常表征在评估冠心病、冠脉非梗阻性狭窄中的作用,在此基础上发现了大鱼际异常表征与冠心病中医证素的关联性,为大鱼际异常表征辅助冠心病中医辨证提供依据。
刘羽[8]（2020）在《基于硅基芯片的拉曼和太赫兹传感器构建及在肿瘤检测中的应用》文中研究说明研究背景:目前,肿瘤仍是严重威胁人类健康的疾病,全球每年肿瘤死亡例数约为820万,其死亡率高居常见疾病中的第二位。肿瘤的早期筛查和预后评估有助于提高患者检出率并增强患者治疗信心,在肿瘤的诊断和治疗中起关键作用。组织病理学活检和影像学检查是目前临床上肿瘤诊断的主要手段。作为诊断的“金标准”,组织病理学活检因其有创性而不适用于大规模筛查。影像学检查费用较高,其准确性高度依赖操作医师的个人经验,也不适合大规模开展。由于肿瘤标志物的检测具有快速、简便、无创且适合大规模开展的优势,因此越来越多的肿瘤标志物被发现及验证,并用于肿瘤疾病的大规模筛查、临床诊断和预后评估等多个方面。此外,随着高通量测序的快速发展和组学的建立,大量的生物医学数据库已被建立,并联合生物信息学方法和技术,成为肿瘤标志物筛选、评价和验证的必要途径。肿瘤及其标志物的检测技术也在不断的更新,其中生物传感器的建立,开创了高灵敏性检测的新时代。光学传感器是最常见的生物传感器之一,包括表面等离子体共振、荧光、光纤等多种传感器类型。近年来,随着以拉曼光谱和太赫兹（terahertz,THz）光谱为代表的振动光谱技术的快速发展,且具备快速、无标记等优势,在生物医学领域掀起了研究热潮。由于拉曼光谱和THz波在电磁波谱中属于不同频段,但又存在部分交叉,且分别属于共振散射和吸收光谱,因此二者在研究应用上具有较好的互补性。因此,表面增强拉曼散射（surface-enhanced Raman scattering,SERS）和THz超材料传感器作为新型的光学传感器在肿瘤标志物、细胞等检测中的应用也越来越广。然而,SERS和THz超材料传感器直至目前仍没有真正用到实际临床工作中,分别是由于高质量SERS活性基底的制备及与待测物质的有效接触,和THz的干燥检测环境易影响分子、细胞和组织等的正常形态和功能,所以解决这些临床应用中存在的问题迫在眉睫。综上所述,本课题针对新型肿瘤标志物的筛选和SERS及THz超材料传感器在肿瘤检测中遇到的问题,利用了生物信息学分析方法、SERS活性基底、纳米颗粒及微纳结构等,评估了肿瘤微环境与20种恶性肿瘤预后的相关性,并筛选出潜在的基因和蛋白类肿瘤预后标志物,为肿瘤标志物的筛选提供新思路。进一步构建基于增强基底和银纳米探针的SERS适配体传感器和基于硅基超材料的THz传感器,分别用于蛋白类标志物的高灵敏性、特异性和稳定性检测和表征肿瘤细胞活性及含水量,不仅为肿瘤的简便快速检测提供新的传感方法,而且为推进其在临床实际工作中的应用奠定基础。研究目的:本研究拟利用生物信息学分析方法,评估肿瘤微环境与20种恶性肿瘤预后的相关性,并从基因和蛋白层次,探寻潜在的肿瘤预后标志物。进一步构建基于增强基底和银纳米探针的SERS适配体传感器用于蛋白类标志物的高灵敏性、特异性和稳定性检测,和构建基于硅基超材料的THz传感器用于表征肿瘤细胞活性及含水量,为肿瘤标志物的筛选提供新思路,为在肿瘤相关蛋白类和细胞水平的检测提供了灵敏、特异、稳定且简便快速的传感方法。材料与方法:1.基于肿瘤微环境的多种恶性肿瘤预后相关标志物的生物信息学分析（1）利用TCGA数据库和ESTIMATE算法,分析20种常见恶性肿瘤的基质评分和免疫评分与预后的相关性,筛选出有相关性的肿瘤类型,并分别归为基质评分组和免疫评分组。（2）筛选基质评分组和免疫评分组中各肿瘤的共同差异基因（DEGs）,并开展功能富集分析。（3）验证基质评分组和免疫评分组的共同DEGs与相关癌症预后的相关性及在正常和肿瘤组织中表达的差异情况。2.五种商业SERS活性基底的评价及金属纳米颗粒的制备（1）五种商业SERS活性基底的表征,包括普通光学显微镜和扫描电镜（SEM）的形貌表征和拉曼成像光谱仪的光谱表征。（2）利用3种拉曼标签分子对五种商业SERS活性基底进行综合评价,包括最适激发光波长、检测重复性和增强效果,筛选最适SERS基底。（3）制备并表征3种金属纳米颗粒,包括2种不同直径的金纳米颗粒（AuNPs）和1种银纳米颗粒（AgNPs）。3.联合增强基底和银纳米探针构建SERS适配体传感器检测IGF-ⅡR蛋白（1）构建基于适配体修饰的Q-SERS基底和银纳米探针的SERS适配体传感器:优化IGF-ⅡR蛋白适配体与DNA探针的反应体系,SERS纳米标签的制备及筛选、适配体对Q-SERS基底的修饰。（2）SERS适配体传感器检测IGF-ⅡR蛋白的性能评价,包括灵敏度、特异性及稳定性评价。（3）含标准IGF-ⅡR蛋白溶液的血清样品制备及SERS适配体传感器检测。4.硅基THz超材料的制备、模拟及评价（1）验证THz时域光谱仪对细胞悬液的检测能力。（2）设计并制备以硅为基底,由五个同心四开口方形金属环组成的SRR阵列的THz超材料,并检测单层贴壁细胞。（3）利用COMSOL软件,根据有限元分析模拟超材料在其谐振频率处的的谐振行为和表面电场分布,模拟超材料对其表面介电常数变化的敏感性。（4）检测普通和放置THz超材料的培养皿中细胞培养上清液中细胞因子分泌情况,包括IL-6、IL-8、GM-CSF和GROα。5.基于超材料增强的THz光谱表征细胞活性及含水量（1）连续监测不同湿度环境（3%和7%）下,单层贴壁U87细胞对THz超材料谐振峰的影响。（2）利用同批次且同结构参数制作的具有不同谐振峰的THz超材料评价其对U87细胞连续监测的重复性。（3）原子力显微镜检查U87细胞的厚度,并利用THz超材料检测与单层细胞厚度相当的PBS液层。研究结果:1.基于肿瘤微环境的多种恶性肿瘤预后相关标志物的生物信息学分析（1）筛选出基质评分或免疫评分能评估患者预后情况的6种肿瘤类型,分为免疫评分组包括浸润性乳腺癌（BRCA）、肺腺癌（LUAD）、肾透明细胞癌（KIRC）、脑低级别胶质瘤（LGG）和皮肤黑色素瘤（SKCM）,和基质评分组包括胃腺癌（STAD）、LGG和SKCM。（2）基质评分组和免疫评分组分别筛选出116个和54个共同DEGs,且富集到参与的生物过程（BP）、细胞组成（CC）和分子功能（MF）具有较高的一致性,蛋白质相互作用（PPI）中分别以PTPRC和ITGAM为最主要的中心节点。（3）基质评分组和免疫评分组中分别有108个和53个共同DEGs的表达水平至少与组内一种肿瘤的预后相关。其中共有79个基因在正常和肿瘤组织中的表达差异有显着的统计学意义。2.五种商业SERS活性基底的评价及金属纳米颗粒的制备（1）明确Enspectr和Ocean-SP基底是以玻璃为基底,Q-SERS基底是以硅为基底,Ocean-Au和Ocean-AG基底是以纸为基底,其上分布金属纳米颗粒或薄片起SERS增强作用。各基底在532 nm和785 nm激光下都可获得拉曼信号,但两者间差异较大。（2）明确Enspectr、Ocean-AG和Ocean-SP基底的最适激发光波长为532 nm,而Q-SERS和Ocean-Au基底的最适激发光波长为785 nm。Enspectrc和Q-SERS基底具备较好的检测重复性,Ocean-AG和Q-SERS基底的增强效果较高,因此筛选出Q-SERS基底为五种商业SERS活性基底中最适构建传感器的基底。（3）成功制备出23 nm和32 nm的AuNPs及20 nm的AgNPs,都呈球形、尺寸较均一、分布较散、无明显聚集且背景未见明显的杂质,紫外-可见光谱表现出AuNPs和AgNPs特有的吸收光谱。3.联合增强基底和银纳米探针构建SERS适配体传感器检测IGF-ⅡR蛋白（1）IGF-ⅡR蛋白适配体与DNA探针在室温下10 min可完成杂交。（2）利用AgNPs构建的SERS纳米标签与Q-SERS基底联合产生最强SERS信号。（3）只有Q-SERS基底被适配体修饰后,才能与SERS纳米标签结合,因此成功构建了基于适配体修饰的Q-SERS基底和银纳米标签的SERS适配体传感器。（4）SERS适配体传感器可实现IGF-ⅡR蛋白的定量检测,检测限为141.2 fM,且具备较好的特异性、批内重复性和批间重现性。（5）血清样本中标准IGF-ⅡR蛋白质的回收率范围为97.1%-106.0%,相对标准偏差（RSD）值的范围为1.1%-4.4%,验证了此SERS适配体传感器在临床检测中的可行性和适用性。4.硅基THz超材料的制备、模拟及评价（1）THz时域光谱仪可对一定浓度范围的U87细胞悬液进行定量检测,且在一定频率下,细胞浓度与THz吸收系数呈线性关系。（2）THz超材料在0.2-2 THz范围内有两个谐振峰,分别位于1.375 THz和1.737 THz,且贴壁生长的细胞可引起其的透过率降低和谐振频率的红移。（3）模拟证明,低频谐振主要是由最外环引起的,而高频谐振则是由中间环引起的,且低频谐振峰对THz超材料表面介电常数的变化有较高的敏感性。（4）THz超材料可引起细胞培养上清液中IL-6含量的显着升高,而显着降低了IL-8、GM-CSF和GROα的含量。5.基于超材料增强的THz光谱表征细胞活性及含水量（1）在不同湿度环境下,U87细胞-THz超材料的谐振峰都随监测时间增加,透过率增加且红移量减少,但当环境湿度从3%升高7%时,谐振峰在各阶段持续时间均变长。（2）在相同湿度环境下,具备不同谐振频率的THz超材料连续监测U87细胞-THz超材料,谐振峰在各阶段持续时间均相同或非常相近。（3）单个贴壁U87细胞的平均最大高度为5.033μm。THz超材料低频谐振峰随PBS液层厚度的减低,透过率增加且红移量减少。研究结论:1.多种恶性肿瘤的预后与肿瘤微环境的相关性评价基于肿瘤微环境的基质评分或免疫评分共可以评估6种肿瘤类型的预后情况,为肿瘤患者预后评估提供了新指标。基质评分和免疫评分组的共同DEGs涉及到的BP、CC和MF,及PPI网络中主要中心节点都具有较高的一致性,表明在基因层次,不同评分组对肿瘤预后情况的评估具备较高的相似性。明确了与相关癌症预后相关且在正常和肿瘤组织中表达差异显着的基因,涉及整合素家族、白介素家族和IGF系统等,为筛选出潜在的基于肿瘤微环境的肿瘤预后标志物奠定基础。2.基于增强基底和银纳米探针的SERS适配体传感器的构建及方法学评价从五种商业SERS活性基底中成功筛选出重复性和增强效果较好的Q-SERS基底作为SERS适配体传感器的捕获基底。成功制备并筛选出AgNPs,用于SERS纳米标签的构建并能与包被适配体的Q-SERS基底联合产生最强SERS信号。最终,联合适配体包被的增强基底和银纳米探针,形成三明治结构,成功构建了SERS适配体传感器,实现对待测物质的双重增强作用。SERS适配体传感器具备较好的灵敏度、特异性和稳定性,并可初步用于临床样品的检测。该方法不仅可以拓展到其他检测平台,而且通过替换适配体用于其他蛋白质的检测。3.硅基THz超材料传感器的制备、模拟及对细胞活性及含水量的评估本研究设计并制备的硅基THz超材料可用于单层细胞的检测,且与常规的细胞悬液检测相比,极大地提高了对细胞检测的灵敏度。利用THz超材料谐振峰透过率和频率的变化,可实时监测细胞的生存状态和含水量。同时,THz超材料可以评估不同湿度环境对细胞的影响。为进一步利用THz超材料在干燥环境中检测活细胞、细菌和液态物质等时提供了必要的参考,特别是在检测时间和湿度的控制上。
刘文[9]（2020）在《基于深度学习的乳腺x线肿瘤分类方法研究》文中研究说明乳腺癌已成为当今社会的主要公共卫生问题,也是威胁妇女身心健康的常见癌症之一,早期发现和治疗乳腺癌是提高疗效并帮助患者康复的关键。乳腺x线摄影技术由于其较为清晰的图像,准确的定位以及对人体相对较小的损伤而成为最传统的乳房图像检测方法。乳腺肿瘤的x线可表现为肿块、钙化、结构变形等,其中肿块是x线摄影中最常见的乳腺癌迹象。因此,基于这些乳腺癌迹象,对乳腺x线病理图像的准确分类是医生确定诊断和治疗方案的重要依据。近年来,随着人工智能的快速发展,特别是深度学习的发展,使得医学图像和计算机技术有效结合,促进了医学图像计算机辅助诊断的发展,医生借助计算机诊断乳腺癌,从而提高了诊断速率和诊断质量。但目前的一些计算机辅助诊断仍存在着分类准确率低,假阳性和假阴性较高的问题。故基于此问题,本文对乳腺癌肿块良恶性的分类进行了研究,提出了基于深度学习的乳腺x线良恶性肿瘤分类的方法,旨在提高乳腺x线良恶性肿瘤分类准确率,降低假阳性和假阴性的误差,提高特异性和敏感度。本文主要研究内容如下:（1）针对乳腺癌良恶性肿瘤分类准确率低,假阳性和假阴性较高的问题,提出了基于VGG的乳腺x线病理图像良恶性肿瘤分类的方法。通过对数据集进行数据预处理,增强了乳腺肿块部分与胸腺干扰部分的层次感,随后提取出包含肿块的感兴趣区域,通过VGG网络的特征提取完成了对乳腺x线良恶性肿瘤的分类。实验结果表明,乳腺x线良恶性肿瘤分类准确率、敏感度、特异性得到了提高。（2）进一步,提出了基于FA-SE-Res Net的乳腺x线病理图像良恶性肿瘤分类的方法。基于VGG的实验虽对准确率、敏感度、特异性进行了提升,但假阳性和假阴性的误差还略高。故为了降低假阳性和假阴性的误差,并考虑到了网络进行特征提取时忽略了通道特征,因此使用了具有通道注意机制的SE-Res Net网络对乳腺x线良恶性肿瘤分类,并在此基础上进行了改进,提出了一种FA-SE-Res Net的网络,同时在公开数据集和山西医科大学附属医院的数据集上进行了验证,结果表明了该网络较高的准确率和泛化性,同时降低了假阳性和假阴性的误差。
柳似霖[10]（2019）在《基于多特征的钼靶医学图像肿瘤识别》文中进行了进一步梳理乳腺恶性肿瘤的防治是目前重要的卫生问题,利用乳腺钼靶图像对早期乳腺肿瘤进行筛查具有重要的研究意义和实用价值。肿块与钙化点是乳腺肿瘤的重要诊断依据,本文对乳腺钼靶图像中肿块和钙化点进行特征提取,并基于提取的特征进行肿瘤良恶性识别,用于辅助筛查乳腺恶性肿瘤。基于谱聚类算法实现乳腺钼靶图像中乳腺组织的分割,去除图像中的胸肌部分,避免了与肿块特征相似的高亮胸肌导致的肿块误分割问题。针对胸肌分层和胸肌与乳腺组织边界不明显的情况,提出了最大类间灰度差和形状约束方法实现准确的胸肌分割。对去除胸肌的图像,基于肿块的灰度较高、面积较小等特点实现肿块的准确分割。利用双窗口滤波方法对钙化点进行增强,基于窗口贡献矩阵方法提取微小钙化点。针对肿块,分别提取了纹理边缘方向自相关向量、灰度共生矩阵和灰度游程矩阵的肿块纹理特征;灰度标准差、局部极大点平均灰度差和邻域组织灰度对比度的肿块灰度特征;边缘复杂度、径向长度比和形状参数比等肿块形状特征。针对提取的钙化点,利用钙化点数目、局部钙化点数以及与邻域灰度的对比度描述其特征。针对MIAS数据库图像和医院获取的病人乳腺钼靶图像,基于肿块和钙化点的特征,利用支持向量机方法对钼靶图像进行良恶性肿瘤的识别。实验结果表明,本文提出的乳腺钼靶图像分割方法,能够准确地分割胸肌和肿块。本文提出的钙化点提取算法能够在减少噪声点的同时保证钙化点提取的准确率。基于钙化点和肿块的恶性肿瘤识别准确率分别为98.00%和84.37%,总识别准确率达到90.00%。
二、恶性肿瘤皮纹表征计算机识别与应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、恶性肿瘤皮纹表征计算机识别与应用（论文提纲范文）
（1）深度学习软件对皮肤恶性肿瘤诊断准确性的分析（论文提纲范文）
| 1 资料与方法 |
| 1.1 资料来源 |
| 1.2 纳入排除标准 |
| 1.3 皮损图像采集方法 |
| 1.4 深度学习软件基本原理 |
| 1.5 研究及统计方法 |
| 2 结果 |
| 2.1 恶性及非恶性皮肤肿瘤区分能力 |
| 2.2 诊断准确性分析 |
| 2.2.1 基本情况 |
| 2.2.2 诊断准确性 |
| 2.3 误诊的可能危险因素分析 |
| 2.3.1 皮肤科医生误诊的可能危险因素分析 |
| 2.3.2 深度学习软件误诊的可能危险因素分析 |
| 3 讨论 |
（2）基于深度学习的乳腺组织病理图像分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容 |
| 1.4 本文的结构安排 |
| 第二章 医学图像分析与卷积神经网络 |
| 2.1 医学图像及其分析方法 |
| 2.2 卷积神经网络概述 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 全连接层 |
| 2.2.4 卷积神经网络的发展 |
| 2.3 CNN的训练和优化方法 |
| 2.3.1 CNN的训练过程 |
| 2.3.2 常见的损失函数 |
| 2.3.3 正则化 |
| 2.3.4 迁移学习 |
| 2.4 本章小结 |
| 第三章 基于改进B-CNN的乳腺病理图像分类 |
| 3.1 引言 |
| 3.2 实验数据集及预处理 |
| 3.2.1 实验数据集介绍 |
| 3.2.2 染色标准化 |
| 3.2.3 数据增强方法 |
| 3.3 基于Inception V3 的改进B-CNN模型 |
| 3.3.1 B-CNN模型 |
| 3.3.2 改进B-CNN模型设计 |
| 3.3.3 模型的前向运算方式 |
| 3.3.4 模型的训练方式 |
| 3.4 实验及结果分析 |
| 3.4.1 实验环境介绍 |
| 3.4.2 实验流程 |
| 3.4.3 模型评价指标 |
| 3.4.4 实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于改进残差网络的乳腺病理图像分类 |
| 4.1 引言 |
| 4.2 实验数据集介绍及划分 |
| 4.2.1 数据集介绍 |
| 4.2.2 数据集划分 |
| 4.3 分类网络模型设计 |
| 4.3.1 残差网络改进 |
| 4.3.2 压缩-激励网络 |
| 4.3.3 SE-Res Net-B模型构建 |
| 4.4 采样和分类策略 |
| 4.4.1 采样策略 |
| 4.4.2 分类策略 |
| 4.5 实验及结果分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验流程和优化方法 |
| 4.5.3 二分类与四分类结果 |
| 4.5.4 实验结果分析 |
| 4.6 本章小结 |
| 第五章 研究总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 个人简历在读期间发表的学术论文 |
| 致谢 |
（3）基于无造影剂MRI图像的肝癌智能诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 肝肿瘤的2D分割 |
| 1.2.2 肝肿瘤的3D分割 |
| 1.2.3 肝脏多模态图像的融合 |
| 1.2.4 小样本图像的肝肿瘤分类 |
| 1.2.5 肝肿瘤的自动检测 |
| 1.3 课题来源及主要研究内容 |
| 1.3.1 实验数据及其特点 |
| 1.3.2 研究内容 |
| 1.4章节安排 |
| 第2章 基于Radiomics-guided DUN-GAN的肝肿瘤2D分割方法 |
| 2.1 问题分析及解决思路 |
| 2.1.1 问题分析 |
| 2.1.2 解决思路 |
| 2.2 分割的国内外研究现状 |
| 2.3 放射组学指导的生成对抗网络 |
| 2.3.1 密度U型嵌套分割器 |
| 2.3.2 放射组学特征指导的鉴别器 |
| 2.3.3 自适应像素级混合损失函数 |
| 2.4 实验结果与分析 |
| 2.4.1 实验数据集及平台 |
| 2.4.2 实验评估指标 |
| 2.4.3 Radiomcis-guided DUN-GAN的定性评估结果 |
| 2.4.4 Radiomics-guied DUN-GAN的定量评估-ROC和 PR曲线 |
| 2.4.5 Radiomics-guied DUN-GAN的定量评估-Dice系数 |
| 2.4.6 放射组学特征指导的定性评估 |
| 2.5 讨论 |
| 2.5.1 放射组学特征对分割结果的影响 |
| 2.5.2 不同特征指导下模型的性能对比 |
| 2.5.3 不同损失函数的对比 |
| 2.5.4 与其他分割方法的对比 |
| 2.6 本章小结 |
| 第3章 基于多模态的TsA-3DNet的肿瘤3D分割和多指标量化方法 |
| 3.1 问题分析及解决思路 |
| 3.1.1 问题分析 |
| 3.1.2 解决思路 |
| 3.2 融合和分割的国内外研究现状 |
| 3.3 双流相关3DNet |
| 3.3.1 精炼模块连接的体积分割 |
| 3.3.2 多指标量化 |
| 3.3.3 双流处理通道(TsAC) |
| 3.3.4 TsAC的多功能 |
| 3.3.5 多任务联合损失函数 |
| 3.4 实验结果和分析 |
| 3.4.1 实验数据集及平台 |
| 3.4.2 实验评估指标 |
| 3.4.3 数据的预处理 |
| 3.4.4 TsA-3DNet网络分割性能的定性评估 |
| 3.4.5 TsA-3DNet网络分割性能的定量评估 |
| 3.4.6 TsA-3DNet网络量化性能的定量评估 |
| 3.4.7 TsA-3DNet网络特征图的可视化 |
| 3.5 实验讨论 |
| 3.5.1 多视角融合机制对分割性能的影响 |
| 3.5.2 多视角融合机制对量化性能的影响 |
| 3.5.3 双向指导机制对分割性能的影响 |
| 3.5.4 双向指导机制对量化性能的影响 |
| 3.5.5 与其他分割方法的对比 |
| 3.6 本章小结 |
| 第4章 基于数据增强的Dg-GAN肝肿瘤分类方法 |
| 4.1 问题分析及解决思路 |
| 4.1.1 问题分析 |
| 4.1.2 解决思路 |
| 4.2 合成和分类的国内外研究现状 |
| 4.3 细节指导的生成对抗网络 |
| 4.3.1 多尺度上下文感知的生成器 |
| 4.3.2 基于VGG的鉴别器 |
| 4.3.3 细节指导的分类器 |
| 4.3.4 联合的损失函数 |
| 4.4 实验结果和分析 |
| 4.4.1 实验数据集及平台 |
| 4.4.2 实验评估指标 |
| 4.4.3 数据的预处理 |
| 4.4.4 Dg-GAN网络分类性能的定性分析 |
| 4.4.5 Dg-GAN网络合成性能的定性分析 |
| 4.4.6 Dg-GAN网络合成性能的定量分析 |
| 4.5 实验讨论 |
| 4.5.1 不同扩充方法对分类性能的影响 |
| 4.5.2 不同损失函数对分类性能的影响 |
| 4.5.3 不同鉴别器对分类性能的影响 |
| 4.5.4 与其他分类方法的对比 |
| 4.5.5 与其他合成方法的对比 |
| 4.6 本章小结 |
| 第5章 基于联合对抗学习的肝肿瘤辅助诊断方法 |
| 5.1 问题分析及解决思路 |
| 5.1.1 问题分析 |
| 5.1.2 解决思路 |
| 5.2 分割和检测的国内外研究现状 |
| 5.2.1 肝肿瘤检测的深度学习 |
| 5.2.2 肝肿瘤检测的临床研究 |
| 5.3 联合生成对抗网络 |
| 5.3.1 边缘差异特征金字塔模块 |
| 5.3.2 多模态特征融合和选择 |
| 5.3.3 带填充的坐标共享 |
| 5.3.4 多相放射组学指导的鉴别器 |
| 5.3.5 UAL的约束策略 |
| 5.4 实验结果和分析 |
| 5.4.1 实验数据集及平台 |
| 5.4.2 实验评估指标 |
| 5.4.3 UAL的整体性能 |
| 5.4.4 UAL网络的定量评估 |
| 5.5 实验讨论 |
| 5.5.1 EDFPM对性能的影响 |
| 5.5.2 FSC对性能的影响 |
| 5.5.3 CSWP对性能的影响 |
| 5.5.4 MPRG-D对性能的影响 |
| 5.5.5 多模态数据的定性评估 |
| 5.5.6 不同模态的无造影剂图像对UAL的影响 |
| 5.5.7 不同模态的造影剂增强图像对UAL的影响 |
| 5.5.8 不同模型的参数量对比 |
| 5.6 结论 |
| 第6章 总结和展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间取得的科研成果 |
| 致谢 |
（4）基于区域卷积神经网络的乳腺MRI肿块检测与诊断研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究的背景与意义 |
| 1.2 研究现状及面临的挑战 |
| 1.2.1 乳腺癌计算机辅助检测与诊断系统概况 |
| 1.2.2 乳腺核磁共振成像技术概况 |
| 1.2.3 乳腺癌肿块检测研究现状 |
| 1.2.4 乳腺癌肿块诊断研究现状 |
| 1.2.5 研究面临的挑战 |
| 1.3 论文的研究内容 |
| 1.4 论文的结构安排 |
| 第二章 相关方法研究概述 |
| 2.1 引言 |
| 2.2 卷积神经网络概述 |
| 2.2.1 卷积 |
| 2.2.2 池化 |
| 2.2.3 全连接 |
| 2.3 目标检测算法概述 |
| 2.3.1 YOLO算法 |
| 2.3.2 区域卷积神经网络 |
| 2.3.3 快速区域卷积神经网络 |
| 2.4 本章小结 |
| 第三章 乳腺MRI肿块检测标准数据集的制作 |
| 3.1 数据介绍 |
| 3.2 数据预处理 |
| 3.2.1 数据格式处理和转码 |
| 3.2.2 肿块切片数据分布统计 |
| 3.3 图像去噪 |
| 3.4 数据标注 |
| 3.5 数据扩增 |
| 3.5.1 几何变换 |
| 3.5.2 图像融合 |
| 3.6 本章小结 |
| 第四章 基于改进Faster RCNN的乳腺肿块检测与诊断研究 |
| 4.1 整体框架概述 |
| 4.2 网络模型设计 |
| 4.2.1 主干网络设计 |
| 4.2.2 损失函数设计 |
| 4.2.3 区域建议网络与锚设计 |
| 4.2.4 非极大值抑制 |
| 4.3 训练策略和参数优化 |
| 4.3.1 迁移学习策略 |
| 4.3.2 五折交叉验证 |
| 4.3.3 联合训练策略 |
| 4.3.4 实验环境与超参数 |
| 4.4 实验结果及分析 |
| 4.4.1 均值平均精度 |
| 4.4.2 受试者工作特征曲线 |
| 4.4.3 检测结果可视化 |
| 4.5 本章小结 |
| 第五章 基于级联特征金字塔的乳腺肿块检测与诊断研究 |
| 5.1 特征金字塔网络 |
| 5.1.1 特征金字塔结构 |
| 5.1.2 特征金字塔的锚设计 |
| 5.2 级联区域神经网络 |
| 5.2.1 级联样本分布和阈值选取 |
| 5.2.2 级联网络的结构设计 |
| 5.3 网络模型设计 |
| 5.3.1 损失函数设计 |
| 5.3.2 ROI Align |
| 5.4 训练策略和参数优化 |
| 5.4.1 迁移学习策略 |
| 5.4.2 五折交叉验证 |
| 5.4.3 实验环境与超参数 |
| 5.5 实验结果及分析 |
| 5.5.1 均值平均精度 |
| 5.5.2 受试者工作特性曲线 |
| 5.5.3 检测结果可视化 |
| 5.6 本章小结 |
| 总结与展望 |
| 本文总结 |
| 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间取得的科研成果 |
（5）基于CT平扫的2D与3D影像组学模型对卵巢良恶性病变的鉴别诊断价值初探（论文提纲范文）
| 摘要 |
| Abstract |
| 中英文缩略词表 |
| 第1章 引言 |
| 第2章 第一部分基于CT平扫的2D影像组学模型对卵巢病变良恶性鉴别诊断效能初探 |
| 2.1 资料与方法 |
| 2.1.1 研究对象 |
| 2.1.2 研究方法 |
| 2.2 结果 |
| 2.2.1 病例组成 |
| 2.2.2 临床模型的预测性能效果 |
| 2.2.3 影像组学模型的构建与诊断效果评估 |
| 2.2.4 影像组学诺模图模型的构建与预测效能评价 |
| 2.3 讨论 |
| 第3章 第二部分基于CT平扫的3D影像组学模型对卵巢偶发肿瘤性质诊断效能价值分析 |
| 3.1 资料与方法 |
| 3.1.1 研究对象 |
| 3.1.2 研究方法 |
| 3.2 结果 |
| 3.2.1 病例组成 |
| 3.2.2 3D临床模型的预测性能效果 |
| 3.2.3 影像组学模型的构建与诊断效果评估 |
| 3.2.4 影像组学诺模图模型的构建与预测效能评价 |
| 3.2.5 2D模型与3D模型诊断效能对比 |
| 3.3 讨论 |
| 第4章 结论 |
| 第5章 不足与展望 |
| 5.1 局限性 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
| 综述 影像组学在妇科肿瘤应用研究进展 |
| 1.影像组学在宫颈癌中的应用 |
| 1.1 影像组学在宫颈癌诊断中的应用 |
| 1.2 在宫颈癌治疗中的应用 |
| 1.3 在宫颈癌预后中的应用 |
| 2.影像组学在卵巢癌中的应用 |
| 2.1 影像组学在卵巢癌诊断中的应用 |
| 2.2 影像组学在卵巢癌治疗中的应用 |
| 2.3 影像组学在卵巢癌预后中的应用 |
| 2.4 影像组学在卵巢癌中与蛋白组学研究 |
| 3.影像组学在子宫内膜癌中的应用 |
| 4.影像组学其他妇科肿瘤中的应用 |
| 5.影像组学在妇科肿瘤中挑战与展望 |
| 参考文献 |
（6）深度学习软件对皮肤恶性肿瘤诊断准确性的研究（论文提纲范文）
| 缩略词表 |
| 中文摘要 |
| abstract |
| 前言 |
| 资料与方法 |
| 结果 |
| 讨论 |
| 结论 |
| 研究局限性 |
| 展望 |
| 参考文献 |
| 综述 深度学习在皮肤科图像分析运用中的研究进展 |
| 参考文献 |
| 攻读学位期间获得的学术成果 |
| 致谢 |
（7）基于冠脉CTA的冠心病患者大鱼际表征与中医证素的关联性研究（论文提纲范文）
| 中文摘要 |
| ABSTRACT |
| 英文缩略词 |
| 前言 |
| 第一部分 文献综述 |
| 综述一 常见冠心病的体表特征及临床意义述评 |
| 综述二 大鱼际望诊的研究进展 |
| 第二部分 大鱼际表征量化的相关文献分析 |
| 一、目的 |
| 二、资料与方法 |
| 1 资料来源 |
| 2 检索策略 |
| 3 文献筛选 |
| 4 文献管理 |
| 三、结果 |
| 1 文献筛选结果 |
| 2 文献基本信息 |
| 3 大鱼际表征研究构成 |
| 4 大鱼际表征相关病种研究 |
| 5 大鱼际表征分级量化研究 |
| 四、讨论 |
| 五、结论 |
| 第三部分 基于专家问卷调查制订大鱼际表征分级规范 |
| 一、目的 |
| 二、资料与方法 |
| 1 编制专家问卷 |
| 2 调查范围 |
| 3 问卷结构与内容 |
| 4 专家选择 |
| 5 调查方法 |
| 6 统计分析 |
| 三、结果 |
| 1 问卷信度效度 |
| 2 专家积极程度 |
| 3 专家权威程度 |
| 4 专家意见的集中程度与协调程度 |
| 5 大鱼际表征望诊及其分级专家共识结果 |
| 四、讨论 |
| 1 选用德尔菲法规范大鱼际表征分级望诊 |
| 2 大鱼际表征及其分级望诊规范德尔菲专家调查结果评价 |
| 五、结论 |
| 第四部分 大鱼际异常表征与冠心病中医证素的关联研究 |
| 一、目的 |
| 二、资料与方法 |
| 1 患者来源 |
| 2 伦理学要求 |
| 3 研究设计 |
| 4 纳排标准 |
| 5 诊断标准 |
| 6 表征判定 |
| 7 冠脉CTA扫描 |
| 8 表征采集 |
| 9 质量控制 |
| 10 统计分析 |
| 11 技术路线图 |
| 三、研究结果 |
| 1 人口学资料与临床信息比较 |
| 2 冠脉非梗阻性狭窄、冠心病人群相关大鱼际异常表征的分析 |
| 2.1 纳入指标 |
| 2.2 三组相关指标单因素Logistic回归分析 |
| 2.3 三组相关指标随机森林分析 |
| 2.4 冠脉非梗阻狭窄、冠心病相关指标筛选结果 |
| 2.5 冠脉非梗阻性狭窄、冠心病人群相关大鱼际异常表征多分类(有序、无序)多因素Logistic回归分析 |
| 2.6 小结 |
| 3 大鱼际色红、大拇指根部青筋与冠脉病变支数相关分析 |
| 4 大鱼际异常表征与冠脉非梗阻性狭窄、冠心病中医证素的相关性分析 |
| 4.1 冠脉非梗阻性狭窄组患者大鱼际皱褶征与证素关联性分析 |
| 4.2 冠心病患者大鱼际色红与证素关联规则分析 |
| 4.3 冠心病患者大鱼际拇指根部青筋与证素关联规则分析 |
| 4.4 小结 |
| 四、讨论 |
| 1 冠心病大鱼际望诊是“象思维”的体现 |
| 2 观察大鱼际异常表征筛查冠心病具有可行性 |
| 3 大鱼际是心之外象 |
| 4 大鱼际异常表征是中医“据象辨证”的体现 |
| 5 大鱼际望诊的优势 |
| 五、结论 |
| 第五部分 创新点 |
| 第六部分 不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 附录 |
| 附录一 专家调查问卷(第一轮) |
| 附录二 专家调查问卷(第二轮) |
| 附件三 临床病例信息采集表 |
| 附录四 大鱼际典型表征临床示例图片 |
| 附录五 |
（8）基于硅基芯片的拉曼和太赫兹传感器构建及在肿瘤检测中的应用（论文提纲范文）
| 缩略语表 |
| 英文摘要 |
| 中文摘要 |
| 第一章 前言 |
| 第二章 基于肿瘤微环境的多种恶性肿瘤预后相关标志物的生物信息学分析 |
| 2.1 引言 |
| 2.2 材料与方法 |
| 2.3 结果 |
| 2.4 讨论 |
| 2.5 小结 |
| 第三章 五种商业SERS活性基底的评价及金属纳米颗粒的制备 |
| 3.1 引言 |
| 3.2 材料与方法 |
| 3.3 结果 |
| 3.4 讨论 |
| 3.5 小结 |
| 第四章 联合增强基底和银纳米探针构建SERS适配体传感器检测IGF-ⅡR蛋白 |
| 4.1 引言 |
| 4.2 材料与方法 |
| 4.3 结果 |
| 4.4 讨论 |
| 4.5 小结 |
| 第五章 硅基THz超材料的制备、模拟及评价 |
| 5.1 引言 |
| 5.2 材料与方法 |
| 5.3 结果 |
| 5.4 讨论 |
| 5.5 小结 |
| 第六章 基于超材料增强的THz光谱表征细胞活性及含水量 |
| 6.1 引言 |
| 6.2 材料与方法 |
| 6.3 结果 |
| 6.4 讨论 |
| 6.5 小结 |
| 全文总结 |
| 参考文献 |
| 文献综述基于纳米材料和纳米结构的光学生物传感器的研究进展 |
| 参考文献 |
| 攻读博士学位期间发表论文情况 |
| 致谢 |
（9）基于深度学习的乳腺x线肿瘤分类方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 选题背景及意义 |
| 1.2 相关研究现状 |
| 1.2.1 基于机器学习的乳腺x线良恶性肿瘤分类现状 |
| 1.2.2 基于深度学习的乳腺x线良恶性肿瘤分类现状 |
| 1.2.3 计算机辅助诊断 |
| 1.3 乳腺医学知识 |
| 1.3.1 乳腺x线摄影检查 |
| 1.3.2 乳腺x线影像数据库 |
| 1.4 论文研究内容与安排 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文创新 |
| 1.4.3 论文组织结构安排 |
| 第二章 理论基础 |
| 2.1 深度学习与神经网络 |
| 2.2 卷积神经网络 |
| 2.2.1 输入层 |
| 2.2.2 隐含层 |
| 2.2.3 输出层 |
| 2.3 卷积神经网络模型研究 |
| 2.3.1 VGGNet |
| 2.3.2 ResNet |
| 2.3.3 SENet |
| 2.3.4 SE-ResNet |
| 2.4 深度学习在医学影像上的应用 |
| 2.5 本章小结 |
| 第三章 基于VGG的乳腺x线病理图像良恶性肿瘤分类 |
| 3.1 引言 |
| 3.2 数据扩充 |
| 3.2.1 数据库获取及格式转换 |
| 3.2.2 数据库扩充 |
| 3.3 数据预处理 |
| 3.3.1 Gamma滤波 |
| 3.3.2 直方图均衡化 |
| 3.3.3 病理图像预处理 |
| 3.4 感兴趣区域提取 |
| 3.5 模型的建立与训练 |
| 3.5.1 VGG网络结构模型 |
| 3.5.2 网络参数设置 |
| 3.5.3 网络训练 |
| 3.6 模型评估及结果分析 |
| 3.6.1 评估指标 |
| 3.6.2 结果及分析 |
| 3.7 本章小结 |
| 第四章 基于FA-SE-ResNet的乳腺x线病理图像良恶性肿瘤分类 |
| 4.1 引言 |
| 4.2 研究方案概述 |
| 4.3 模型的建立及改进 |
| 4.3.1 模型的建立 |
| 4.3.2 模型的改进 |
| 4.4 模型的训练 |
| 4.5 实验结果及分析 |
| 4.5.1 DDSM数据集 |
| 4.5.2 DBT数据集 |
| 4.6 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究内容总结 |
| 5.2 未来工作展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（10）基于多特征的钼靶医学图像肿瘤识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 乳腺钼靶图像肿瘤识别 |
| 1.2 乳腺钼靶图像肿块分割方法综述 |
| 1.3 乳腺肿瘤特征提取方法综述 |
| 1.3.1 肿块特征提取研究现状 |
| 1.3.2 钙化点特征提取研究现状 |
| 1.4 肿瘤良恶性识别方法研究现状 |
| 1.5 课题意义和研究内容 |
| 1.5.1 课题的研究意义 |
| 1.5.2 课题主要研究内容 |
| 第二章 基于乳腺钼靶图像的肿块分割 |
| 2.1 图像预处理 |
| 2.2 基于谱聚类的乳腺钼靶图像初始分割 |
| 2.2.1 基于像素点的相似度度量矩阵 |
| 2.2.2 拉普拉斯矩阵的构造 |
| 2.2.3 基于谱聚类的乳腺钼靶图像分割步骤 |
| 2.3 基于约束的胸肌分割 |
| 2.3.1 基于最大类间灰度差的胸肌分割方法 |
| 2.3.2 基于形状约束的胸肌分割 |
| 2.4 肿块分割 |
| 2.5 本章小结 |
| 第三章 乳腺钼靶图像微小钙化点提取 |
| 3.1 基于双窗口滤波的钙化点特征增强 |
| 3.1.1 乳腺钼靶图像的细节增强 |
| 3.1.2 亮、暗细节增强的双窗口选取 |
| 3.2 基于小波变换的增强乳腺钼靶图像去噪 |
| 3.3 基于贡献矩阵的钙化点提取 |
| 3.3.1 局部特征增强 |
| 3.3.2 基于双窗口贡献矩阵的钙化点增强 |
| 3.3.3 增强后乳腺钼靶图像的钙化点提取 |
| 3.4 本章小结 |
| 第四章 用于肿瘤识别的特征描述及识别 |
| 4.1 乳腺钼靶图像肿块特征描述 |
| 4.1.1 肿块纹理特征描述 |
| 4.1.2 肿块灰度特征描述 |
| 4.1.3 形状特征描述 |
| 4.2 微小钙化点特征描述 |
| 4.3 基于乳腺钼靶图像的肿瘤良恶性识别 |
| 4.3.1 肿块、钙化点特征向量归一化及权值确定 |
| 4.3.2 乳腺肿瘤的良恶性识别 |
| 4.4 本章小结 |
| 第五章 基于乳腺钼靶图像的肿瘤良恶性识别结果 |
| 5.1 肿瘤良恶性识别总体设计 |
| 5.2 肿块分割结果 |
| 5.2.1 肿块分割软件设计 |
| 5.2.2 基于谱聚类的乳腺钼靶图像初始分割结果 |
| 5.2.3 胸肌分割结果 |
| 5.2.4 肿块分割结果 |
| 5.2.5 肿块分割结果评价 |
| 5.3 肿块特征描述结果 |
| 5.3.1 肿块特征描述流程 |
| 5.3.2 肿块特征描述结果 |
| 5.4 微小钙化点提取结果及描述结果 |
| 5.4.1 微小钙化点提取的算法流程 |
| 5.4.2 微小钙化点提取流程 |
| 5.4.3 微小钙化点提取结果 |
| 5.4.4 微小钙化点特征描述结果 |
| 5.5 乳腺肿瘤良恶性识别结果 |
| 5.5.1 肿块、钙化点特征向量归一化及权值确定 |
| 5.5.2 乳腺肿瘤良恶性识别结果及评价 |
| 5.6 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
| 研究成果及发表的学术论文 |
| 作者与导师简介 |
| 硕士研究生学位论文答辩委员会决议书 |
四、恶性肿瘤皮纹表征计算机识别与应用（论文参考文献）
- [1]深度学习软件对皮肤恶性肿瘤诊断准确性的分析[J]. 杨静,段晓雨,蔡梅. 中国皮肤性病学杂志, 2021(11)
- [2]基于深度学习的乳腺组织病理图像分类方法研究[D]. 王娟. 华东交通大学, 2021(01)
- [3]基于无造影剂MRI图像的肝癌智能诊断方法研究[D]. 肖小娇. 太原理工大学, 2021
- [4]基于区域卷积神经网络的乳腺MRI肿块检测与诊断研究[D]. 陈吉新. 西北大学, 2021(12)
- [5]基于CT平扫的2D与3D影像组学模型对卵巢良恶性病变的鉴别诊断价值初探[D]. 李诗韵. 南昌大学, 2021(01)
- [6]深度学习软件对皮肤恶性肿瘤诊断准确性的研究[D]. 杨静. 昆明医科大学, 2021(01)
- [7]基于冠脉CTA的冠心病患者大鱼际表征与中医证素的关联性研究[D]. 郜亚茹. 中国中医科学院, 2020(01)
- [8]基于硅基芯片的拉曼和太赫兹传感器构建及在肿瘤检测中的应用[D]. 刘羽. 中国人民解放军陆军军医大学, 2020
- [9]基于深度学习的乳腺x线肿瘤分类方法研究[D]. 刘文. 太原理工大学, 2020(07)
- [10]基于多特征的钼靶医学图像肿瘤识别[D]. 柳似霖. 北京化工大学, 2019(06)