检索结果-南通市图书馆

基于组织图像分析的小鼠睾丸生精上皮周期自动分期

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于组织图像分析的小鼠睾丸生精上皮周期自动分期

作者：梁实南京信息工程大学

学位级别：硕士

随着不育症发病概率的提高,不育症已成为目前排名第三的疑难疾病,对人类的生殖健康造成严重的影响。由于哺乳动物的睾丸结构具有一定的相似性,因此在对人类睾丸进行组织病理学研究前,通常选择小鼠作为动物模型进行相关实验。在小鼠精子... 详细信息

随着不育症发病概率的提高,不育症已成为目前排名第三的疑难疾病,对人类的生殖健康造成严重的影响。由于哺乳动物的睾丸结构具有一定的相似性,因此在对人类睾丸进行组织病理学研究前,通常选择小鼠作为动物模型进行相关实验。在小鼠精子发生的过程中,组织学家根据生精小管内睾丸细胞的形态、空间位置以及纹理等特征,将整个生精上皮周期划分为12期。对小鼠生精上皮周期的正确分期有助于分析睾丸细胞的组成、评估生精过程的质量、了解不育的发病机理等。目前相关工作大都借助光学显微镜,利用肉眼观察得到分期的结果,判断过程耗时耗力,且存在极大的主观性,同时组织学家需要经过多年的训练,因此利用计算病理技术开发小鼠睾丸生精上皮周期自动分期模型辅助组织学家进行分期判断是有意义且必要的。本文的第一个工作利用深度学习方法,对H&E染色的小鼠睾丸横断面全景组织图像生精小管中的睾丸细胞进行自动分割并对睾丸细胞的组成进行分析。提出了基于多头自注意力与距离图谱的睾丸细胞分割模型,该方法通过引入多头自注意力机制,使得模型能够获取细胞的空间位置关系信息,提高细胞分割的准确率,同时加入距离图谱分支,通过该分支的预测结果输出分水岭标记符,解决细胞间可能存在的重叠问题,最终能够同时完成睾丸多类细胞与细胞前景背景的自动分割。模型的睾丸多类细胞分割分支在测试集上的PA值为0.962、CPA值为0.909、Io U值为0.833、FWIo U值为0.928,细胞前景背景分割分支在测试集上的Dice系数为0.866、Precision值为0.873、AJI值0.762、HD值为13.44,与其它模型相比,性能更优。在对第Ⅵ到Ⅷ期的睾丸多类细胞进行分割后统计不同细胞的数量,并对组织学家的标记进行人工计数,二者的结果经t检验后没有明显的统计学差异。接下来将模型拓展到12期,对生精小管中的睾丸细胞进行组成分析,发现圆形精子在晚期阶段数量会有较大幅度地减少,精原细胞和精母细胞在早期阶段核中期阶段数量会增加,而晚期阶段数量会减少,支持细胞由于不直接参与精子的发育过程,所以数量始终维持在一个比较恒定的水平,这些变化规律基本符合实际的生物学规律。本文的第二个工作通过对多特征进行融合,实现了对小鼠睾丸生精上皮周期第Ⅵ到Ⅷ期的自动分期。首先利用基于深度学习的分期模型对深度特征进行提取,在测试集上测试的结果表明,深度特征在第Ⅵ期和第Ⅷ期上的AUC值分别为0.68和0.71。接着基于本文的第一个工作,细胞前景背景分割的结果提取细胞形态学特征,包括细胞的空间分布特征、形态学特征与颜色纹理特征,共417维。通过m RMR算法、Wilcoxon秩和检验、Relief F算法、Fisher算法对提出的特征进行过滤,筛选出前12维特征,构建SVM、LDA、QDA、KNN分类器进行分期,最优分期模型的ACC值为0.691。最后对深度特征进行降维,并融合细胞形态学特征,构建四种分类器,融合特征的最优分期模型ACC值为0.735,并使用1 VS Rest策略,得到该模型的AUC值分别为0.81、0.80与0.90。与组织学家的分期工作相比,计算机自动分期模型的效率和准确率都更高,能够对第Ⅵ到Ⅷ期的生精时相进行较好地预测。基于本文的两个工作,组织学家可以通过计算病理技术对睾丸细胞进行大规模地统计分析,并借助第Ⅵ到Ⅷ期的自动分期结果辅助判断,能够一定程度地减少组织学家的工作压力,推动睾丸病理与生殖医学的发展。

关键词：小鼠睾丸细胞生精上皮周期组成分析细胞形态学特征自动分期

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

微机实时睡眠自动分期系统

中国医疗器械杂志 1990年第4期14卷 194-199页

作者：莫若非赵德铭海洋冰下工程科学研究院

本文着重介绍一个实时睡眠自动分期系统的肌电预处理,眼电相位判别,实时脑电FFT处理,睡眠分期模式分析等技术,临床应用结果表明,系统的准确性达80％。

关键词：微机自动分期实时睡眠分析

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的端到端自动睡眠分期研究

基于深度学习的端到端自动睡眠分期研究

作者：尹海波哈尔滨工业大学

学位级别：硕士

针对现阶段可用的睡眠脑电数据皆为类不平衡小数据集,深度学习模型的直接迁移应用所取得的分期效果较差的问题,分别从数据集重构和模型训练优化两方面入手,提出一种可用于少量类不均衡原始睡眠脑电数据集的深度端到端自动睡眠分期模型... 详细信息

针对现阶段可用的睡眠脑电数据皆为类不平衡小数据集,深度学习模型的直接迁移应用所取得的分期效果较差的问题,分别从数据集重构和模型训练优化两方面入手,提出一种可用于少量类不均衡原始睡眠脑电数据集的深度端到端自动睡眠分期模型。以下为本文的主要研究内容和成果:(1)构建了深度端到端自动睡眠分期模型。使用Sleep-EDF数据库Fpz-Cz通道的原始睡眠脑电数据集对模型进行15折交叉验证实验,得到总体精度和宏平均F1值分别为86.73%和81.70%。并通过与近年使用相同实验数据集的高水平分类模型的比较,验证了所提出的端到端自动睡眠分期模型的先进性。(2)在改进生成少数类过采样技术(MSMOTE)的基础上从减少决策域的角度出发,只对少数类中的安全类进行扩增,并对数据生成的方法进行改进,提出同维度变换生成少数类过采样技术(DMSMOTE)。实验表明,DMSMOTE在本文模型中的应用效果优于MSMOTE。(3)以减少类原始数据集中类不均衡对少数类分类的负面影响为出发点。考虑到DMSMOTE重构后生成的类平衡数据集中会含有不属于任何分类的数据;用DMSMOTE重构后的类平衡数据集对模型作预激活处理,原始脑电数据集用于模型的微调。实验表明,采用DMSMOTE重构后生成的类平衡数据集对模型作预激活,可使最小类的分类F1值由45.16%增至53.64%。研究结果显示:模型可实现对少量原始睡眠脑电数据的端到端学习,总体分类效果优于近年高水平模型;鉴于其端到端特性,相对于传统基于特征工程的机器学习模型,所提模型更适用于配备远程服务器的分体式个性化睡眠监测设备。

关键词：迁移学习过采样算法残差连接自动分期脑电信号

基于深度学习的脑电信号自动睡眠分期研究进展

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

应用数学进展 2023年第1期12卷 21-28页

作者：许哲章浩伟刘颖上海理工大学健康科学与工程学院上海

睡眠是人类不可或缺的生理活动,准确地睡眠分期是诊断睡眠疾病的前提。当前,基于深度学习的脑电信号自动睡眠分期正成为研究的热点,虽然相关研究取得很多进展,但距离临床应用还有一定距离。本文就该领域展开综述,详细介绍了近年来基于... 详细信息

睡眠是人类不可或缺的生理活动,准确地睡眠分期是诊断睡眠疾病的前提。当前,基于深度学习的脑电信号自动睡眠分期正成为研究的热点,虽然相关研究取得很多进展,但距离临床应用还有一定距离。本文就该领域展开综述,详细介绍了近年来基于深度学习的脑电信号自动睡眠分期方法,综合论述目前主流神经网络在自动睡眠分期领域的研究现状及进展,分析归纳了不同模型网络的潜力优势及未来发展方向,以促进深度学习技术在基于脑电信号的自动分期研究更深入发展。

关键词：睡眠脑电信号深度学习自动分期

计算机处理睡眠数据中2导脑电和1导眼电的非周期波形分析

维普期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

中国组织工程研究与临床康复 2011年第26期15卷 4845-4849页

作者：王国锋彭小虎湖南第一师范学院教育科学系湖南省长沙市410002

背景：睡眠中记录的数据量很大,不用计算机自动处理不能满足实用需要,而现有的对睡眠数据进行分期的方法准确率都不高。目的：考察仅依据脑电与眼电,基于非周期波形分析和径向基函数遗传神经网络的睡眠数据分期新方法。方法：实验数据来... 详细信息

背景：睡眠中记录的数据量很大,不用计算机自动处理不能满足实用需要,而现有的对睡眠数据进行分期的方法准确率都不高。目的：考察仅依据脑电与眼电,基于非周期波形分析和径向基函数遗传神经网络的睡眠数据分期新方法。方法：实验数据来自MIT的Physio Bank中的S1eep-EDF数据库,共8名被试,各记录2导脑电和1导眼电。原始数据经零相位数字滤波后,进行非周期波形分析,得出每个Epoch的特征向量,经预处理后送遗传径向基函数。神经网络配合专家手工分类结果进行训练,训练好的神经网络再对测试数据进行分析。结果与结论：总的分期符合率为95.6%,超出已知文献研究结果（70%~90%）,具有很高的实用价值,能满足睡眠研究与临床使用。

关键词：睡眠脑电自动分期神经网络非周期波形分析遗传算法

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于深度学习的单通道睡眠分期研究

基于深度学习的单通道睡眠分期研究

作者：徐富献厦门大学

学位级别：硕士

睡眠是人体必不可少的一项生理活动。研究发现,良好的睡眠是健康的重要保证。失眠会产生不同程度的疾病。睡眠情况的研究基础是睡眠分期。传统上,睡眠分期工作由专家手动进行,然而这种方法存在耗时久、主观性影响较大等缺点。为了解决... 详细信息

睡眠是人体必不可少的一项生理活动。研究发现,良好的睡眠是健康的重要保证。失眠会产生不同程度的疾病。睡眠情况的研究基础是睡眠分期。传统上,睡眠分期工作由专家手动进行,然而这种方法存在耗时久、主观性影响较大等缺点。为了解决人工睡眠分期中出现的问题,我们提出了基于深度学习神经网络技术进行睡眠自动分期的方法。该方法模型由卷积神经网络（Convolutional Neural Networks,CNN）以及长短时记忆神经网络（Long Short-term Memory Networks,LSTM）组成。我们的模型共有1 1层网络结构,包括四个卷积层和两个LSTM层。其中LSTM网络捕捉前后睡眠时期之间的关系。数据主要取自美国国家生理数据库中的睡眠数据。由于数据类别的不平衡,我们对数据量较少的类别进行了上采样操作,保证训练过程数据的均衡。另外,我们删除了数据中的某些特殊数据和不确定分期的数据。除此之外,我们没有对原始数据进行任何的预处理操作。我们的模型取得了接近于人类专家的效果。整体分类准确率达到了 80%,MF1值达到75%。这证明了深度学习用于时序医疗数据的处理是可行的。而且与传统的基于统计规则的分期模型相比,本文模型更加简单高效,泛化性能更好。适用于非线性、非平稳的脑电信号,同时我们的工作也给其他类似的生理信号的处理提供了参考。

关键词：睡眠神经网络自动分期

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多模态磁共振图像融合的肝脏纤维化分级

基于多模态磁共振图像融合的肝脏纤维化分级

作者：曹鹏南京信息工程大学

学位级别：硕士

肝脏纤维化是慢性肝病往肝硬化发展的必经阶段,在肝脏纤维化期间经过治疗,肝脏可以逆转为有活性的肝脏,而一旦发展为肝硬化,则会伴随患者终生。于是,及时的确定患者肝脏纤维化分期并且根据纤维化程度采取恰当的治疗方案十分具有临床意... 详细信息

肝脏纤维化是慢性肝病往肝硬化发展的必经阶段,在肝脏纤维化期间经过治疗,肝脏可以逆转为有活性的肝脏,而一旦发展为肝硬化,则会伴随患者终生。于是,及时的确定患者肝脏纤维化分期并且根据纤维化程度采取恰当的治疗方案十分具有临床意义。目前,临床上确定肝脏纤维化等级主要是通过肝脏活检,然而该方法对人体有较大的伤害,迫切需要无创方法评估肝脏纤维化的程度。血清学指标准确率较低,超声可重复性较差,而磁共振图像比CT包含更多的纹理信息,利用磁共振图像预测纤维化分期有更大的临床价值。目前,使用单模态T1或T2磁共振图像数据预测肝脏纤维化分期的准确率较差,而使用多模态磁共振图像融合可以综合模态之间的语义信息,更好的实现肝脏纤维化的预测。因此,本文重点在于利用患者的多模态磁共振图像数据,构建分类模型实现肝脏纤维化的自动分期,为医生的诊断提供支持。本文首先构建了临床显著肝脏纤维化自动分期的深度学习模型。首先利用深度交互式思想实现对肝脏区域的分割,以排除肝脏周边背景区域对模型分类的影响,接着设计了一种多通道多模态融合的肝脏纤维化自动分期网络,该网络分别以患者的不同模态的数据作为输入,以Resnet34为特征提取器,利用该网络的模态融合模块,提取T1、T2两个模态磁共振图像之间的共性特征,利用通道注意力机制将各个模态的特性特征一并提取,通过联合训练的思想,给定共性与特性特征一个权重系数,让网络自适应学习通道重要程度。通过实验证明,本文的多模态融合模块和联合训练的思想有效的实现了临床显著肝脏纤维化的自动分级,其AUC为0.803,准确率为0.840,敏感度0.749,特异度0.848,对比于仅使用单模态的数据,有了较多的提升。且通过对模型的深度特征可视化,发现该模型更多关注于血管和边缘,主要有两部分原因,一是由于显著纤维化患者的肝脏在边缘区域或多或少会出现锯齿形,二是由于纤维化导致蛋白的沉积使得血管发生一定程度的扭曲。为了解决第三章深度学习模型中基于切片层次分析和深度特征无临床可解释意义的问题,本文进一步构建了一种多模态融合的肝脏纤维化自动分期的影像组学模型。该模型通过从患者T1、T2模态的磁共振图像的肝脏区域提取形状、一阶特征、NGTDM、GLCM、GLSZM、GLRLM、GLDM特征,使用特征拼接和典型相关分析两种不同的融合方法实现多模态磁共振图像的融合,接着使用秩和检验、m RMR等特征选择方法实现特征降维,从而得到最佳特征子集,最后利用SVM和LDA两个分类器构建了临床显著肝脏纤维化自动分期的模型。为了显示多模态融合的有效性,本文与单模态构建的模型进行对比,最终使用典型相关分析融合的LDA模型在测试集上展现了最佳的预测性能,其AUC为0.823,准确率为0.834,敏感度0.813,特异度0.833。实验结果证明了多模态融合能够实现更好的分级,且在对影像特征可视化中,发现相同的影像组学特征在不同的肝段的肝脏表面区域上有明显的区别,这是由于严重的纤维化患者肝中静脉引流区体积下降明显,而其他区域的体积如组织细胞外容积相对增大,纹理特征对分级的影响较大。

关键词：多模态肝脏纤维化卷积神经网络自动分期影像组学

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于多尺度排列熵的睡眠阶段阈值研究

软件导刊 2021年第3期20卷 119-123页

作者：骆金晨邹任玲上海理工大学医疗器械与食品学院上海200093

目前睡眠自动分期研究主要集中在选择特征向量类别以提高对睡眠阶段的分类准确度,而忽视了对所选特征的分析。特征分析是提高识别准确率的有效方式之一,因此开展基于多尺度排列熵的睡眠五期阈值研究。选取国际标准数据集Sleep-EDF进行MA... 详细信息

目前睡眠自动分期研究主要集中在选择特征向量类别以提高对睡眠阶段的分类准确度,而忽视了对所选特征的分析。特征分析是提高识别准确率的有效方式之一,因此开展基于多尺度排列熵的睡眠五期阈值研究。选取国际标准数据集Sleep-EDF进行MATLAB仿真,经预处理去噪后进行多尺度排列熵(MPE)参数优化设计实验以及睡眠各期阈值范围讨论。结果表明,最优嵌入维数、时间延迟和多尺度因子值分别为6、2和3,睡眠五期MPE熵值按从高到低排序为REM>N1>N2>W>N3。其中REM期阈值范围大于0.86,N1期、N2期阈值差异性较小,中间值在0.86~0.88之间,W期阈值范围在0.8~0.9之间,N3期阈值范围在0.78~0.86之间,说明MPE熵值能较为清楚地区分睡眠五期信号,为临床睡眠障碍诊断与治疗提供了一定参考。

关键词：睡眠阶段自动分期多尺度排列熵阈值