一、惡性腫瘤皮紋表征計算機識別與應用（論文文獻綜述）
楊靜,段曉雨,蔡梅[1]（2021）在《深度學習軟件對皮膚惡性腫瘤診斷準確性的分析》文中指出目的分析深度學習軟件"優(yōu)智皮膚"、"睿膚識別"在實際臨床工作中對皮膚惡性腫瘤的診斷能力,為臨床運用提供依據。方法以組織病理學診斷為金標準,結合皮膚科醫(yī)生診斷情況,分析兩款深度學習軟件在實際臨床中對皮膚惡性腫瘤的診斷性能。結果從區(qū)分病例為皮膚惡性/非惡性腫瘤維度看,皮膚科醫(yī)生總體對皮膚惡性腫瘤的識別靈敏度為96.15%,特異度為63.83%,ROC曲線下面積為0.580（95%CI:0.489～0.668）,高于（P<0.05）深度學習軟件"優(yōu)智皮膚"（靈敏度為75.64%,特異度為40.43%,ROC曲線下面積為0.599,95%CI:0.508～0.686）及"睿膚識別"（靈敏度為73.08%,特異度為46.81%,ROC曲線下面積為0.599,95%CI:0.508～0.686）;深度學習軟件間識別能力差異無統(tǒng)計學意義（P>0.05）。從診斷準確性維度看,皮膚科醫(yī)生總體對皮膚惡性腫瘤病例的診斷準確率為84.62%,高于深度學習軟件"優(yōu)智皮膚"（51.28%,P<0.05）及"睿膚識別"（48.72%,P<0.05）;深度學習軟件之間診斷準確率差異無統(tǒng)計學意義（P>0.05）。高級職稱皮膚科醫(yī)生診斷準確率為92.86%,高于中低職稱皮膚科醫(yī)生（63.64%,P<0.05）,中低職稱皮膚科醫(yī)生與深度學習軟件診斷準確率差異無統(tǒng)計學意義（P>0.05）。結論皮膚科醫(yī)生總體上對皮膚惡性腫瘤的識別及診斷準確能力均強于兩款深度學習軟件,但中低職稱皮膚科醫(yī)生的識別及診斷準確能力與兩款深度學習軟件差異無統(tǒng)計學意義,可成為中低職稱皮膚科醫(yī)生及缺少專業(yè)皮膚科醫(yī)生的基層地區(qū)醫(yī)生臨床工作中的輔助工具。
王娟[2]（2021）在《基于深度學習的乳腺組織病理圖像分類方法研究》文中進行了進一步梳理乳腺癌是全球最常見的癌癥,其發(fā)病率和死亡率居高不下,嚴重危害著女性的健康。組織病理圖像分析是乳腺癌診斷的“黃金標準”,但圖像的復雜性和多樣性使得病理醫(yī)生的診斷過程耗時耗力且效率低下。另外,病理醫(yī)生的經驗閱歷不同以及分析病理圖像時的主觀性甚至可能會導致誤診。目前,深度學習在計算機視覺和圖像處理等領域嶄露頭角,也為計算機輔助診斷提供了一種新的思路和途徑。本文以蘇木精-伊紅染色的乳腺組織病理圖像數據集為基礎,對基于深度學習的乳腺病理圖像分類問題進行了研究,主要內容如下:（1）針對雙線性卷積神經網絡（Bilinear Convolutional Neural Network,B-CNN）感受野缺乏多樣性、分類精度不高的問題,設計了改進的B-CNN模型對Brea KHis數據集中的乳腺組織病理圖像進行自動分類。模擬病理學家在分析病理圖像時的多尺度分析方法,本文在B-CNN中引入了多尺度感受野,用Inception網絡作為特征提取器替代原本的VGG網絡。針對數據集中圖像存在染色差異的問題,利用一種用于組織病理圖像染色標準化的方法,讓圖像在染色標準化時只改變顏色外觀而不會破壞結構信息。由于數據集中的圖像數量不足且每類圖像的分布不均衡,本文采用翻轉和按比例從各類圖像中提取圖像塊的方式,讓每一類圖像的訓練樣本數量接近,同時解決樣本不均衡和數量不足的問題。利用改進的網絡分別對四個放大倍數的組織病理圖像進行分類,并使用遷移學習對網絡進行微調,實驗結果表明,改進后的B-CNN模型提高了分類準確率。（2）本文以深度殘差網絡Res Net101為基礎,在殘差塊上進行改進,并在改進的Res Net101中增加SE模塊,設計了SE-Res Net-B網絡模型,利用改進后的網絡對高分辨率的乳腺組織病理圖像進行二分類和四分類。由于高分辨率的圖像無法直接送入網絡中訓練,本文在染色標準化步驟后,采用512×512大小的滑動窗口對高分辨率圖像進行采樣,確保可以包含圖像的診斷信息,并設置50%的重疊率,增加采樣塊之間的特征連續(xù)性。在分類策略上,本文首先對采樣圖像塊進行分類,再利用多數投票算法得到原高分辨率圖像的分類結果。實驗結果表明,改進后的SE-Res Net-B明顯提升了網絡的分類性能,在ICIAR 2018數據集上的二分類和四分類準確率達到了96.25%和88.75%。
肖小嬌[3]（2021）在《基于無造影劑MRI圖像的肝癌智能診斷方法研究》文中認為肝癌是全球最常見且死亡率高的癌癥之一。肝癌的微小腫瘤很難被及時發(fā)現(xiàn)是造成死亡率高的最主要原因。目前,磁共振成像（Magnetic Resonance Imaging,MRI）是臨床主要的肝癌診斷手段之一,它通過注射造影劑可以明顯提高腫瘤診斷的敏感性和特異性。然而,注射造影劑不可避免地存在風險高、毒性大和副作用大等問題。近年來,無造影劑MRI以其掃描時間短、低風險、無有毒金屬危害等優(yōu)勢,成為研究的新熱點。但在研究中,采用無造影劑掃描會使MRI圖像的對比度較低、腫瘤區(qū)域邊緣模糊,為肝腫瘤的準確診斷過程增加了許多難點。針對這一瓶頸問題,擬通過計算機對無造影劑MRI圖像進行肝癌智能診斷,不僅能成為臨床醫(yī)師的輔助工具,也是提高患者生存率以及治愈率的重要方法。本文對基于無造影劑MRI圖像的肝癌智能診斷進行了一系列研究。通過對無造影劑MRI圖像的分析,借助人工智能技術對肝腫瘤的2D分割方法進行研究;在充分研究多模態(tài)無造影劑MRI影像間的互補信息的基礎上,探索構建肝腫瘤的3D分割和多指標量化的多任務相關網絡;挖掘多模態(tài)無造影劑MRI圖像間的依賴信息,同時構建小樣本數據的增強體系,實現(xiàn)肝部無造影劑MRI圖像中腫瘤的自動分類;進一步研究分割和檢測任務間的關聯(lián)關系,構建肝腫瘤分割和檢測的聯(lián)合對抗學習網絡。主要研究貢獻如下:（1）針對無造影劑MRI圖像中肝腫瘤的邊緣模糊、與周圍正常組織的對比度低、差異性較大和復雜度較高等特點,本文提出一種放射組學特征指導的DUN-GAN（Radiomics-guided DUN-GAN）網絡用于肝腫瘤區(qū)域的2D分割。本部分的研究內容包括3個方面:i)密度嵌套UNet的分割器提取到肝腫瘤的語義特征和全局指導特征,并利用特征相關性對特征進行合理且高效的融合。ii)鑒別器中引入三相造影劑增強MRI圖像（動脈期,門靜脈期和延遲期）結合的放射組學特征作為先驗知識,以學習到分割器和鑒別器間的映射關系。iii)在放射組學特征對抗思想的指導下,網絡獲得了準確性較高的無造影劑MRI圖像中肝腫瘤的2D分割。本文提出的放射組學指導的先驗知識以及多策略融合方式可以提取到無造影劑圖像中關鍵的隱含的造影劑放射組學特征,從而實現(xiàn)低對比度圖像中較準確的肝腫瘤分割。（2）針對無造影劑MRI序列圖像中肝腫瘤空間解剖結構復雜,多模態(tài)無造影劑圖像（T1FS+T2FS）間腫瘤表征差異較大,以及同時完成多任務（分割+量化）的復雜性較高等問題,本文提出一種雙流相關3D（Two-stream associated 3DNet,TsA-3DNet）異構學習網絡,利用多模態(tài)的無造影劑MRI來同時進行肝腫瘤的3D分割和多指標量化。本文研究內容主要包括兩個方面:i)該網絡充分考慮多模態(tài)數據的關聯(lián)性和差異性,提出的多視角融合機制（Multi-view fused,Mv F）利用比例門優(yōu)化算法提取多模態(tài)的互補信息,以進一步融合多通道（T1FS+T2FS）和不同尺度的特征。ii)該網絡充分結合多任務間的關聯(lián)和約束,提出的雙向指導機制（Bi-directional guided,Bd G）關聯(lián)多任務間的互補信息,以進一步實現(xiàn)多任務（分割+量化）的同時優(yōu)化。本文提出的異構學習網絡能夠建立多視角特征的融合和多任務雙向指導機制,從而較準確地同時實現(xiàn)多模態(tài)圖像中肝腫瘤的3D分割和全面的多指標量化。（3）針對無造影劑MRI圖像樣本較少、自動識別復雜性較高、腫瘤特異性較低的問題,本文提出了一種穩(wěn)定的細節(jié)指導的生成對抗（Detail-guided Generative Adversarial Network,Dg-GAN）網絡,通過增強數據來改善肝腫瘤分類性能。Dg-GAN中的多尺度感知生成器引入殘差塊感知上下文信息,加強細節(jié)特征提取以合成更加逼真的造影增強圖像。本文在合成數據增強的數據集上進行卷積和全局平均池化,并設計細節(jié)指導的VGG模型以驗證數據增強對肝癌分類性能的影響。生成器的細節(jié)特征圖被作為指導知識引入分類器,以促進不同類型肝癌的特異性特征提取和改善腫瘤分類性能。本文提出的數據增強方式有效地克服了數據樣本少的難題,展示了較好的自動分類性能。（4）針對多模態(tài)無造影劑MRI圖像間特征差異較大、分割和檢測任務間復雜性較高的問題,本文提出聯(lián)合對抗學習（United adversarial learning framework,UAL）網絡,整合多模態(tài)無造影劑MRI的互補信息,以聯(lián)合約束的方式實現(xiàn)肝腫瘤的同時分割和檢測。首先,編碼器通過引入邊緣差異特征圖的先驗知識,增強三個模態(tài)的關鍵特征提取,同時利用門機制實現(xiàn)特征融合和自適應選擇。坐標共享機制使得分割和檢測進行聯(lián)合以實現(xiàn)統(tǒng)一學習,同時將多相放射組學特征與語義特征結合以實現(xiàn)分割和檢測的同時對抗學習。本文提出的聯(lián)合對抗學習網絡較充分的提高肝腫瘤分割和檢測的性能。綜上所述,本文圍繞無造影劑MRI圖像的肝癌智能診斷的四個問題,從不同的目的進行了相關任務的研究和網絡的構建,這項工作具有一定的計算機理論意義和輔助診斷的價值。
陳吉新[4]（2021）在《基于區(qū)域卷積神經網絡的乳腺MRI腫塊檢測與診斷研究》文中進行了進一步梳理乳腺癌是全球發(fā)病率第二高的癌癥,也是女性發(fā)病率最高的惡性腫瘤。影像學檢查在乳腺癌早期檢測和診斷中扮演著重要角色,憑借其精準無創(chuàng)的診斷性能,檢出初期乳腺疾病,從而抑制病情惡化、提升治愈率。磁共振成像（Magnetic Resonance Imaging,MRI）作為癌癥檢測的重要無創(chuàng)手段,能夠發(fā)現(xiàn)乳腺早期病灶,精準地反映病變的形態(tài)特征和血流動力學信息,是乳腺癌早期檢測的重要工具。同時,隨著深度學習在圖像領域的不斷拓展,如何結合深度學習與醫(yī)學成像技術來構建計算機輔助診斷算法,緩解醫(yī)生的閱片壓力,提升診斷的準確性和穩(wěn)定性,成為了當前醫(yī)學影像處理領域亟待解決的問題。為了解決上述問題,本文的主要研究工作是基于區(qū)域卷積神經網絡來構建計算機輔助檢測與診斷算法,對乳腺MRI圖像進行乳腺癌腫塊的早期檢測與診斷。由于乳腺MRI公開數據集的缺乏,本文首先對合作醫(yī)院的乳腺MRI數據進行處理和標注,制作了乳腺MRI腫塊檢測標準數據集;然后對經典的區(qū)域卷積神經網絡算法Faster RCNN進行改進,實現(xiàn)了在標準數據集上對乳腺腫塊的高敏感度檢測;最后,針對乳腺腫塊檢測過程中的小尺寸腫塊檢測困難、良性腫塊檢測精度不高的問題進行分析,將特征金字塔網絡和級聯(lián)網絡策略融入到Faster RCNN算法中,構建出級聯(lián)特征金字塔網絡,進一步提高了對乳腺良惡腫塊的檢測和分類性能。具體地,本文的主要研究工作如下:（1）制作乳腺MRI腫塊檢測標準數據集。對于納入數據集的191例患者,首先使用小波去噪對其乳腺MRI圖像進行去噪處理,然后根據診斷病歷在醫(yī)生的指導下對所有樣本進行了腫塊標注,并在數據擴增步驟中,提出了一種3通道RGB圖像融合的數據擴增方法,得到了表征能力更強的乳腺RGB融合圖像,并提高了數據集的樣本空間。最后,對病人最大腫瘤橫截面前后連續(xù)5張切片進行采樣,用于后續(xù)實驗。（2）對經典的區(qū)域卷積神經網絡算法Faster RCNN進行改進,實現(xiàn)了乳腺腫塊的高靈敏度檢測。本文使用Res Net101作為Faster RCNN的主干網絡,并根據腫塊的尺寸設計了定制化的錨尺寸,提高了算法對乳腺圖像的特征提取能力和檢測性能。在損失函數方面,采用Focal Loss替代了原始的交叉熵損失,使得算法提高了對難分樣本的關注權重和良惡腫塊的類間平衡性。在模型訓練上,提出了兩步遷移學習方法,使得網絡分別從自然圖像數據集Image Net和PASCAL VOC上學習到先驗知識,最后在乳腺腫塊標準數據集上達到了0.837的m AP值,0.979（0.401 FPs/Volume）的靈敏度。（3）將特征金字塔網絡和級聯(lián)網絡策略融入到Faster RCNN算法中,構建出級聯(lián)特征金字塔網絡,進一步提高了算法對乳腺良惡腫塊的檢測和分類性能。針對在實驗過程中出現(xiàn)的小尺寸腫塊易漏檢、良性腫塊檢出率遠低于惡性腫塊的問題,本文引入多尺度特征金字塔結構對Res Net101主干網絡進行改進,以提高網絡對小腫塊識別能力;并采用級聯(lián)策略,將單閾值網絡級聯(lián)成多閾值網絡,提高網絡對各種目標對象的學習能力。最后,將乳腺腫塊的檢測m AP值提高到了0.860,并大大提升了對小腫塊的檢測性能。綜上所述,本文所有的工作都圍繞乳腺MRI圖像中的腫塊檢測與診斷任務展開,為后續(xù)的乳腺癌計算機輔助診斷算法在乳腺癌早期檢查中的應用提供了方法參考,推動了乳腺癌的臨床研究和乳腺癌早期檢查的普及。
李詩韻[5]（2021）在《基于CT平掃的2D與3D影像組學模型對卵巢良惡性病變的鑒別診斷價值初探》文中研究表明第一部分基于CT平掃的2D影像組學模型對卵巢病變良惡性鑒別診斷效能初探目的:基于治療前二維（2D）卵巢腫瘤計算機斷層掃描（CT）影像組學特征,構建影像組學模型,來區(qū)分良性和惡性卵巢腫瘤。方法:回顧性分析江西省人民醫(yī)院2017年7月至2020年8月行腹部或者盆腔CT檢查并經手術病理證實為卵巢腫瘤的患者140例,依據病理結果分為良性組和惡性組,在每位患者CT平掃圖像上勾畫2D腫瘤感興趣區(qū)并提取圖像特征。按照7:3的比例隨機分層分為訓練組（n=99）與驗證組（n=41）,采用最大相關最小冗余（m RMR）準則及最小絕對收縮選擇算子（LASSO）算法對訓練集進行最佳特征篩選以確定最佳特征集。運用多元邏輯回歸對訓練組的關鍵特征進行訓練,得到可用于鑒別卵巢良惡性病變的2D影像組學模型,采用受試者工作特征（ROC）曲線的曲線下面積（AUC）評估其對良性與惡性卵巢腫瘤診斷效能。結果:最終篩選出6個特征以創(chuàng)建影像組學模型,其中影像組學模型訓練組及驗證組AUC為0.87、0.85,具有較好的判別效能。影像組學諾模圖訓練組的AUC為0.96,驗證組的AUC為0.97,顯示了良好的鑒別能力。決策曲線明確（DCA）表明了諾模圖模型的臨床應用價值,表現(xiàn)為對主要的臨床事件,如其是否進行下一步檢驗、治療或侵入性手術等的影響。結論:基于CT平掃的二維影像組學模型具有較高的診斷效能,有助于卵巢良、惡性腫瘤的識別和預測。第二部分基于CT平掃的3D影像組學模型對卵巢偶發(fā)腫瘤性質診斷效能價值分析目的:評價三維（3D）的CT平掃影像組學模型在預測卵巢腫瘤良惡性病變診斷中的應用價值,并比較2D影像組學模型及3D影像組學模型的診斷效能差異。方法:納入與第一部分相同的140例卵巢腫瘤病灶,其中良性64例,惡性76例,按7:3的比例隨機分成訓練組和驗證組,采用ITK-SNAP軟件在每位患者CT平掃圖像上勾畫3D腫瘤感興趣區(qū),最大相關最小冗余（m RMR）準則及最小絕對收縮選擇算子（LASSO）算法對訓練集進行最佳特征篩選以確定最佳特征集。運用多元邏輯回歸對訓練組的關鍵特征進行訓練,得到3D影像組學模型,采用AUC評估模型在卵巢腫瘤良惡性診斷中的應用價值。運用De Long’s檢驗比較2D與3D影像組學模型的診斷性能。結果:從3D感興趣區(qū)域中提取396個紋理特征,并將其縮減為7個特征以構建影像組學模型。影像組學特征訓練組AUC為0.86,驗證組AUC為0.84,影像組學諾模圖訓練組的AUC為0.96,驗證組的AUC為0.99。訓練集和測試集中,2D模型和3D模型的AUC值無統(tǒng)計學差異（P<0.05）。決策曲線分析顯示,2D模型與3D模型的臨床實用性相當。結論:在對卵巢腫瘤的良惡性鑒別診斷中,2D與3D影像組學諾模圖模型診斷性能與臨床實用性相當。并且節(jié)省時間的2D模型可能可以作為更好的選擇應用于未來研究。
楊靜[6]（2021）在《深度學習軟件對皮膚惡性腫瘤診斷準確性的研究》文中提出[目 的]探討深度學習軟件“優(yōu)智皮膚”、“睿膚識別”在實際臨床工作中對皮膚惡性腫瘤的診斷準確性,同時對比二者與專業(yè)皮膚科醫(yī)生在實際臨床工作中對皮膚惡性腫瘤診斷準確性的差異,為臨床實際運用提供參考依據。[方法]對2019年12月至2020年12月在昆明醫(yī)科大學第二附屬醫(yī)院皮膚科就診且既往未被診斷為皮膚惡性腫瘤的患者在首診醫(yī)生問診的同時使用深度學習軟件“優(yōu)智皮膚”及“睿膚識別”對患者皮損進行拍照識別診斷,將首診醫(yī)生及兩種深度學習軟件三者的診斷中有一者及以上提示為皮膚惡性腫瘤且知情告知后自愿行皮損組織病理學檢查進一步明確診斷的患者納入本次研究,記錄首診醫(yī)生、深度學習軟件的診斷情況以及患者的性別、年齡、居住地、職業(yè)、防曬史、皮損部位、大小、破潰情況等信息。使用Excel 2013對上述數據整理,以最終組織病理學診斷結果為診斷的金標準,使用SPSS 24.0進行統(tǒng)計分析。[結 果]1.從區(qū)分病例為皮膚惡性腫瘤和皮膚非惡性腫瘤的維度來看,皮膚科醫(yī)生總體對皮膚惡性腫瘤的識別靈敏度為96.15%,特異度為63.83%,約登指數為0.60,ROC 曲線下面積為 0.580（95%CI:0.489-0.668）,高于（z=4.07,P<0.05）深度學習軟件“優(yōu)智皮膚”（靈敏度為75.64%,特異度為40.43%,約登指數為0.16,ROC曲線下面積為0.599,95%CI:0.508-0.686）及“睿膚識別”（靈敏度為73.08%,特異度為46.81%,約登指數為0.20,ROC曲線下面積為0.599,95%CI:0.508-0.686）?！皟?yōu)智皮膚”與“睿膚識別”對皮膚惡性腫瘤識別能力無明顯差異（z=0.29,P>0.05）。2.經組織病理學診斷最終確診為皮膚惡性腫瘤的病例為78例,男性（41例,52.56%）,女性（37例,47.44%）,年齡最小30歲,最大92歲,平均年齡67.03歲,中位年齡70歲,職業(yè)以農民為主（48例,61.54%）,多數病例不進行日常防曬（66例,84.61%）。病例病程最短不足1月（29天）,最長50年,平均病程5.32年,中位病程2年。皮損主要位于頭面頸部（59例,75.64%）及四肢（12例,15.38%）;皮損長徑最小4mm,最大300mm,平均長徑28.28mm,中位長徑20mm。過半皮損發(fā)生破潰（53例,67.95%）。3.皮膚科醫(yī)生總體對皮膚惡性腫瘤病例的診斷準確率為84.62%,高于深度學習軟件“優(yōu)智皮膚”（51.28%,χ2=19.90,P<0.05）及“睿膚識別”（48.72%,χ 2=22.62,P<0.05）,“優(yōu)智皮膚”與“睿膚識別”二者的診斷準確率無明顯差異（χ 2=0.10,P>0.05）。高級職稱皮膚科醫(yī)生診斷準確率為92.86%,高于中低職稱皮膚科醫(yī)生（63.64%,χ2=8.24,P<0.05）,中低職稱皮膚科醫(yī)生與“優(yōu)智皮膚”與“睿膚識別”三者診斷準確率無明顯差異（χ2=1.54,P>0.05）。4.皮膚科醫(yī)生誤診可能危險因素的logistic回歸分析發(fā)現(xiàn)皮損破潰的病例診斷準確的是皮損非破潰的0.08倍,95%CI:0.01～0.86倍（P<0.05）;高級職稱皮膚科醫(yī)生病例診斷準確的是中低職稱皮膚科醫(yī)生的6.57倍,95%CI:1.44～30.08 倍（P<0.05）。5.“優(yōu)智皮膚”誤診的可能危險因素的logistic回歸分析發(fā)現(xiàn)進行日常防曬的病例診斷準確的是不進行防曬的0.24倍,95%CI:0.06～0.99倍（P<0.05）;皮損長徑每增加1mm病例診斷準確的為不準確0.97倍,95%CI:0.95～1.00倍（P<0.05）。6.“睿膚識別”誤診的可能危險因素的logistic回歸分析發(fā)現(xiàn)進行日常防曬的病例診斷準確的是不進行防曬的0.15倍,95%CI:0.03～0.75倍（P<0.05）;皮損長徑每增加1mm病例診斷準確的為不準確的0.97倍,95%CI:0.94～1.00倍（P<0.05）[結 論]1.皮膚科醫(yī)生總體上對皮膚惡性腫瘤和皮膚非惡性腫瘤的識別能力強于深度學習軟件“優(yōu)智皮膚”及“睿膚識別”。2.皮膚科醫(yī)生總體上對皮膚惡性腫瘤的診斷準確率高于深度學習軟件“優(yōu)智皮膚”及“睿膚識別”。不同職稱皮膚科醫(yī)生間診斷準確率存在差異,高級職稱皮膚科醫(yī)生診斷準確率高于中低職稱皮膚科醫(yī)生及深度學習軟件“優(yōu)智皮膚”及“睿膚識別”,而中低職稱皮膚科醫(yī)生與深度學習軟件“優(yōu)智皮膚”及“睿膚識別”三者診斷準確率無明顯差異,深度學習軟件“優(yōu)智皮膚”及“睿膚識別”可成為中低職稱皮膚科醫(yī)生及缺少專業(yè)皮膚科醫(yī)生的基層地區(qū)醫(yī)生日常臨床工作中的輔助工具。3.本次研究納入的皮膚惡性腫瘤病例以戶外工作且無防曬習慣的老年農民群體為主,病變主要位于頭面頸、四肢等暴露部位,病種以BCC、SCC居多,皮損破潰的比例較高,這與國內其它地區(qū)研究結果類似。4.造成皮膚科醫(yī)生誤診的可能危險因素為皮損破潰情況及醫(yī)生的經驗;造成深度學習軟件“優(yōu)智皮膚”及“睿膚識別”誤診的可能危險因素均為病例日常防曬史及皮損長徑。
郜亞茹[7]（2020）在《基于冠脈CTA的冠心病患者大魚際表征與中醫(yī)證素的關聯(lián)性研究》文中進行了進一步梳理“望聞問切”是中醫(yī)診察疾病的手段,望診居四診之首。望診是通過觀測癥狀、體征等病理現(xiàn)象,推測內在相應臟腑的變化,并從中提煉證候要素,病證結合,指導臨床診療。《靈樞·經脈》、《靈樞·邪客》諸多條文記載大魚際為少陰心經、厥陰心包經、太陰肺經直接所絡,大魚際表征與心肺功能密切相關。心主血脈,肺主一身之氣助心行血,心肺功能失常、氣血不利,則心脈瘀滯,繼而產生狹窄,可通過經絡反映于體表大魚際區(qū)域。導師經過三十多年的臨床實踐提出冠心病大魚際三維望診法:大魚際顏色、肌肉、皮紋、皮下血管等表征的異常變化與冠心病及其證素關系密切,大魚際望診法能夠指導中醫(yī)辨證及臨床用藥。目前缺乏大魚際表征的分級規(guī)范,及與冠心病及其證素相關性研究。本研究在建立大魚際表征分級規(guī)范的基礎上,探索大魚際異常表征與冠心病的關系,從而初步明確大魚際異常表征在評估冠心病中的作用,分析大魚際異常表征與冠心病中醫(yī)證素的關聯(lián)性,為大魚際異常表征輔助冠心病中醫(yī)辨證提供依據。一、研究目的采用文獻分析、專家問卷調查制訂大魚際表征分級規(guī)范;通過臨床研究探討大魚際異常表征與冠心病及其證素的相關性,為大魚際異常表征輔助冠心病中醫(yī)辨證提供依據。二、研究方法1大魚際表征量化的相關文獻分析使用“標題或關鍵詞”字段,中文以“大魚際”或“魚際”在中國期刊全文數據庫（CNKI）、萬方數據庫（WANGFANG）、維普數據庫（VIP）,英文以“thenar”或“thenar eminence”在PubMed數據庫進行檢索,納入與大魚際表征量化相關文獻進行分析,了解大魚際表征望診關鍵的操作方法、大魚際表征量化規(guī)范的研究現(xiàn)狀。2大魚際表征分級規(guī)范專家問卷調查根據文獻分析結果,制訂“大魚際表征分級”專家調查問卷。采用德爾菲法,對大魚際正常形態(tài)與區(qū)域界定、異常表征（顏色、皺褶、魚際肌肥厚/扁平/凹陷、大魚際/大拇指根部青筋）及分級進行兩輪問卷調查。遴選來自心血管領域,具有副主任以上職稱,且具備一定大魚際望診相關知識的專家,每輪邀請30位參加問卷調查。問卷信度、效度分別通過Cronbachα系數、內容效度進行評價。專家參與調查的積極程度采用積極系數評價;專家權威程度、意見的集中程度、意見一致性分別通過權威系數、同意度x、同意度累積百分比、變異系數進行評價。按照同意度x>4和變異系數<0.25形成專家共識。3大魚際異常表征與冠心病中醫(yī)證素的關聯(lián)研究采用病例-對照研究設計,收集中國中醫(yī)科學院廣安門醫(yī)院放射科門診及住院部行冠脈CTA檢查的500例患者。根據冠脈CTA結果將患者分為無狹窄組、冠脈非梗阻性狹窄組（狹窄<50%）、冠心病組（狹窄≥50%）。采集患者人口學資料（性別、年齡、文化程度、職業(yè)類型、BMI值、中心型肥胖）、個人生活史（吸煙、飲酒、睡眠情況）、既往病史（高血壓、糖尿病、高血脂癥、高尿酸血癥）、一級親屬家族心血管病史、雙手大魚際表征（形態(tài)、顏色、皺褶、大魚際/大拇指根部青筋）、耳褶征、鼻褶征、舌象（舌體、舌色、舌苔、舌下絡脈）,中醫(yī)證素（痰濁、血瘀、氣滯、寒凝、氣虛、陰虛、陽虛、血虛）,并進行三組間描述性分析。分別對左手、右手、雙手進行大魚際表征異常判定,綜合考慮其他因素（性別、年齡、BMI、職業(yè)類型、吸煙、飲酒、既往病、家族史、主訴）。選取組間比較P<0.2、變量頻數占比>15%的變量,排除其中的共線性變量進行分析;綜合單因素Logistic回歸分析、隨機森林等統(tǒng)計與數據挖掘方法,初步篩選出與冠脈非梗阻性狹窄、冠心病可能相關的大魚際異常表征及其他因素;采用多分類（有序、無序）多因素Logistic回歸分析,探索大魚際異常表征對非梗阻性狹窄、冠心病的影響大小及分類作用,并分析冠心病組大魚際異常表征與冠脈病支數關系;采用擬合優(yōu)度檢驗、平行性檢驗多因素Logistic回歸模型的分類效果。篩選出與冠脈非梗阻性狹窄、冠心病相關大魚際異常表征后,采用基于Apriori算法的關聯(lián)規(guī)則數據挖掘法,設置最小閾值:支持度>20%,置信度>40%,提升度>1,挖掘大魚際異常表征與痰濁、血瘀、氣滯、寒凝、氣虛、陰虛、陽虛、血虛證素的規(guī)則,綜合支持度、置信度提取大魚際異常表征與證素的有效規(guī)則。三、研究結果1大魚際表征量化的相關文獻分析大魚際表征分級的常用方法和步驟是采集圖片后進行人工觀察,多屬于半定量研究。與冠心病相關的大魚際表征指標較為單一,樣本量較少。大魚際異常表征判斷標準不一,亟需確立大魚際表征分級規(guī)范。2大魚際表征分級規(guī)范專家問卷調查專家來自5個省市10家三甲醫(yī)院及科研院所相關領域,具有較好的地區(qū)代表性。大魚際表征分級專家調查問卷結構效度較好,Cronbachα系數為0.966,信度良好。每輪調查發(fā)放問卷30份,兩輪分別回收有效問卷為29份和28份、專家積極系數分別為96.67%、93.33%,反映專家參與本項研究積極程度較高。兩輪專家權威系數分別為0.80%、0.86%,反映本次調查權威性較好。問卷各條目專家同意度x>4分,同意度累積百分比>90%,專家意見集中程度較好。兩輪問卷各條目CV<0.25,Kendall’sW系數分別為0.419、0.536,反映兩輪專家意見一致性較好,變異較小,調查結果可靠。通過問卷調查明確了大魚際的正常形態(tài)。大魚際表征異?？赏ㄟ^顏色、肌肉皮紋、皮下血管三方面體現(xiàn)。大魚際顏色異常表現(xiàn)為色紅、黃、青、白。皮紋異常表現(xiàn)為肉眼可見皮膚皺褶;魚際肌形態(tài)異常表現(xiàn)為肥厚、扁平、凹陷;皮下血管異常表現(xiàn)為大魚際區(qū)域及大拇指根部肉眼可見青筋。大魚際異常表征分級:①大魚際肌形態(tài):根據大魚際肌與大魚際曲線間距縮小程度進行大魚際肥厚程度分級:肥厚Ⅰ級-間距縮小至1cm-0.5cm,Ⅱ級-大魚間距縮小至0.5cm,Ⅲ級-大魚際丘肌肉豐滿抵至或超過大魚際曲線;以掌心及小魚際水平面為參考進行大魚際扁平程度分級:Ⅰ級-掌心水平面≤大魚際水平面≤小魚際水平面,Ⅱ級-大魚際水平面=掌心水平面,Ⅲ級-大魚際水平面<掌心水平面;以正常大魚際丘為參考進行大魚際凹陷程度分級:Ⅰ級-大魚際肌有輕度凹陷、仍為掌面最凸處,Ⅱ級-大魚際肌凹陷加深、已不是掌面最高點,Ⅲ級-大魚際凹陷呈盆地狀。②大魚際皺褶:皺褶數量分級:Ⅰ級≤1根,1根<Ⅱ級≤3根,Ⅲ級>3根;皺褶深淺分級:Ⅰ級<0.5mm,0.5mm≤Ⅱ級<1mm,Ⅲ級≥1mm。③大魚際青筋:大魚際青筋粗細分級<1mm、≥1mm;長度分級:長度分級Ⅰ級≤3cm、3cm<Ⅱ級≤6cm、Ⅲ級>6cm。④大拇指根部青筋:粗細分為<1mm和≥1mm,長度分為<1cm和≥1cm。3大魚際異常表征與冠心病中醫(yī)證素的關聯(lián)研究1)采集患者500例,剔除14例,最終納入486例患者,男性285例（58.6%）,女性201例（41.4%）,年齡51.76±6.72歲。文化程度中初中以下78例（16.8%）、高中及中專197例（40.5%）、大專以上207例（42.6%）。職業(yè)類型中腦力勞動者280例（57.6%）、體力勞動者106例（21.8%）、二者兼有72例（14.8%）、二者均無28例（5.8%）。證素分為痰濁426例（87.7%）、血瘀442例（98.4%）、氣滯8 例（1.6%）、寒凝 1 例（0.2%）、血虛 2 例（0.4%）、氣虛 275 例（56.6%）、陰虛358例（73.7%）、陽虛192例（39.5%）。根據冠脈CTA結果,無狹窄組196例,冠脈非梗阻性狹窄組132例,冠心病組158例。2)大魚際異常表征與冠脈非梗阻性狹窄、冠心病的相關性:大魚際皺褶與非梗阻性狹窄相關（P<0.05）,大魚際色紅、大拇指根部青筋與冠心病相關（P<0.05）。與無狹窄組相比,有大魚際皺褶的患者出現(xiàn)非梗阻性狹窄的幾率增加1.714倍（OR=1.714,95%CI:1.02～2.881,P<0.05）;與無狹窄組相比,有大魚際色紅的患者出現(xiàn)冠心病的幾率增加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現(xiàn)冠心病的幾率增加1.885倍（OR=1.885,95%CI:1.045～3.291,P<0.05）;與非梗阻性狹窄組相比,有大拇指根部青筋的患者出現(xiàn)冠心病的幾率增加1.884倍（OR=1.884,95%CI:1.024～3.321,P<0.05）。3)大魚際色紅、大拇指根部青筋與冠脈病變支數的相關性:冠心病組患者大拇指根部青筋與冠脈病變支數相關。冠心病組大拇指根部青筋陽性患者比大拇指根部青筋陰性患者出現(xiàn)多支病變的優(yōu)勢比增加2.583倍（OR=2.583,95%CI:1.106～6.576,P<0.05）。大魚際色紅與冠脈病變支數無相關。4)大魚際異常表征與冠脈非梗阻性狹窄、冠心病中醫(yī)證素的相關性:非梗阻性狹窄組患者主要證素分布:血瘀122例（92.4%）、痰濁119例（90.2%）、陰虛90例（68.2%）、氣虛85例（64.4%）、陽虛43例（32.6%）;冠心病組患者主要證素分布:痰濁153例（96.8%）、血瘀153例（96.8%）、氣虛92例（58.2%）、陰虛119例（75.3%）、陽虛57例（36.1%）。關聯(lián)規(guī)則分析結果顯示,非梗阻性狹窄組患者大魚際皺褶與氣虛和血瘀證素相關（支持度:43.2%,置信度:74.03%,提升度:1.007）;冠心病組大魚際色紅與血瘀證素（支持度:41.77%,置信度:43.14%,提升度:1.007,提升度:1.08）、痰濁和陰虛證素（支持度:33.54%,置信度:44.83%,提升度:1.062）相關;冠心病組大拇指根部青筋與痰濁和血瘀證素（支持度:79.11%,置信度:83.89%,提升度:1.0196）相關。四、結論1.大魚際表征分級規(guī)范的確立為探索大魚際表征與冠心病的關系奠定了基礎。2.大魚際皺褶是冠脈非梗阻性狹窄人群氣虛、血瘀的重要表征。大魚際色紅和大拇指根部青筋均是冠心病人群血瘀、痰濁的重要表征,大魚際色紅同時也是陰虛的表征。冠心病患者大拇指根部青筋與多支病變相關。大拇指根部青筋在區(qū)分冠脈非梗阻性狹窄與冠心病時比耳褶征更具有優(yōu)勢。五、創(chuàng)新點1.首次制定了大魚際表征分級規(guī)范,對大魚際異常表征（形態(tài)、皺褶、青筋）進行了三級量化。2.在“象”思維指導下,采用冠心病大魚際三維望診,首次發(fā)現(xiàn)了與冠心病、冠脈非梗阻性狹窄相關的大魚際異常表征,明確了大魚際異常表征在評估冠心病、冠脈非梗阻性狹窄中的作用,在此基礎上發(fā)現(xiàn)了大魚際異常表征與冠心病中醫(yī)證素的關聯(lián)性,為大魚際異常表征輔助冠心病中醫(yī)辨證提供依據。
劉羽[8]（2020）在《基于硅基芯片的拉曼和太赫茲傳感器構建及在腫瘤檢測中的應用》文中研究說明研究背景:目前,腫瘤仍是嚴重威脅人類健康的疾病,全球每年腫瘤死亡例數約為820萬,其死亡率高居常見疾病中的第二位。腫瘤的早期篩查和預后評估有助于提高患者檢出率并增強患者治療信心,在腫瘤的診斷和治療中起關鍵作用。組織病理學活檢和影像學檢查是目前臨床上腫瘤診斷的主要手段。作為診斷的“金標準”,組織病理學活檢因其有創(chuàng)性而不適用于大規(guī)模篩查。影像學檢查費用較高,其準確性高度依賴操作醫(yī)師的個人經驗,也不適合大規(guī)模開展。由于腫瘤標志物的檢測具有快速、簡便、無創(chuàng)且適合大規(guī)模開展的優(yōu)勢,因此越來越多的腫瘤標志物被發(fā)現(xiàn)及驗證,并用于腫瘤疾病的大規(guī)模篩查、臨床診斷和預后評估等多個方面。此外,隨著高通量測序的快速發(fā)展和組學的建立,大量的生物醫(yī)學數據庫已被建立,并聯(lián)合生物信息學方法和技術,成為腫瘤標志物篩選、評價和驗證的必要途徑。腫瘤及其標志物的檢測技術也在不斷的更新,其中生物傳感器的建立,開創(chuàng)了高靈敏性檢測的新時代。光學傳感器是最常見的生物傳感器之一,包括表面等離子體共振、熒光、光纖等多種傳感器類型。近年來,隨著以拉曼光譜和太赫茲（terahertz,THz）光譜為代表的振動光譜技術的快速發(fā)展,且具備快速、無標記等優(yōu)勢,在生物醫(yī)學領域掀起了研究熱潮。由于拉曼光譜和THz波在電磁波譜中屬于不同頻段,但又存在部分交叉,且分別屬于共振散射和吸收光譜,因此二者在研究應用上具有較好的互補性。因此,表面增強拉曼散射（surface-enhanced Raman scattering,SERS）和THz超材料傳感器作為新型的光學傳感器在腫瘤標志物、細胞等檢測中的應用也越來越廣。然而,SERS和THz超材料傳感器直至目前仍沒有真正用到實際臨床工作中,分別是由于高質量SERS活性基底的制備及與待測物質的有效接觸,和THz的干燥檢測環(huán)境易影響分子、細胞和組織等的正常形態(tài)和功能,所以解決這些臨床應用中存在的問題迫在眉睫。綜上所述,本課題針對新型腫瘤標志物的篩選和SERS及THz超材料傳感器在腫瘤檢測中遇到的問題,利用了生物信息學分析方法、SERS活性基底、納米顆粒及微納結構等,評估了腫瘤微環(huán)境與20種惡性腫瘤預后的相關性,并篩選出潛在的基因和蛋白類腫瘤預后標志物,為腫瘤標志物的篩選提供新思路。進一步構建基于增強基底和銀納米探針的SERS適配體傳感器和基于硅基超材料的THz傳感器,分別用于蛋白類標志物的高靈敏性、特異性和穩(wěn)定性檢測和表征腫瘤細胞活性及含水量,不僅為腫瘤的簡便快速檢測提供新的傳感方法,而且為推進其在臨床實際工作中的應用奠定基礎。研究目的:本研究擬利用生物信息學分析方法,評估腫瘤微環(huán)境與20種惡性腫瘤預后的相關性,并從基因和蛋白層次,探尋潛在的腫瘤預后標志物。進一步構建基于增強基底和銀納米探針的SERS適配體傳感器用于蛋白類標志物的高靈敏性、特異性和穩(wěn)定性檢測,和構建基于硅基超材料的THz傳感器用于表征腫瘤細胞活性及含水量,為腫瘤標志物的篩選提供新思路,為在腫瘤相關蛋白類和細胞水平的檢測提供了靈敏、特異、穩(wěn)定且簡便快速的傳感方法。材料與方法:1.基于腫瘤微環(huán)境的多種惡性腫瘤預后相關標志物的生物信息學分析（1）利用TCGA數據庫和ESTIMATE算法,分析20種常見惡性腫瘤的基質評分和免疫評分與預后的相關性,篩選出有相關性的腫瘤類型,并分別歸為基質評分組和免疫評分組。（2）篩選基質評分組和免疫評分組中各腫瘤的共同差異基因（DEGs）,并開展功能富集分析。（3）驗證基質評分組和免疫評分組的共同DEGs與相關癌癥預后的相關性及在正常和腫瘤組織中表達的差異情況。2.五種商業(yè)SERS活性基底的評價及金屬納米顆粒的制備（1）五種商業(yè)SERS活性基底的表征,包括普通光學顯微鏡和掃描電鏡（SEM）的形貌表征和拉曼成像光譜儀的光譜表征。（2）利用3種拉曼標簽分子對五種商業(yè)SERS活性基底進行綜合評價,包括最適激發(fā)光波長、檢測重復性和增強效果,篩選最適SERS基底。（3）制備并表征3種金屬納米顆粒,包括2種不同直徑的金納米顆粒（AuNPs）和1種銀納米顆粒（AgNPs）。3.聯(lián)合增強基底和銀納米探針構建SERS適配體傳感器檢測IGF-ⅡR蛋白（1）構建基于適配體修飾的Q-SERS基底和銀納米探針的SERS適配體傳感器:優(yōu)化IGF-ⅡR蛋白適配體與DNA探針的反應體系,SERS納米標簽的制備及篩選、適配體對Q-SERS基底的修飾。（2）SERS適配體傳感器檢測IGF-ⅡR蛋白的性能評價,包括靈敏度、特異性及穩(wěn)定性評價。（3）含標準IGF-ⅡR蛋白溶液的血清樣品制備及SERS適配體傳感器檢測。4.硅基THz超材料的制備、模擬及評價（1）驗證THz時域光譜儀對細胞懸液的檢測能力。（2）設計并制備以硅為基底,由五個同心四開口方形金屬環(huán)組成的SRR陣列的THz超材料,并檢測單層貼壁細胞。（3）利用COMSOL軟件,根據有限元分析模擬超材料在其諧振頻率處的的諧振行為和表面電場分布,模擬超材料對其表面介電常數變化的敏感性。（4）檢測普通和放置THz超材料的培養(yǎng)皿中細胞培養(yǎng)上清液中細胞因子分泌情況,包括IL-6、IL-8、GM-CSF和GROα。5.基于超材料增強的THz光譜表征細胞活性及含水量（1）連續(xù)監(jiān)測不同濕度環(huán)境（3%和7%）下,單層貼壁U87細胞對THz超材料諧振峰的影響。（2）利用同批次且同結構參數制作的具有不同諧振峰的THz超材料評價其對U87細胞連續(xù)監(jiān)測的重復性。（3）原子力顯微鏡檢查U87細胞的厚度,并利用THz超材料檢測與單層細胞厚度相當的PBS液層。研究結果:1.基于腫瘤微環(huán)境的多種惡性腫瘤預后相關標志物的生物信息學分析（1）篩選出基質評分或免疫評分能評估患者預后情況的6種腫瘤類型,分為免疫評分組包括浸潤性乳腺癌（BRCA）、肺腺癌（LUAD）、腎透明細胞癌（KIRC）、腦低級別膠質瘤（LGG）和皮膚黑色素瘤（SKCM）,和基質評分組包括胃腺癌（STAD）、LGG和SKCM。（2）基質評分組和免疫評分組分別篩選出116個和54個共同DEGs,且富集到參與的生物過程（BP）、細胞組成（CC）和分子功能（MF）具有較高的一致性,蛋白質相互作用（PPI）中分別以PTPRC和ITGAM為最主要的中心節(jié)點。（3）基質評分組和免疫評分組中分別有108個和53個共同DEGs的表達水平至少與組內一種腫瘤的預后相關。其中共有79個基因在正常和腫瘤組織中的表達差異有顯著的統(tǒng)計學意義。2.五種商業(yè)SERS活性基底的評價及金屬納米顆粒的制備（1）明確Enspectr和Ocean-SP基底是以玻璃為基底,Q-SERS基底是以硅為基底,Ocean-Au和Ocean-AG基底是以紙為基底,其上分布金屬納米顆?；虮∑餝ERS增強作用。各基底在532 nm和785 nm激光下都可獲得拉曼信號,但兩者間差異較大。（2）明確Enspectr、Ocean-AG和Ocean-SP基底的最適激發(fā)光波長為532 nm,而Q-SERS和Ocean-Au基底的最適激發(fā)光波長為785 nm。Enspectrc和Q-SERS基底具備較好的檢測重復性,Ocean-AG和Q-SERS基底的增強效果較高,因此篩選出Q-SERS基底為五種商業(yè)SERS活性基底中最適構建傳感器的基底。（3）成功制備出23 nm和32 nm的AuNPs及20 nm的AgNPs,都呈球形、尺寸較均一、分布較散、無明顯聚集且背景未見明顯的雜質,紫外-可見光譜表現(xiàn)出AuNPs和AgNPs特有的吸收光譜。3.聯(lián)合增強基底和銀納米探針構建SERS適配體傳感器檢測IGF-ⅡR蛋白（1）IGF-ⅡR蛋白適配體與DNA探針在室溫下10 min可完成雜交。（2）利用AgNPs構建的SERS納米標簽與Q-SERS基底聯(lián)合產生最強SERS信號。（3）只有Q-SERS基底被適配體修飾后,才能與SERS納米標簽結合,因此成功構建了基于適配體修飾的Q-SERS基底和銀納米標簽的SERS適配體傳感器。（4）SERS適配體傳感器可實現(xiàn)IGF-ⅡR蛋白的定量檢測,檢測限為141.2 fM,且具備較好的特異性、批內重復性和批間重現(xiàn)性。（5）血清樣本中標準IGF-ⅡR蛋白質的回收率范圍為97.1%-106.0%,相對標準偏差（RSD）值的范圍為1.1%-4.4%,驗證了此SERS適配體傳感器在臨床檢測中的可行性和適用性。4.硅基THz超材料的制備、模擬及評價（1）THz時域光譜儀可對一定濃度范圍的U87細胞懸液進行定量檢測,且在一定頻率下,細胞濃度與THz吸收系數呈線性關系。（2）THz超材料在0.2-2 THz范圍內有兩個諧振峰,分別位于1.375 THz和1.737 THz,且貼壁生長的細胞可引起其的透過率降低和諧振頻率的紅移。（3）模擬證明,低頻諧振主要是由最外環(huán)引起的,而高頻諧振則是由中間環(huán)引起的,且低頻諧振峰對THz超材料表面介電常數的變化有較高的敏感性。（4）THz超材料可引起細胞培養(yǎng)上清液中IL-6含量的顯著升高,而顯著降低了IL-8、GM-CSF和GROα的含量。5.基于超材料增強的THz光譜表征細胞活性及含水量（1）在不同濕度環(huán)境下,U87細胞-THz超材料的諧振峰都隨監(jiān)測時間增加,透過率增加且紅移量減少,但當環(huán)境濕度從3%升高7%時,諧振峰在各階段持續(xù)時間均變長。（2）在相同濕度環(huán)境下,具備不同諧振頻率的THz超材料連續(xù)監(jiān)測U87細胞-THz超材料,諧振峰在各階段持續(xù)時間均相同或非常相近。（3）單個貼壁U87細胞的平均最大高度為5.033μm。THz超材料低頻諧振峰隨PBS液層厚度的減低,透過率增加且紅移量減少。研究結論:1.多種惡性腫瘤的預后與腫瘤微環(huán)境的相關性評價基于腫瘤微環(huán)境的基質評分或免疫評分共可以評估6種腫瘤類型的預后情況,為腫瘤患者預后評估提供了新指標?；|評分和免疫評分組的共同DEGs涉及到的BP、CC和MF,及PPI網絡中主要中心節(jié)點都具有較高的一致性,表明在基因層次,不同評分組對腫瘤預后情況的評估具備較高的相似性。明確了與相關癌癥預后相關且在正常和腫瘤組織中表達差異顯著的基因,涉及整合素家族、白介素家族和IGF系統(tǒng)等,為篩選出潛在的基于腫瘤微環(huán)境的腫瘤預后標志物奠定基礎。2.基于增強基底和銀納米探針的SERS適配體傳感器的構建及方法學評價從五種商業(yè)SERS活性基底中成功篩選出重復性和增強效果較好的Q-SERS基底作為SERS適配體傳感器的捕獲基底。成功制備并篩選出AgNPs,用于SERS納米標簽的構建并能與包被適配體的Q-SERS基底聯(lián)合產生最強SERS信號。最終,聯(lián)合適配體包被的增強基底和銀納米探針,形成三明治結構,成功構建了SERS適配體傳感器,實現(xiàn)對待測物質的雙重增強作用。SERS適配體傳感器具備較好的靈敏度、特異性和穩(wěn)定性,并可初步用于臨床樣品的檢測。該方法不僅可以拓展到其他檢測平臺,而且通過替換適配體用于其他蛋白質的檢測。3.硅基THz超材料傳感器的制備、模擬及對細胞活性及含水量的評估本研究設計并制備的硅基THz超材料可用于單層細胞的檢測,且與常規(guī)的細胞懸液檢測相比,極大地提高了對細胞檢測的靈敏度。利用THz超材料諧振峰透過率和頻率的變化,可實時監(jiān)測細胞的生存狀態(tài)和含水量。同時,THz超材料可以評估不同濕度環(huán)境對細胞的影響。為進一步利用THz超材料在干燥環(huán)境中檢測活細胞、細菌和液態(tài)物質等時提供了必要的參考,特別是在檢測時間和濕度的控制上。
劉文[9]（2020）在《基于深度學習的乳腺x線腫瘤分類方法研究》文中研究說明乳腺癌已成為當今社會的主要公共衛(wèi)生問題,也是威脅婦女身心健康的常見癌癥之一,早期發(fā)現(xiàn)和治療乳腺癌是提高療效并幫助患者康復的關鍵。乳腺x線攝影技術由于其較為清晰的圖像,準確的定位以及對人體相對較小的損傷而成為最傳統(tǒng)的乳房圖像檢測方法。乳腺腫瘤的x線可表現(xiàn)為腫塊、鈣化、結構變形等,其中腫塊是x線攝影中最常見的乳腺癌跡象。因此,基于這些乳腺癌跡象,對乳腺x線病理圖像的準確分類是醫(yī)生確定診斷和治療方案的重要依據。近年來,隨著人工智能的快速發(fā)展,特別是深度學習的發(fā)展,使得醫(yī)學圖像和計算機技術有效結合,促進了醫(yī)學圖像計算機輔助診斷的發(fā)展,醫(yī)生借助計算機診斷乳腺癌,從而提高了診斷速率和診斷質量。但目前的一些計算機輔助診斷仍存在著分類準確率低,假陽性和假陰性較高的問題。故基于此問題,本文對乳腺癌腫塊良惡性的分類進行了研究,提出了基于深度學習的乳腺x線良惡性腫瘤分類的方法,旨在提高乳腺x線良惡性腫瘤分類準確率,降低假陽性和假陰性的誤差,提高特異性和敏感度。本文主要研究內容如下:（1）針對乳腺癌良惡性腫瘤分類準確率低,假陽性和假陰性較高的問題,提出了基于VGG的乳腺x線病理圖像良惡性腫瘤分類的方法。通過對數據集進行數據預處理,增強了乳腺腫塊部分與胸腺干擾部分的層次感,隨后提取出包含腫塊的感興趣區(qū)域,通過VGG網絡的特征提取完成了對乳腺x線良惡性腫瘤的分類。實驗結果表明,乳腺x線良惡性腫瘤分類準確率、敏感度、特異性得到了提高。（2）進一步,提出了基于FA-SE-Res Net的乳腺x線病理圖像良惡性腫瘤分類的方法。基于VGG的實驗雖對準確率、敏感度、特異性進行了提升,但假陽性和假陰性的誤差還略高。故為了降低假陽性和假陰性的誤差,并考慮到了網絡進行特征提取時忽略了通道特征,因此使用了具有通道注意機制的SE-Res Net網絡對乳腺x線良惡性腫瘤分類,并在此基礎上進行了改進,提出了一種FA-SE-Res Net的網絡,同時在公開數據集和山西醫(yī)科大學附屬醫(yī)院的數據集上進行了驗證,結果表明了該網絡較高的準確率和泛化性,同時降低了假陽性和假陰性的誤差。
柳似霖[10]（2019）在《基于多特征的鉬靶醫(yī)學圖像腫瘤識別》文中進行了進一步梳理乳腺惡性腫瘤的防治是目前重要的衛(wèi)生問題,利用乳腺鉬靶圖像對早期乳腺腫瘤進行篩查具有重要的研究意義和實用價值。腫塊與鈣化點是乳腺腫瘤的重要診斷依據,本文對乳腺鉬靶圖像中腫塊和鈣化點進行特征提取,并基于提取的特征進行腫瘤良惡性識別,用于輔助篩查乳腺惡性腫瘤?；谧V聚類算法實現(xiàn)乳腺鉬靶圖像中乳腺組織的分割,去除圖像中的胸肌部分,避免了與腫塊特征相似的高亮胸肌導致的腫塊誤分割問題。針對胸肌分層和胸肌與乳腺組織邊界不明顯的情況,提出了最大類間灰度差和形狀約束方法實現(xiàn)準確的胸肌分割。對去除胸肌的圖像,基于腫塊的灰度較高、面積較小等特點實現(xiàn)腫塊的準確分割。利用雙窗口濾波方法對鈣化點進行增強,基于窗口貢獻矩陣方法提取微小鈣化點。針對腫塊,分別提取了紋理邊緣方向自相關向量、灰度共生矩陣和灰度游程矩陣的腫塊紋理特征;灰度標準差、局部極大點平均灰度差和鄰域組織灰度對比度的腫塊灰度特征;邊緣復雜度、徑向長度比和形狀參數比等腫塊形狀特征。針對提取的鈣化點,利用鈣化點數目、局部鈣化點數以及與鄰域灰度的對比度描述其特征。針對MIAS數據庫圖像和醫(yī)院獲取的病人乳腺鉬靶圖像,基于腫塊和鈣化點的特征,利用支持向量機方法對鉬靶圖像進行良惡性腫瘤的識別。實驗結果表明,本文提出的乳腺鉬靶圖像分割方法,能夠準確地分割胸肌和腫塊。本文提出的鈣化點提取算法能夠在減少噪聲點的同時保證鈣化點提取的準確率。基于鈣化點和腫塊的惡性腫瘤識別準確率分別為98.00%和84.37%,總識別準確率達到90.00%。
二、惡性腫瘤皮紋表征計算機識別與應用（論文開題報告）
（1）論文研究背景及目的
此處內容要求：
首先簡單簡介論文所研究問題的基本概念和背景，再而簡單明了地指出論文所要研究解決的具體問題，并提出你的論文準備的觀點或解決方法。
寫法范例：
本文主要提出一款精簡64位RISC處理器存儲管理單元結構并詳細分析其設計過程。在該MMU結構中,TLB采用叁個分離的TLB,TLB采用基于內容查找的相聯(lián)存儲器并行查找,支持粗粒度為64KB和細粒度為4KB兩種頁面大小,采用多級分層頁表結構映射地址空間,并詳細論述了四級頁表轉換過程,TLB結構組織等。該MMU結構將作為該處理器存儲系統(tǒng)實現(xiàn)的一個重要組成部分。
（2）本文研究方法
調查法：該方法是有目的、有系統(tǒng)的搜集有關研究對象的具體信息。
觀察法：用自己的感官和輔助工具直接觀察研究對象從而得到有關信息。
實驗法：通過主支變革、控制研究對象來發(fā)現(xiàn)與確認事物間的因果關系。
文獻研究法：通過調查文獻來獲得資料，從而全面的、正確的了解掌握研究方法。
實證研究法：依據現(xiàn)有的科學理論和實踐的需要提出設計。
定性分析法：對研究對象進行“質”的方面的研究，這個方法需要計算的數據較少。
定量分析法：通過具體的數字，使人們對研究對象的認識進一步精確化。
跨學科研究法：運用多學科的理論、方法和成果從整體上對某一課題進行研究。
功能分析法：這是社會科學用來分析社會現(xiàn)象的一種方法，從某一功能出發(fā)研究多個方面的影響。
模擬法：通過創(chuàng)設一個與原型相似的模型來間接研究原型某種特性的一種形容方法。
三、惡性腫瘤皮紋表征計算機識別與應用（論文提綱范文）
（1）深度學習軟件對皮膚惡性腫瘤診斷準確性的分析（論文提綱范文）
| 1 資料與方法 |
| 1.1 資料來源 |
| 1.2 納入排除標準 |
| 1.3 皮損圖像采集方法 |
| 1.4 深度學習軟件基本原理 |
| 1.5 研究及統(tǒng)計方法 |
| 2 結果 |
| 2.1 惡性及非惡性皮膚腫瘤區(qū)分能力 |
| 2.2 診斷準確性分析 |
| 2.2.1 基本情況 |
| 2.2.2 診斷準確性 |
| 2.3 誤診的可能危險因素分析 |
| 2.3.1 皮膚科醫(yī)生誤診的可能危險因素分析 |
| 2.3.2 深度學習軟件誤診的可能危險因素分析 |
| 3 討論 |
（2）基于深度學習的乳腺組織病理圖像分類方法研究（論文提綱范文）
| 摘要 |
| abstract |
| 第一章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內外研究現(xiàn)狀 |
| 1.3 論文主要內容 |
| 1.4 本文的結構安排 |
| 第二章 醫(yī)學圖像分析與卷積神經網絡 |
| 2.1 醫(yī)學圖像及其分析方法 |
| 2.2 卷積神經網絡概述 |
| 2.2.1 卷積層 |
| 2.2.2 池化層 |
| 2.2.3 全連接層 |
| 2.2.4 卷積神經網絡的發(fā)展 |
| 2.3 CNN的訓練和優(yōu)化方法 |
| 2.3.1 CNN的訓練過程 |
| 2.3.2 常見的損失函數 |
| 2.3.3 正則化 |
| 2.3.4 遷移學習 |
| 2.4 本章小結 |
| 第三章 基于改進B-CNN的乳腺病理圖像分類 |
| 3.1 引言 |
| 3.2 實驗數據集及預處理 |
| 3.2.1 實驗數據集介紹 |
| 3.2.2 染色標準化 |
| 3.2.3 數據增強方法 |
| 3.3 基于Inception V3 的改進B-CNN模型 |
| 3.3.1 B-CNN模型 |
| 3.3.2 改進B-CNN模型設計 |
| 3.3.3 模型的前向運算方式 |
| 3.3.4 模型的訓練方式 |
| 3.4 實驗及結果分析 |
| 3.4.1 實驗環(huán)境介紹 |
| 3.4.2 實驗流程 |
| 3.4.3 模型評價指標 |
| 3.4.4 實驗結果分析 |
| 3.5 本章小結 |
| 第四章 基于改進殘差網絡的乳腺病理圖像分類 |
| 4.1 引言 |
| 4.2 實驗數據集介紹及劃分 |
| 4.2.1 數據集介紹 |
| 4.2.2 數據集劃分 |
| 4.3 分類網絡模型設計 |
| 4.3.1 殘差網絡改進 |
| 4.3.2 壓縮-激勵網絡 |
| 4.3.3 SE-Res Net-B模型構建 |
| 4.4 采樣和分類策略 |
| 4.4.1 采樣策略 |
| 4.4.2 分類策略 |
| 4.5 實驗及結果分析 |
| 4.5.1 實驗環(huán)境 |
| 4.5.2 實驗流程和優(yōu)化方法 |
| 4.5.3 二分類與四分類結果 |
| 4.5.4 實驗結果分析 |
| 4.6 本章小結 |
| 第五章 研究總結與展望 |
| 5.1 研究總結 |
| 5.2 研究展望 |
| 參考文獻 |
| 個人簡歷在讀期間發(fā)表的學術論文 |
| 致謝 |
（3）基于無造影劑MRI圖像的肝癌智能診斷方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第1章 緒論 |
| 1.1 研究背景及意義 |
| 1.2 國內外研究現(xiàn)狀 |
| 1.2.1 肝腫瘤的2D分割 |
| 1.2.2 肝腫瘤的3D分割 |
| 1.2.3 肝臟多模態(tài)圖像的融合 |
| 1.2.4 小樣本圖像的肝腫瘤分類 |
| 1.2.5 肝腫瘤的自動檢測 |
| 1.3 課題來源及主要研究內容 |
| 1.3.1 實驗數據及其特點 |
| 1.3.2 研究內容 |
| 1.4章節(jié)安排 |
| 第2章 基于Radiomics-guided DUN-GAN的肝腫瘤2D分割方法 |
| 2.1 問題分析及解決思路 |
| 2.1.1 問題分析 |
| 2.1.2 解決思路 |
| 2.2 分割的國內外研究現(xiàn)狀 |
| 2.3 放射組學指導的生成對抗網絡 |
| 2.3.1 密度U型嵌套分割器 |
| 2.3.2 放射組學特征指導的鑒別器 |
| 2.3.3 自適應像素級混合損失函數 |
| 2.4 實驗結果與分析 |
| 2.4.1 實驗數據集及平臺 |
| 2.4.2 實驗評估指標 |
| 2.4.3 Radiomcis-guided DUN-GAN的定性評估結果 |
| 2.4.4 Radiomics-guied DUN-GAN的定量評估-ROC和 PR曲線 |
| 2.4.5 Radiomics-guied DUN-GAN的定量評估-Dice系數 |
| 2.4.6 放射組學特征指導的定性評估 |
| 2.5 討論 |
| 2.5.1 放射組學特征對分割結果的影響 |
| 2.5.2 不同特征指導下模型的性能對比 |
| 2.5.3 不同損失函數的對比 |
| 2.5.4 與其他分割方法的對比 |
| 2.6 本章小結 |
| 第3章 基于多模態(tài)的TsA-3DNet的腫瘤3D分割和多指標量化方法 |
| 3.1 問題分析及解決思路 |
| 3.1.1 問題分析 |
| 3.1.2 解決思路 |
| 3.2 融合和分割的國內外研究現(xiàn)狀 |
| 3.3 雙流相關3DNet |
| 3.3.1 精煉模塊連接的體積分割 |
| 3.3.2 多指標量化 |
| 3.3.3 雙流處理通道(TsAC) |
| 3.3.4 TsAC的多功能 |
| 3.3.5 多任務聯(lián)合損失函數 |
| 3.4 實驗結果和分析 |
| 3.4.1 實驗數據集及平臺 |
| 3.4.2 實驗評估指標 |
| 3.4.3 數據的預處理 |
| 3.4.4 TsA-3DNet網絡分割性能的定性評估 |
| 3.4.5 TsA-3DNet網絡分割性能的定量評估 |
| 3.4.6 TsA-3DNet網絡量化性能的定量評估 |
| 3.4.7 TsA-3DNet網絡特征圖的可視化 |
| 3.5 實驗討論 |
| 3.5.1 多視角融合機制對分割性能的影響 |
| 3.5.2 多視角融合機制對量化性能的影響 |
| 3.5.3 雙向指導機制對分割性能的影響 |
| 3.5.4 雙向指導機制對量化性能的影響 |
| 3.5.5 與其他分割方法的對比 |
| 3.6 本章小結 |
| 第4章 基于數據增強的Dg-GAN肝腫瘤分類方法 |
| 4.1 問題分析及解決思路 |
| 4.1.1 問題分析 |
| 4.1.2 解決思路 |
| 4.2 合成和分類的國內外研究現(xiàn)狀 |
| 4.3 細節(jié)指導的生成對抗網絡 |
| 4.3.1 多尺度上下文感知的生成器 |
| 4.3.2 基于VGG的鑒別器 |
| 4.3.3 細節(jié)指導的分類器 |
| 4.3.4 聯(lián)合的損失函數 |
| 4.4 實驗結果和分析 |
| 4.4.1 實驗數據集及平臺 |
| 4.4.2 實驗評估指標 |
| 4.4.3 數據的預處理 |
| 4.4.4 Dg-GAN網絡分類性能的定性分析 |
| 4.4.5 Dg-GAN網絡合成性能的定性分析 |
| 4.4.6 Dg-GAN網絡合成性能的定量分析 |
| 4.5 實驗討論 |
| 4.5.1 不同擴充方法對分類性能的影響 |
| 4.5.2 不同損失函數對分類性能的影響 |
| 4.5.3 不同鑒別器對分類性能的影響 |
| 4.5.4 與其他分類方法的對比 |
| 4.5.5 與其他合成方法的對比 |
| 4.6 本章小結 |
| 第5章 基于聯(lián)合對抗學習的肝腫瘤輔助診斷方法 |
| 5.1 問題分析及解決思路 |
| 5.1.1 問題分析 |
| 5.1.2 解決思路 |
| 5.2 分割和檢測的國內外研究現(xiàn)狀 |
| 5.2.1 肝腫瘤檢測的深度學習 |
| 5.2.2 肝腫瘤檢測的臨床研究 |
| 5.3 聯(lián)合生成對抗網絡 |
| 5.3.1 邊緣差異特征金字塔模塊 |
| 5.3.2 多模態(tài)特征融合和選擇 |
| 5.3.3 帶填充的坐標共享 |
| 5.3.4 多相放射組學指導的鑒別器 |
| 5.3.5 UAL的約束策略 |
| 5.4 實驗結果和分析 |
| 5.4.1 實驗數據集及平臺 |
| 5.4.2 實驗評估指標 |
| 5.4.3 UAL的整體性能 |
| 5.4.4 UAL網絡的定量評估 |
| 5.5 實驗討論 |
| 5.5.1 EDFPM對性能的影響 |
| 5.5.2 FSC對性能的影響 |
| 5.5.3 CSWP對性能的影響 |
| 5.5.4 MPRG-D對性能的影響 |
| 5.5.5 多模態(tài)數據的定性評估 |
| 5.5.6 不同模態(tài)的無造影劑圖像對UAL的影響 |
| 5.5.7 不同模態(tài)的造影劑增強圖像對UAL的影響 |
| 5.5.8 不同模型的參數量對比 |
| 5.6 結論 |
| 第6章 總結和展望 |
| 6.1 總結 |
| 6.2 展望 |
| 參考文獻 |
| 攻讀學位期間取得的科研成果 |
| 致謝 |
（4）基于區(qū)域卷積神經網絡的乳腺MRI腫塊檢測與診斷研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 研究的背景與意義 |
| 1.2 研究現(xiàn)狀及面臨的挑戰(zhàn) |
| 1.2.1 乳腺癌計算機輔助檢測與診斷系統(tǒng)概況 |
| 1.2.2 乳腺核磁共振成像技術概況 |
| 1.2.3 乳腺癌腫塊檢測研究現(xiàn)狀 |
| 1.2.4 乳腺癌腫塊診斷研究現(xiàn)狀 |
| 1.2.5 研究面臨的挑戰(zhàn) |
| 1.3 論文的研究內容 |
| 1.4 論文的結構安排 |
| 第二章 相關方法研究概述 |
| 2.1 引言 |
| 2.2 卷積神經網絡概述 |
| 2.2.1 卷積 |
| 2.2.2 池化 |
| 2.2.3 全連接 |
| 2.3 目標檢測算法概述 |
| 2.3.1 YOLO算法 |
| 2.3.2 區(qū)域卷積神經網絡 |
| 2.3.3 快速區(qū)域卷積神經網絡 |
| 2.4 本章小結 |
| 第三章 乳腺MRI腫塊檢測標準數據集的制作 |
| 3.1 數據介紹 |
| 3.2 數據預處理 |
| 3.2.1 數據格式處理和轉碼 |
| 3.2.2 腫塊切片數據分布統(tǒng)計 |
| 3.3 圖像去噪 |
| 3.4 數據標注 |
| 3.5 數據擴增 |
| 3.5.1 幾何變換 |
| 3.5.2 圖像融合 |
| 3.6 本章小結 |
| 第四章 基于改進Faster RCNN的乳腺腫塊檢測與診斷研究 |
| 4.1 整體框架概述 |
| 4.2 網絡模型設計 |
| 4.2.1 主干網絡設計 |
| 4.2.2 損失函數設計 |
| 4.2.3 區(qū)域建議網絡與錨設計 |
| 4.2.4 非極大值抑制 |
| 4.3 訓練策略和參數優(yōu)化 |
| 4.3.1 遷移學習策略 |
| 4.3.2 五折交叉驗證 |
| 4.3.3 聯(lián)合訓練策略 |
| 4.3.4 實驗環(huán)境與超參數 |
| 4.4 實驗結果及分析 |
| 4.4.1 均值平均精度 |
| 4.4.2 受試者工作特征曲線 |
| 4.4.3 檢測結果可視化 |
| 4.5 本章小結 |
| 第五章 基于級聯(lián)特征金字塔的乳腺腫塊檢測與診斷研究 |
| 5.1 特征金字塔網絡 |
| 5.1.1 特征金字塔結構 |
| 5.1.2 特征金字塔的錨設計 |
| 5.2 級聯(lián)區(qū)域神經網絡 |
| 5.2.1 級聯(lián)樣本分布和閾值選取 |
| 5.2.2 級聯(lián)網絡的結構設計 |
| 5.3 網絡模型設計 |
| 5.3.1 損失函數設計 |
| 5.3.2 ROI Align |
| 5.4 訓練策略和參數優(yōu)化 |
| 5.4.1 遷移學習策略 |
| 5.4.2 五折交叉驗證 |
| 5.4.3 實驗環(huán)境與超參數 |
| 5.5 實驗結果及分析 |
| 5.5.1 均值平均精度 |
| 5.5.2 受試者工作特性曲線 |
| 5.5.3 檢測結果可視化 |
| 5.6 本章小結 |
| 總結與展望 |
| 本文總結 |
| 工作展望 |
| 參考文獻 |
| 致謝 |
| 攻讀碩士學位期間取得的科研成果 |
（5）基于CT平掃的2D與3D影像組學模型對卵巢良惡性病變的鑒別診斷價值初探（論文提綱范文）
| 摘要 |
| Abstract |
| 中英文縮略詞表 |
| 第1章 引言 |
| 第2章 第一部分基于CT平掃的2D影像組學模型對卵巢病變良惡性鑒別診斷效能初探 |
| 2.1 資料與方法 |
| 2.1.1 研究對象 |
| 2.1.2 研究方法 |
| 2.2 結果 |
| 2.2.1 病例組成 |
| 2.2.2 臨床模型的預測性能效果 |
| 2.2.3 影像組學模型的構建與診斷效果評估 |
| 2.2.4 影像組學諾模圖模型的構建與預測效能評價 |
| 2.3 討論 |
| 第3章 第二部分基于CT平掃的3D影像組學模型對卵巢偶發(fā)腫瘤性質診斷效能價值分析 |
| 3.1 資料與方法 |
| 3.1.1 研究對象 |
| 3.1.2 研究方法 |
| 3.2 結果 |
| 3.2.1 病例組成 |
| 3.2.2 3D臨床模型的預測性能效果 |
| 3.2.3 影像組學模型的構建與診斷效果評估 |
| 3.2.4 影像組學諾模圖模型的構建與預測效能評價 |
| 3.2.5 2D模型與3D模型診斷效能對比 |
| 3.3 討論 |
| 第4章 結論 |
| 第5章 不足與展望 |
| 5.1 局限性 |
| 5.2 展望 |
| 致謝 |
| 參考文獻 |
| 攻讀學位期間的研究成果 |
| 綜述 影像組學在婦科腫瘤應用研究進展 |
| 1.影像組學在宮頸癌中的應用 |
| 1.1 影像組學在宮頸癌診斷中的應用 |
| 1.2 在宮頸癌治療中的應用 |
| 1.3 在宮頸癌預后中的應用 |
| 2.影像組學在卵巢癌中的應用 |
| 2.1 影像組學在卵巢癌診斷中的應用 |
| 2.2 影像組學在卵巢癌治療中的應用 |
| 2.3 影像組學在卵巢癌預后中的應用 |
| 2.4 影像組學在卵巢癌中與蛋白組學研究 |
| 3.影像組學在子宮內膜癌中的應用 |
| 4.影像組學其他婦科腫瘤中的應用 |
| 5.影像組學在婦科腫瘤中挑戰(zhàn)與展望 |
| 參考文獻 |
（6）深度學習軟件對皮膚惡性腫瘤診斷準確性的研究（論文提綱范文）
| 縮略詞表 |
| 中文摘要 |
| abstract |
| 前言 |
| 資料與方法 |
| 結果 |
| 討論 |
| 結論 |
| 研究局限性 |
| 展望 |
| 參考文獻 |
| 綜述 深度學習在皮膚科圖像分析運用中的研究進展 |
| 參考文獻 |
| 攻讀學位期間獲得的學術成果 |
| 致謝 |
（7）基于冠脈CTA的冠心病患者大魚際表征與中醫(yī)證素的關聯(lián)性研究（論文提綱范文）
| 中文摘要 |
| ABSTRACT |
| 英文縮略詞 |
| 前言 |
| 第一部分 文獻綜述 |
| 綜述一 常見冠心病的體表特征及臨床意義述評 |
| 綜述二 大魚際望診的研究進展 |
| 第二部分 大魚際表征量化的相關文獻分析 |
| 一、目的 |
| 二、資料與方法 |
| 1 資料來源 |
| 2 檢索策略 |
| 3 文獻篩選 |
| 4 文獻管理 |
| 三、結果 |
| 1 文獻篩選結果 |
| 2 文獻基本信息 |
| 3 大魚際表征研究構成 |
| 4 大魚際表征相關病種研究 |
| 5 大魚際表征分級量化研究 |
| 四、討論 |
| 五、結論 |
| 第三部分 基于專家問卷調查制訂大魚際表征分級規(guī)范 |
| 一、目的 |
| 二、資料與方法 |
| 1 編制專家問卷 |
| 2 調查范圍 |
| 3 問卷結構與內容 |
| 4 專家選擇 |
| 5 調查方法 |
| 6 統(tǒng)計分析 |
| 三、結果 |
| 1 問卷信度效度 |
| 2 專家積極程度 |
| 3 專家權威程度 |
| 4 專家意見的集中程度與協(xié)調程度 |
| 5 大魚際表征望診及其分級專家共識結果 |
| 四、討論 |
| 1 選用德爾菲法規(guī)范大魚際表征分級望診 |
| 2 大魚際表征及其分級望診規(guī)范德爾菲專家調查結果評價 |
| 五、結論 |
| 第四部分 大魚際異常表征與冠心病中醫(yī)證素的關聯(lián)研究 |
| 一、目的 |
| 二、資料與方法 |
| 1 患者來源 |
| 2 倫理學要求 |
| 3 研究設計 |
| 4 納排標準 |
| 5 診斷標準 |
| 6 表征判定 |
| 7 冠脈CTA掃描 |
| 8 表征采集 |
| 9 質量控制 |
| 10 統(tǒng)計分析 |
| 11 技術路線圖 |
| 三、研究結果 |
| 1 人口學資料與臨床信息比較 |
| 2 冠脈非梗阻性狹窄、冠心病人群相關大魚際異常表征的分析 |
| 2.1 納入指標 |
| 2.2 三組相關指標單因素Logistic回歸分析 |
| 2.3 三組相關指標隨機森林分析 |
| 2.4 冠脈非梗阻狹窄、冠心病相關指標篩選結果 |
| 2.5 冠脈非梗阻性狹窄、冠心病人群相關大魚際異常表征多分類(有序、無序)多因素Logistic回歸分析 |
| 2.6 小結 |
| 3 大魚際色紅、大拇指根部青筋與冠脈病變支數相關分析 |
| 4 大魚際異常表征與冠脈非梗阻性狹窄、冠心病中醫(yī)證素的相關性分析 |
| 4.1 冠脈非梗阻性狹窄組患者大魚際皺褶征與證素關聯(lián)性分析 |
| 4.2 冠心病患者大魚際色紅與證素關聯(lián)規(guī)則分析 |
| 4.3 冠心病患者大魚際拇指根部青筋與證素關聯(lián)規(guī)則分析 |
| 4.4 小結 |
| 四、討論 |
| 1 冠心病大魚際望診是“象思維”的體現(xiàn) |
| 2 觀察大魚際異常表征篩查冠心病具有可行性 |
| 3 大魚際是心之外象 |
| 4 大魚際異常表征是中醫(yī)“據象辨證”的體現(xiàn) |
| 5 大魚際望診的優(yōu)勢 |
| 五、結論 |
| 第五部分 創(chuàng)新點 |
| 第六部分 不足與展望 |
| 參考文獻 |
| 致謝 |
| 個人簡歷 |
| 附錄 |
| 附錄一 專家調查問卷(第一輪) |
| 附錄二 專家調查問卷(第二輪) |
| 附件三 臨床病例信息采集表 |
| 附錄四 大魚際典型表征臨床示例圖片 |
| 附錄五 |
（8）基于硅基芯片的拉曼和太赫茲傳感器構建及在腫瘤檢測中的應用（論文提綱范文）
| 縮略語表 |
| 英文摘要 |
| 中文摘要 |
| 第一章 前言 |
| 第二章 基于腫瘤微環(huán)境的多種惡性腫瘤預后相關標志物的生物信息學分析 |
| 2.1 引言 |
| 2.2 材料與方法 |
| 2.3 結果 |
| 2.4 討論 |
| 2.5 小結 |
| 第三章 五種商業(yè)SERS活性基底的評價及金屬納米顆粒的制備 |
| 3.1 引言 |
| 3.2 材料與方法 |
| 3.3 結果 |
| 3.4 討論 |
| 3.5 小結 |
| 第四章 聯(lián)合增強基底和銀納米探針構建SERS適配體傳感器檢測IGF-ⅡR蛋白 |
| 4.1 引言 |
| 4.2 材料與方法 |
| 4.3 結果 |
| 4.4 討論 |
| 4.5 小結 |
| 第五章 硅基THz超材料的制備、模擬及評價 |
| 5.1 引言 |
| 5.2 材料與方法 |
| 5.3 結果 |
| 5.4 討論 |
| 5.5 小結 |
| 第六章 基于超材料增強的THz光譜表征細胞活性及含水量 |
| 6.1 引言 |
| 6.2 材料與方法 |
| 6.3 結果 |
| 6.4 討論 |
| 6.5 小結 |
| 全文總結 |
| 參考文獻 |
| 文獻綜述基于納米材料和納米結構的光學生物傳感器的研究進展 |
| 參考文獻 |
| 攻讀博士學位期間發(fā)表論文情況 |
| 致謝 |
（9）基于深度學習的乳腺x線腫瘤分類方法研究（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 選題背景及意義 |
| 1.2 相關研究現(xiàn)狀 |
| 1.2.1 基于機器學習的乳腺x線良惡性腫瘤分類現(xiàn)狀 |
| 1.2.2 基于深度學習的乳腺x線良惡性腫瘤分類現(xiàn)狀 |
| 1.2.3 計算機輔助診斷 |
| 1.3 乳腺醫(yī)學知識 |
| 1.3.1 乳腺x線攝影檢查 |
| 1.3.2 乳腺x線影像數據庫 |
| 1.4 論文研究內容與安排 |
| 1.4.1 論文研究內容 |
| 1.4.2 論文創(chuàng)新 |
| 1.4.3 論文組織結構安排 |
| 第二章 理論基礎 |
| 2.1 深度學習與神經網絡 |
| 2.2 卷積神經網絡 |
| 2.2.1 輸入層 |
| 2.2.2 隱含層 |
| 2.2.3 輸出層 |
| 2.3 卷積神經網絡模型研究 |
| 2.3.1 VGGNet |
| 2.3.2 ResNet |
| 2.3.3 SENet |
| 2.3.4 SE-ResNet |
| 2.4 深度學習在醫(yī)學影像上的應用 |
| 2.5 本章小結 |
| 第三章 基于VGG的乳腺x線病理圖像良惡性腫瘤分類 |
| 3.1 引言 |
| 3.2 數據擴充 |
| 3.2.1 數據庫獲取及格式轉換 |
| 3.2.2 數據庫擴充 |
| 3.3 數據預處理 |
| 3.3.1 Gamma濾波 |
| 3.3.2 直方圖均衡化 |
| 3.3.3 病理圖像預處理 |
| 3.4 感興趣區(qū)域提取 |
| 3.5 模型的建立與訓練 |
| 3.5.1 VGG網絡結構模型 |
| 3.5.2 網絡參數設置 |
| 3.5.3 網絡訓練 |
| 3.6 模型評估及結果分析 |
| 3.6.1 評估指標 |
| 3.6.2 結果及分析 |
| 3.7 本章小結 |
| 第四章 基于FA-SE-ResNet的乳腺x線病理圖像良惡性腫瘤分類 |
| 4.1 引言 |
| 4.2 研究方案概述 |
| 4.3 模型的建立及改進 |
| 4.3.1 模型的建立 |
| 4.3.2 模型的改進 |
| 4.4 模型的訓練 |
| 4.5 實驗結果及分析 |
| 4.5.1 DDSM數據集 |
| 4.5.2 DBT數據集 |
| 4.6 本章小結 |
| 第五章 總結與展望 |
| 5.1 研究內容總結 |
| 5.2 未來工作展望 |
| 參考文獻 |
| 攻讀學位期間取得的研究成果 |
| 致謝 |
（10）基于多特征的鉬靶醫(yī)學圖像腫瘤識別（論文提綱范文）
| 摘要 |
| ABSTRACT |
| 第一章 緒論 |
| 1.1 乳腺鉬靶圖像腫瘤識別 |
| 1.2 乳腺鉬靶圖像腫塊分割方法綜述 |
| 1.3 乳腺腫瘤特征提取方法綜述 |
| 1.3.1 腫塊特征提取研究現(xiàn)狀 |
| 1.3.2 鈣化點特征提取研究現(xiàn)狀 |
| 1.4 腫瘤良惡性識別方法研究現(xiàn)狀 |
| 1.5 課題意義和研究內容 |
| 1.5.1 課題的研究意義 |
| 1.5.2 課題主要研究內容 |
| 第二章 基于乳腺鉬靶圖像的腫塊分割 |
| 2.1 圖像預處理 |
| 2.2 基于譜聚類的乳腺鉬靶圖像初始分割 |
| 2.2.1 基于像素點的相似度度量矩陣 |
| 2.2.2 拉普拉斯矩陣的構造 |
| 2.2.3 基于譜聚類的乳腺鉬靶圖像分割步驟 |
| 2.3 基于約束的胸肌分割 |
| 2.3.1 基于最大類間灰度差的胸肌分割方法 |
| 2.3.2 基于形狀約束的胸肌分割 |
| 2.4 腫塊分割 |
| 2.5 本章小結 |
| 第三章 乳腺鉬靶圖像微小鈣化點提取 |
| 3.1 基于雙窗口濾波的鈣化點特征增強 |
| 3.1.1 乳腺鉬靶圖像的細節(jié)增強 |
| 3.1.2 亮、暗細節(jié)增強的雙窗口選取 |
| 3.2 基于小波變換的增強乳腺鉬靶圖像去噪 |
| 3.3 基于貢獻矩陣的鈣化點提取 |
| 3.3.1 局部特征增強 |
| 3.3.2 基于雙窗口貢獻矩陣的鈣化點增強 |
| 3.3.3 增強后乳腺鉬靶圖像的鈣化點提取 |
| 3.4 本章小結 |
| 第四章 用于腫瘤識別的特征描述及識別 |
| 4.1 乳腺鉬靶圖像腫塊特征描述 |
| 4.1.1 腫塊紋理特征描述 |
| 4.1.2 腫塊灰度特征描述 |
| 4.1.3 形狀特征描述 |
| 4.2 微小鈣化點特征描述 |
| 4.3 基于乳腺鉬靶圖像的腫瘤良惡性識別 |
| 4.3.1 腫塊、鈣化點特征向量歸一化及權值確定 |
| 4.3.2 乳腺腫瘤的良惡性識別 |
| 4.4 本章小結 |
| 第五章 基于乳腺鉬靶圖像的腫瘤良惡性識別結果 |
| 5.1 腫瘤良惡性識別總體設計 |
| 5.2 腫塊分割結果 |
| 5.2.1 腫塊分割軟件設計 |
| 5.2.2 基于譜聚類的乳腺鉬靶圖像初始分割結果 |
| 5.2.3 胸肌分割結果 |
| 5.2.4 腫塊分割結果 |
| 5.2.5 腫塊分割結果評價 |
| 5.3 腫塊特征描述結果 |
| 5.3.1 腫塊特征描述流程 |
| 5.3.2 腫塊特征描述結果 |
| 5.4 微小鈣化點提取結果及描述結果 |
| 5.4.1 微小鈣化點提取的算法流程 |
| 5.4.2 微小鈣化點提取流程 |
| 5.4.3 微小鈣化點提取結果 |
| 5.4.4 微小鈣化點特征描述結果 |
| 5.5 乳腺腫瘤良惡性識別結果 |
| 5.5.1 腫塊、鈣化點特征向量歸一化及權值確定 |
| 5.5.2 乳腺腫瘤良惡性識別結果及評價 |
| 5.6 本章小結 |
| 第六章 結論與展望 |
| 6.1 結論 |
| 6.2 展望 |
| 參考文獻 |
| 致謝 |
| 研究成果及發(fā)表的學術論文 |
| 作者與導師簡介 |
| 碩士研究生學位論文答辯委員會決議書 |
四、惡性腫瘤皮紋表征計算機識別與應用（論文參考文獻）
- [1]深度學習軟件對皮膚惡性腫瘤診斷準確性的分析[J]. 楊靜,段曉雨,蔡梅. 中國皮膚性病學雜志, 2021(11)
- [2]基于深度學習的乳腺組織病理圖像分類方法研究[D]. 王娟. 華東交通大學, 2021(01)
- [3]基于無造影劑MRI圖像的肝癌智能診斷方法研究[D]. 肖小嬌. 太原理工大學, 2021
- [4]基于區(qū)域卷積神經網絡的乳腺MRI腫塊檢測與診斷研究[D]. 陳吉新. 西北大學, 2021(12)
- [5]基于CT平掃的2D與3D影像組學模型對卵巢良惡性病變的鑒別診斷價值初探[D]. 李詩韻. 南昌大學, 2021(01)
- [6]深度學習軟件對皮膚惡性腫瘤診斷準確性的研究[D]. 楊靜. 昆明醫(yī)科大學, 2021(01)
- [7]基于冠脈CTA的冠心病患者大魚際表征與中醫(yī)證素的關聯(lián)性研究[D]. 郜亞茹. 中國中醫(yī)科學院, 2020(01)
- [8]基于硅基芯片的拉曼和太赫茲傳感器構建及在腫瘤檢測中的應用[D]. 劉羽. 中國人民解放軍陸軍軍醫(yī)大學, 2020
- [9]基于深度學習的乳腺x線腫瘤分類方法研究[D]. 劉文. 太原理工大學, 2020(07)
- [10]基于多特征的鉬靶醫(yī)學圖像腫瘤識別[D]. 柳似霖. 北京化工大學, 2019(06)