簡介：

1、胰腺腫瘤CT圖像診斷算法。針對胰腺腫瘤分類問題，從醫(yī)學CT圖像出發(fā)，搭建深度學習模型。對于腫瘤分類，我們將問題建模成兩部：胰腺定位查找和胰腺腫瘤分類。我們建立級聯(lián)分割網(wǎng)絡，從病人腹部的CT圖像中將胰腺器官分割出來。級聯(lián)分割網(wǎng)絡比之前的層級分割網(wǎng)絡結(jié)果提升10各點。之后建立多模態(tài)分類網(wǎng)絡，針對CT圖像的特性，將多切片多造影劑時期多區(qū)域的數(shù)據(jù)進行融合，在胰腺腫物分類中取得了較好的結(jié)果。

層級分割模型示意圖 

分類模型可視化熱圖

2、現(xiàn)有的乳腺癌腋窩淋巴轉(zhuǎn)移的醫(yī)療診斷措施為病理活檢，是一種過度醫(yī)療。基于乳腺鉬靶圖像的術前無創(chuàng)的乳腺癌腋窩淋巴轉(zhuǎn)移預測手段能夠有效避免過度醫(yī)療。我們構造了基于乳腺鉬靶圖像的深度卷積神經(jīng)網(wǎng)絡模型來處理乳腺癌腋窩淋巴轉(zhuǎn)移問題。我們對乳腺鉬靶數(shù)據(jù)進行了預處理和數(shù)據(jù)集的整理、劃分。我們構造了三個不同的深度卷積神經(jīng)網(wǎng)絡，患病側(cè)單體位網(wǎng)絡、患病側(cè)雙體位網(wǎng)絡和雙側(cè)雙體位四視圖網(wǎng)絡。其中，患病側(cè)單體位網(wǎng)絡分為 CC 位網(wǎng)絡和 MLO 位網(wǎng)絡。在乳腺鉬靶數(shù)據(jù)的測試集上，患病側(cè) CC 位網(wǎng)絡、患病側(cè) MLO 位網(wǎng)絡、患病側(cè)雙體位網(wǎng)絡、雙側(cè)雙體位四視圖網(wǎng)絡的結(jié)果依次遞增。這表明了同時使用同一患者的四張鉬靶圖像的雙側(cè)雙體位四視圖網(wǎng)絡具有更好的預測效果，更適合乳腺癌腋窩淋巴轉(zhuǎn)移預測任務。對于雙側(cè)雙體位四視圖網(wǎng)絡，我們不僅使用了雙側(cè)測試集 1，還使用了額外的雙側(cè)測試集 2 進行測試。

鉬靶乳腺圖像預處理

雙側(cè)雙體位深度學習網(wǎng)絡

優(yōu)勢：從客觀的醫(yī)學圖像數(shù)據(jù)出發(fā)，結(jié)果可重復，而且高效快捷，提高識別準確率的同時，便于臨床推廣。