共空間模式(CSP)是腦電信號特征提取的主要方法, 但它存在較嚴重的過擬合問題。本文提出對多通道腦電數據劃分多個區域, 分別用CSP算法提取各區域的腦電數據特征, 對得到的各特征分別進行線性分類, 用Choquet模糊積分融合各線性分類結果, 有助于克服腦電信號處理的過擬合問題和提高腦電信號識別準確度, 從而給出了腦電數據處理的一種新框架。采用2005年國際腦機接口(BCI)競賽數據驗證該處理框架, 獲得的識別準確率顯著提高, 并且在一定程度上解決了CSP的過擬合問題, 顯示了本框架處理腦電信息的有效性。
本文提出一種基于HSI修正空間信息融合的白細胞自動分割方法。首先將細胞原圖轉換至HSI彩色空間, 由于H分量分段函數變換公式的不連續, 導致原圖中視覺均勻的細胞漿區域在此通道中均勻性變差。對色調計算公式進行了修改, 然后依據白細胞核、漿在H、S、I通道分布特點提取核、漿、紅細胞和背景區域信息, 利用信息融合理論和方法構造融合圖像Ⅰ和只存在細胞漿和少量干擾的融合圖像Ⅱ, 分別提取細胞核和細胞漿。最后標記細胞核、漿, 得到分割結果。實驗結果表明:該算法對白細胞圖像分割準確性高、魯棒性強且具有普適性。
深度學習在細胞核分割中具有重要作用，但在病理診斷中仍面臨著細胞核圖像的細微特征難以提取、核邊緣模糊等問題。針對上述問題，本文提出了一種結合注意力機制的細胞核分割網絡。該網絡使用U型網絡（UNet）作為基本結構，以深度可分離殘差卷積（DSRC）模塊作為特征編碼，避免丟失細胞核邊界信息；特征解碼引入坐標注意力（CA）加強特征空間上遠程距離，突出細胞核位置的關鍵信息；最后，設計語義信息融合（SIF）模塊整合深淺層特征，改善分割效果。在2018數據科學碗（DSB2018）和三陰乳腺癌（TNBC）數據集上分別進行實驗，所提方法的精確率在兩個數據集上分別為92.01%、89.21%，靈敏度為90.09%、91.10%，平均交并比為89.01%、89.12%。實驗結果表明，本文所提方法能有效分割細胞核細微區域，提升分割準確度，為臨床診斷提供可靠依據。
高級別漿液性卵巢癌惡性程度高，檢出時易發生周圍軟組織浸潤、腹腔與淋巴結轉移、腹膜種植和遠處轉移，是否復發成為該疾病手術計劃與治療手段的重要參考依據。目前的復發預測模型未考慮整個卵巢內部組織之間的潛在病理關系，通常使用較為復雜的卷積神經網絡提取局部區域特征進行判斷，準確率不高且成本開銷大。針對此問題，本文提出了一種新的面向高級別漿液性卵巢癌復發預測的輕量級深度算法模型。該模型先使用鬼影卷積（Ghost Conv）和坐標注意力（CA）建立鬼影倒殘差模塊（SCblock）提取圖像的局部特征信息，然后通過提出的分層融合變換器（Transformer）模塊（STblock）進行全局信息的捕捉與多層次信息的融合，提升不同層之間的交互能力；Transformer模塊則通過先展開特征圖使其對應區域塊進行計算，再折疊還原，以此降低計算成本開銷。最后，將每個STblock模塊進行深淺層的深度信息融合，并加入患者的臨床元數據共同進行復發預測。實驗結果表明，相較于主流的輕量級移動視覺Transformer網絡（MobileViT），本文提出的切片視覺Transformer網絡（SlicerViT）在準確率、精確率、靈敏度、F1分數上均有提高，計算量僅為其1/6，參數量降低1/2。本文研究證實了所提算法模型在高級別漿液性卵巢癌的復發預測上更加精確高效，未來可作為一種輔助診斷技術提高患者生存率，并有利于將模型應用于嵌入式設備。