基于深度学习的腹膜腔脱落细胞病理图像识别

针对体液细胞病理诊断自动分类识别的问题,构建一种基于深度卷积神经网络的自动化识别模型(CNN-LS)。首先对图像样本进行灰度级转换、ZCA白化、归一化与标注处理,降低图像特征间的相关性与数据冗余。其次,在CNN-LS模型构建过程中引入改进的激活函数(LReLU-Softplus)用于提高模型的收敛速度和避免可能出现的饱和非线性问题,并通过实验验证获取CNN-LS模型的最佳卷积核数量和尺寸大小。最后将CNN-LS与CS+SVM,PCA+QSOFM,ANN,CNN这4种分类方法做性能对比。实验表明CNN-LS模型在针对腹膜腔脱落细胞病理图像的癌细胞分类识别过程中具有较明显的优势。     

关联规则挖掘在临床诊断中的应用研究

将关联规则挖掘应用于临床疾病诊断工作,力求找出数据中各层次因素间的关联关系,挖掘疾病数据库中的关联规则。通过实例试图发现吸烟、环境污染、职业性致肺癌因素、肺部慢性疾病等因素与肺癌的发生与诊断间的关联关系,从而发现肺癌疾病与它产生的可能因素间的规则,利用规则模式指导肺癌的诊断与预防。并期望以此为例研究关联规则挖掘在疾病诊断各方面的应用。