教学课程资源库 更多>>

摘要： 经过中国科学引文数据库（Chinese Science Citation Database,CSCD）的评审，《中国临床医学影像杂志》再次成为中国科学引文数据库来源期刊（2023—2024年）。感谢编委、作者、读者等关心支持我刊发展的专家、学者和机构！我刊将继续不忘初心、砥砺前行，办精品期刊、促学科发展。经过中国科学引文数据库定量遴选、专家定性评估，2023—2024年度中国科学引文数据库来源期刊1339种，其中中国出版的英文期刊316种，中文期刊1023种。中国科学引文数据库来源期刊分为核心库和扩展库两部分，其中核心库995种（以备注栏中C为标记）；扩展库344种（以备注栏中E为标记）。

摘要： 《中国医学影像学杂志》是由中华人民共和国国家卫生健康委员会主管、中国医学影像技术研究会和北京医院主办的全国性专业学术期刊,是中国科学引文数据库(CSCD)核心库来源期刊、《中文核心期刊要目总览》收录期刊、中国科技核心期刊、中国科学技术协会《高质量科技期刊分级目录》收录期刊、《世界期刊影响力指数(WJCI)报告》收录期刊。办刊宗旨:贯彻党和国家的卫生工作政策,坚持理论与实践、普及与提高相结合的方针,反映我国医学影像学领域的重大临床和科研工作进展,致力于各种医学影像技术的基础与临床研究成果的推广和传播,为从业人员建立继续教育和技术交流的平台,促进国内外医学影像学学术交流。

摘要： 《实用医学影像杂志》由山西省卫生健康委员会主管、山西医药卫生传媒集团有限责任公司主办,中国标准连续出版物号为ISSN 1009-6817,CN 14-1281/R。报告内容包括普通放射、CT、磁共振、超声、介入放射、核医学等学科。栏目设有专论、论著、短篇论著、综述、讲座、经验介绍和病例报告等。1来稿要求a)总体要求:论点明确,材料可靠,数据准确,结构严谨,文字精练,重点突出,具有鲜明的科学性、新颖性、实用性。b)文题:力求简明、醒目并能反映文章的主题。中文文题一般以20字以内为宜。c)作者:投稿时作者姓名须按序排列,排序应在投稿时确定,在编排过程中不应再作变更;作者单位名称、科室及邮政编码脚注于文题页,常用联系电话、Email等应列于文章之后。凡需注明通信作者的稿件,应提供其通信地址、邮政编码及Email等。

关键词： 医学影像   伪计算机断层扫描   靶区分割   生成对抗网络   深度学习  

摘要： 在医学影像领域，多模态图像数据对于全面揭示病情至关重要，但成像协议差异、成本和时间限制等因素使得获取完整多模态数据阵列困难重重。尤其是在磁共振引导的放射治疗(Magnetic Resonance Imaging guided Radiotherapy,MRIgRT)中，为了实现MRI-only的放疗方案，医生需要依赖MRI扫描、伪CT(synthetic Computed Tomography Image,sCT)图像映射和精确的临床靶区勾画来制定治疗方案;但这些数据往往难以同时获取，且MRI-CT转换精度和手动靶区勾画的准确性存在局限性。针对这些问题，本文旨在通过同步构建多模态MRI,以实现sCT生成和靶区自动分割，从而降低MRIgRT的成本，提高MRI-CT转换的精度，并实现更精确的靶区分割精度。　　在基于生成对抗网络的多模态MRI同步构建的sCT生成研究中，为实现单模态MRI到多模态sMRI(synthetic Magnetic Resonance Imaging,sMRI)和sCT图像的一对多生成任务，构建了一个基于级联的多模态同步构建模型，采用生成对抗网络作为主体，并设计了多任务生成器和多分支鉴别器。多任务生成器由共享编码器和多分支解码器组成，并引入了特定的注意力模块，以实现高维特征表示和融合。研究结果表明，所提出的生成模型生成的sCT优于其它方法，其评价指标包括平均绝对误差、归一化均方根误差、峰值信噪比和结构相似性指数分别达到62.98±5.28HU、0.27±0.02、28.51±0.74dB和0.96±0.01。值得关注的是，所提出的模型仅需要单模态T1MRI图像作为输入，但其性能与基于真实多模态MRI作为输入的生成方法相当甚至更好，这可为临床应用中费力且高成本的多模态图像生成提供更有效和更经济的解决方案。　　在基于CNN-Transformer混合的伪多模态信息聚合的靶区分割研究中，为有效降低临床中医生手动勾画靶区的成本同时提升分割精度，构建了一个基于CNN-Transformer混合的分割模型，将第一个研究所生成的sMRI、sCT和原始的T1图像作为分割模型的输入，实现了多模态图像信息的有效聚合。该分割模型包括五个模态特定编码器、一个模态共享解码器和一个模态融合解码器，以及三个创新的注意力模块。研究结果显示，与最先进的分割方法相比，提出的分割模型在GTVnx和CTV的Dice系数平均值分别为0.814±0.029和0.854±0.037,95％hausdorff距离指标分别为6.694±2.304mm和7.290±2.469mm。这一分割框架为实现鼻咽癌分割提供了新的解决方案，不仅提高了分割精度，同时减轻了医生的负担，能为癌症的诊断和治疗提供有力支持。　　总体而言，本文通过基于深度学习的方法，解决了MRIgRT中多模态MRI获取成本高、MRI-CT生成精度低以及靶区勾画人工成本高等关键问题，为癌症放射治疗提供更为高效、精准的多模态图像处理解决方案，对于减轻医生的工作负担、提升靶区定位的精确性，以及促进癌症诊断和治疗的进步均具有重要意义。

关键词： 自监督学习   半监督学习   医学影像分割   对比学习  

摘要： 将深度学习和神经网络理论应用于医学影像分割一直是计算机视觉应用领域一项经典任务,其不仅大大的提升了医生工作效率,而且可以缓解医疗资源分布不均的矛盾。然而由于医学图像标注需要特定专业知识、标注时间长、病人隐私等原因,医学图像稀缺性成为一大问题。因此使用有限的标注数据甚至无标签数据训练鲁棒的医学影像分割模型成为诊断系统核心。 近年来,自监督学习通过在大量无标签样本上进行预训练得到通用的图像表征,之后利用少量有标签样本进行微调,其在半监督和无监督医学图像分割不断取得state-of-the-art效果且天然的适合于医学临床背景受到了广泛关注。然而,将自监督学习应用于医学影响分割将面临以下问题:第一,自监督对比学习类坍塌问题:即将同一个批次中的采样得到的样本都当做负样本,那么很大概率负样本集中存在语义一致的样本,这在如像素级别分类的语义分割任务更为难以接受。第二,对于医学影像分割这一下游任务,哪一个或多个任务对其有效是自监督学习应用医学影像分割关键。第三,对比学习的监督式信号仅来自一对数据增强的正样本,这对无监督语义分割学习语义信息并不充分。 本文针对少量标注下甚至无标注下的医学影像分割问题,建立了基于自监督学习、半监督学习和对比学习的医学影像分割方法。具体工作如下: 1.提出一种新颖的由伪标签引导的类感知半监督学习框架。首先通过有效地融合伪标签和源图像来提取类感知小块,接着引入层次数据增强模块来学习层次不变性来缓解类冲突的问题,在多个公开数据集上的测试证明了本方法的有效性。 2.提出一种新型基于Vision Transformer(ViT)的多任务自监督预训练框架(Multi Task Self-Supervised Learning,MTSSL)。首先探讨不同自监督代理任务对下游医学分割任务的影响,最终提出掩码图像预测、掩码块对比、混合插值一致性三个混合代理任务的自监督预训练框架,并在BTCV和MSD两个公开数据集上验证所提出框架的优越性。 3.自监督ViT下特征一致性的分割算法研究。首先分析自监督对比学习仅通过数据增强的正样本来提供监督信号并不充分,接着第四章研究基础上,进一步挖掘对比学习中隐藏的一致性,并基于空间位置邻近的样本更有可能语义一致性这一假设,进一步挖掘图像的局部一致性。在多个数据集上测试相比其它自监督学习方法有了进一步提升。

关键词： 医学影像   大数据技术   HBase数据库   性能优化  

摘要： 子宫肌瘤是妇科最常见的肿瘤之一,子宫肌瘤疾病主要影响30至50岁的女性,现在存在着患病率高、数据量大等情况,在大数据时代信息科技蓬勃发展下,医学影像技术、医院信息管理模式、医疗科研模式也随之发生迭代升级进步。不能只是停留在机械式的、低效率的医疗数据检索、医疗影像科研模式利用率不理想,关于子宫肌瘤的影像科研数据平台也是属于缺失状态,数据未能实现互联互通,存在数据孤岛情况,为帮助医学研究和治疗人员更便利开展子宫肌瘤方面的研究,所以开展子宫肌瘤影像科研数据层面设计和研究十分必要。子宫肌瘤影像科研数据平台为开展医学研究工作提供助力,也节省了诸多时间和人力成本。 本文旨在探讨子宫肌瘤影像科研数据平台的数据层面,借助大数据相关技术展开研究和设计工作: (1)从平台涉及的相关专业知识出发,着手介绍大数据中Hadoop生态圈的三大组件的原理,并阐述HBase非结构化数据库的架构和基本原理。 (2)从无到有的过程,利用上述组件和技术具体开展关于子宫肌瘤影像科研数据平台的数据层面的设计和研究,阐述DICOM影像文件的具体结构,从可行性分析和功能模块分析着手,进行相关设计和运用,如用例图、数据表等内容,进而实现平台的数据层面的设计与实现。 (3)从有到优的过程,对子宫肌瘤影像科研数据平台数据层面进行高性能优化工作的研究,在基于HBase表的设立,用两种优化方式:添加布隆过滤器和二级索引的优化,综合优化降低检索时间,提高查找数据效率,并进行实验,验证检索均有不同程度的优化。 本文研究和设计内容也为后续开展子宫肌瘤影像科研数据平台的研究提供基础和思路,如人工智能医学模块的研究、性能优化中的存储优化工作、子宫肌瘤影像科研数据的安全共享的设计和研究。

摘要： 梁长虹教授广东省人民医院医学影像科主任,博士生导师。国务院政府特殊津贴专家、国家重点研发计划项目(原973项目)首席科学家、广东省医学领军人才。人选爱思唯尔中国15名顶级放射学专家。中国医师协会放射医师分会候任会长,中国康复医学会医学影像与康复专委会主任委员。刘再毅教授广东省人民医院放射科主任,广东省医学影像智能分析与应用重点实验室主任,博士生导师。国家杰青获得者、国务院政府特殊津贴专家、广东省丁颖科技奖获得者。担任中华放射学会常委、广东省放射学会候任主任委员、亚洲腹部放射学会执委等。

关键词： 人体数字孪生   数字人体建模   医学图像分割  

摘要： 人体数字孪生是指在虚拟环境中创建人体解剖结构和生理功能的数字化复制体,进而通过计算机来模拟仿真疾病发展和治疗效果。个性化的全身组织数字解剖模型的构建是人体数字孪生的基础。目前已有基于医学影像的人体多器官分割算法,但是现有算法存在着分割精度不完美、分割器官种类有限的局限。针对分割精度问题,已有人机交互算法可以修正自动算法的分割错误,但交互速度较慢,不能支持个性化数字人的快速构建。本研究针对自动算法的精度和速度限制问题,致力于研发快速人机交互修正算法,并通过数字人图谱配准来弥补分割器官种类数目的缺失。本论文内容包括以下三方面: (1)断层医学影像中的多器官自动分割与快速人工交互修正。本章首先采用目前主流的神经网络实现头颈部计算断层图像中多器官分割,随后对分割结果的误差进行了分析,研发快速人机交互的方法来纠正自动分割的局部错误。本章提出了一种基于超像素的图割(Graph Cuts)方法实现对自动分割的实时人机交互修正。实验表明,用户交互后算法运行平均时间为0.65秒,修正分割结果的平均Dice指标提升了约10%。 (2)图像中不清晰器官的快速数字人图谱配准。针对自动分割算法难以分割图像中不清晰器官的问题,本章将解剖先验知识引入数字人的构建过程中,提出了GPU加速的多器官TPS-RPM(Thin Plate Spline-Robust Point Matching)配准算法,并将其应用于数字人图谱配准与医学图像的配准过程中,并对配准结果使用自由形状变形算法进行实时交互修正。实验表明,本方法在上万顶点数的模型上运行效率比传统TPS-RPM算法快52倍,进一步使用自由形状变形算法对配准结果进行修正,模型结果的平均Dice指标提升了约26%。 (3)形状保持的数字人图谱快速配准算法。针对数字人图谱配准过程中经常出现的器官扭曲变形问题,本章提出了基于Biharmonic Coordinates和ARAP(As Rigid As Possible)约束的数字人图谱形状保持配准方法。本方法预先将数字人图谱转化为四面体网格结构,计算并缓存四面体网格的每个顶点受各个变形控制点的影响权重,通过保持网格顶点之间的相对位置坐标关系实现形状保持的快速数字人变形配准。实验表明,本算法只需一次常量时间的线性变换即可得到配准的结果,算法在姿态不同的全身数字人的配准上比TPS-RPM能更好的保持形状,有效避免了器官形状扭曲变形的问题。 本研究可快速从断层医学影像中构建个性化数字人模型,并有效地保证了配准器官形状的合理性,为人体数字孪生建模过程中的解剖模型构建提供了算法支持。