教学课程资源库 更多>>

摘要： 《医学影像学杂志》由中华人民共和国科学技术部、中华人民共和国新闻出版总署批准，山东省医学影像学研究所、山东省医学影像学研究会共同主办的国内外公开发行的全国性学术期刊，国内统一连续出版物号：CN37-1426/R,国际标准连续出版物号：ISSN1006-9011，月刊。本刊设有以下栏目：专家述评、论著、实验研究、研究生园地、综述、短篇论著、短篇报告、QA、QC、临床教学、病例讨论、国内外学术动态等。1投稿要求1.1文稿：文章应具有先进性、科学性和实用性，选题新颖，文辞通顺，重点突出，论点明确，数据可靠，无剽窃及抄袭之处。论著、实验研究、研究生园地文章一般不超过5000字，短篇论著应在3500字以内，短篇报告1000字。1.2文题：应简明扼要，能准确反映文稿的主题，不使用非公知公认的缩略语，中文文题一般以20个汉字以内为宜。

关键词： 医学影像报告   内容准确性   质量控制   深度学习  

摘要： 目的：随着医疗技术的快速发展，医学影像报告（MedicalImagingReports，MIR）作为临床诊疗中的关键信息载体，其质量直接关乎诊疗方案的准确性。然而，传统的医学MIRQC手段主要依赖于医师的人工审查，难以适应数据量的快速增长，同时易受主观因素影响，导致质量控制（QualityControl，QC）的有效性和稳定性受到严重挑战。为了提升医学MIR的准确性，本研究旨在结合深度学习（DeepLearning，DL）技术，构建智能化的QC体系。通过运用DL算法对胸部X线（ChestX-rayRadiography，CXR）报告中的拼写错误和内容错误进行自动化检测，以实现医学MIR质量的全面提升。　　材料和方法：第一部分：依托于安徽省影像云平台，回顾性地收集自2015年10月至2022年3月期间拍摄的共计357,780份CXR。首先，对于报告文本内容进行了预处理，包括删除多余字符、英文统一小写，句子切分，统一编码等。接着，根据既定的拼写错误类型，进行了音近字、形近字、多字、少字、重复字和词语错误等错误伪样本的数据增广。此外，邀请了具有放射工作经验的医师对测试集中的真实报告进行手工错误样本标注，以构建拼写错误数据的真实金标准数据集。文本分类模型构建采用RoBERTa模型作模型框架优化了模型的掩码策略，特别增加了医学词汇的权重。同时，在训练过程中，引入了动态增广方法，通过随机生成新的训练样本来丰富数据集。为验证模型的有效性，我们还创建了一个基于BERT的分类模型与本研究模型Radioclass-RoBERTa进行对比实验。最后，通过比较不同模型在测试数据集和金标准数据集上的精确率、召回率和F1分数等指标，全面评估了模型在CXR报告拼写错误检测任务中的性能表现。　　第二部分：本研究的数据来源与第一部分相同，同时还额外收集了357,780幅CXR图像。在数据集构建阶段，首先按照解剖结构、影像特征和细节特征构建了三层标签数据。旨在全面地描述CXR上常见的疾病影像表现。建了一个医学影像标注平台，该平台集成了数据获取、分配、标注及存储等功能，以支持图像标注任务。图像数据的标注工作由具有丰富临床经验的30名影像科医生共同完成。基于标签层级结构，本研究设计了一种多标签分类模型。该模型基于TResNet模型，通过TResNet网络卷积提取图像的特征信息，形成图像金字塔特征结构。随后，对每个特征图进行1×1的卷积操作以降低通道数，并通过双线性插值方法对这些特征图进行上采样，处理后的特征图被送入不同层级的分类器中，以实现对解剖结构、影像特征和细节特征的多层次分类。评估模型性能使用受试者工作特征曲线下面积（Areaunderthereceiveroperatingcharacteristiccurve,AUC）和准确率（Accuracy）作为评价指标。　　结果：第一部分：在测试数据集上，RoBERTa模型在“错误”标签上展现出了最高的精确率，达到了0.89，而BERT模型则在召回率方面表现最佳，为0.99。对于“正确”标签，RoBERTa和Radioclass-Roberta模型在精确率和召回率上均表现相近，并且均超过了BERT模型。此外，在金标准数据集上，三种模型在“错误”标签上的精确率和召回率均达到了1.00。其中，本研究提出的Radioclass-Roberta模型取得了最佳的F1分数，为0.90。　　第二部分：本研究构建的多标签分类模型对于不同影像特征的分类结果平均AUC值为0.85。具体而言，在各标签中，“胸廓-漏斗状”的结果最高为0.958，而“胸膜及胸腔-胸膜增厚”的结果相对较低为0.739。模型的平均准确率达到了0.997，其中“气管及纵隔-气体”的准确率最高为0.998，而“心影-增大”的准确率较低为0.919。　　结论：综上所述，在CXR报告的拼写错误和内容错误检测任务中，本研究构建了有效的DL模型，通过文本分类模型能够准确地检测出报告中的拼写错误，从而实现对报告拼写准确性的QC。此外，在MIR内容错误检测方面，图像分类模型能够准确分类CXR的多种影像特征，实现对报告内容的准确性QC。为医学MIR的QC提供了新的技术工具。

摘要： 《医学影像学杂志》由中华人民共和国科学技术部、中华人民共和国新闻出版总署批准，山东省医学影像学研究所、山东省医学影像学研究会共同主办的国内外公开发行的全国性学术期刊，国内统一连续出版物号：CN37-1426/R,国际标准连续出版物号：ISSN1006-9011，月刊。本刊设有以下栏目：专家述评、论著、实验研究、研究生园地、综述、短篇论著、短篇报告、QA、QC、临床教学、病例讨论、国内外学术动态等。

摘要： 《中国医学影像技术》杂志于1985年创刊,是由中国科学院主管,中国科学院声学研究所主办的国家级学术期刊。主编为洪楠教授和李建初教授。刊号:ISSN1003-3289,CN11-1881/R。为百种中国杰出学术期刊(2011、2012年)、中国精品科技期刊、CAJ-CD规范获奖期刊、中国科技核心期刊、中国科学引文数据库核心期刊、《中文核心期刊要目总览》收录期刊、荷兰《医学文摘》收录源期刊、WHO《西太平洋地区医学索引》(WPRIM)来源期刊、《日本科学技术振兴机构中国文献数据库》(JSTChina)收录期刊。

摘要： 贵州省人民医院医学影像科成立于1956年，至今已发展成集医、教、研于一体的大型现代化影像科室，是省级重点学科、省级临床重点专科、贵州省智能医学影像分析与精准诊断重点实验室、贵州省国际科技合作基地。近5年来，先后荣获医院授予的“青年文明号”“优秀服务集体”“优秀学科”，省直机关授予的“文明科室”，贵州省委省政府授予的“贵州省抗击新冠肺炎疫情优秀服务集体”，国家卫健委授予的“优质服务岗”等荣誉。

关键词： 颈椎CT分割   髋关节X光分割   注意力机制   轻量化   医学影像分割系统  

摘要： 在医生审阅医学影像的过程中,准确的图像分割可以帮助医生提高审阅效率。在人工智能的推动下,辅助诊断医疗利用基于深度学习的图像分割技术实现对医学影像的分割。但是,由于骨骼结构的复杂性以及图像在采集过程中受到噪声、伪影等的影响,都会造成分割的困难。本文针对骨科中的二维X光和三维CT医学影像展开研究,以颈椎椎骨CT分割和髋关节X光分割为例,给出如下基本思路。首先分析医学影像及数据集的相关特点;然后对数据进行预处理,选择合适的网络结构进行分割,并针对传统网络分割遇到的问题进行分析,对网络做出改进;最后设计并实现医学骨科影像分割系统。 本文的工作主要分为以下几点: (1)提出了一种改进轻量化网络UNeXt的髋关节分割网络。根据髋关节X光影像以及对现有的分割进行分析,传统的分割网络可以对髋关节实现较高精度的分割,但是仍然存在推理时间长,模型复杂度高的问题。因此选择轻量化网络UNe Xt进行分割,为了保证轻量化的同时提高分割精度,在UNe Xt网络的基础上添加注意力门控模块(Attention Gate,AG),改进标记化的多层感知器(Tokenized MLP,Tok＿MLP)实现分割。最终在髋关节的分割指标IOU为0.956,精确率(Precision)为0.960,召回率(Recall)为0.958的同时,计算复杂度(Giga Floating-point Operations Per Second,GFLOPs)为0.65,参数量(Params)仅为1.67M。 (2)提出了一种融合注意力机制与3DUNet网络的颈椎分割网络。根据颈椎椎骨的CT影像特点,UNe Xt网络无法实现对颈椎CT影像的高精度分割。因此,在3DUNet网络的基础上添加空间与通道注意力机制模块(Convolutional Block Attention Module,CBAM)实现特征自适应提取,提高对颈椎各椎骨之间边缘分割的精度。同时,利用金字塔池化模块(Pyramid Pooling Module,PPM)通过不同尺度的池化操作来获取全局信息,在整体上提高分割精度。最终的分割指标Dice为0.907,精确率(Precision)为0.915,召回率(Recall)为0.913,平均表面距离(ASD)为4.37mm。 (3)设计并实现了一个基于Flask框架的骨科医学影像分割系统,该系统通过加载预训练的分割模型实现对髋关节X光影像和颈椎CT影像的快速分割,并将结果通过前端页面进行展示。

关键词： 人体多器官分割   多层感知机   交叉注意力   自适应体素级嵌入   粗到细分割  

摘要： 人体多器官自动分割旨在精准地标注出医学图像中指定的目标组织或器官,在放射治疗的剂量计划制定和术前规划与导航中起着至关重要的作用。计算机断层扫描(CT)和核磁共振成像(MRI)两种影像模态在解剖结构覆盖和数据量方面占据主导地位,对这两种模态进行精准地分割具备更广泛的临床应用价值。目前基于深度学习的分割算法面临的主要挑战包括图像的不平衡性和低对比度,这两个问题严重影响了小器官的分割精度和器官边界的准确划分。 为此,本论文首先探索了基于改进多层感知机(MLP)架构的单阶段二维切片分割方法。针对CT和MRI图像中的极端不平衡性问题,改进了全连接算子,并在此基础上提出了一种全新的基于类多层感知机的二维切片分割算法,受可变形卷积的启发,引入了可学习的偏移量来动态调整全连接层的采样点位置,有效抑制大量背景信息对分割结果造成的干扰。在CT模态的Synapse腹部多器官分割数据集和MRI模态的ACDC心脏分割数据集上的分别达到了80.00%和89.95%的平均Dice相似系数(DSC),有效提升了类MLP方法在此类任务上的性能,在细节保留和边界划分方面表现优异。 考虑到二维切片分割算法往往会丢失空间体素信息从而导致模型难以表示复杂的三维结构。本论文进一步提出了一种创新的两阶段三维体积分割框架。该框架通过粗分割网络进行精确的器官定位后,利用精分割网络进行细化处理。此外,为减缓图像低对比度带来的影响,本文提出了一种基于交叉注意力的稀疏金字塔注意力模块并引入到精分割网络的瓶颈处,来逐步建立起粗分割网络编码器输出的多尺度特征图和精分割网络前向传递的特征图之间的关系,以强化各尺度器官的局部特征。最后,考虑到CT影像的稀疏性,本文提出了一种自适应体素级嵌入层,提取更多目标器官处的体素级特征。在FLARE22和Amos22数据集上的测试结果显示,本方法在多器官分割任务上达到了81.33%和89.44%的平均Dice相似系数(DSC),超越目前最先进的两阶段分割方法,并且在处理小器官和维持表面质量方面表现出了一定的优势。 综上所述,本论文针对人体多器官分割任务中面临的低对比度和不平衡性两个关键问题,提出了两种不同架构、不同维度的分割算法来提升小目标器官的分割精度和器官表面边界的准确度。为未来医学影像的自动化处理和智能诊断提供了理论和数据支撑。

关键词： 条件扩散模型   三维CT医学影像   不确定性感知   半监督学习   图像分割  

摘要： 三维CT医学影像相比二维影像能够更全面地展现人体解剖结构的空间关系。尤其是在肺部疾病诊断、肿瘤定位等方面,计算机辅助的三维CT医学影像分割有助于医生更全面、准确地评估病变。近年来,尽管基于深度学习的三维CT医学影像分割方法已经取得了巨大进展,但是仍存在以下问题限制着其进一步发展:(1)由于患者隐私问题以及疾病的特点,存在数据稀缺以及类别不平衡的问题。(2)三维CT医学影像存在标注成本高、难度大、耗时长等问题。(3)大部分现有的三维分割网络由于局部与全局上下文信息捕获不足而影响分割精度。针对以上问题,本文提出了一种面向数据稀缺的三维CT医学影像生成与分割方法。本文的主要创新点和贡献如下: 第一,为了解决数据稀缺与样本不均衡的问题,针对传统生成模型生成效率低、条件控制不精细的不足,微调了一种潜在空间条件扩散模型MAISI-L生成肺部肿瘤CT影像,通过潜在表示编解码器将高维三维CT医学影像转化为低维潜在表示以降低计算复杂度,在扩散过程中引入肺部解剖结构先验知识作为条件约束,保证了生成图像的解剖学一致性,构建了一个新的肺部肿瘤CT合成数据集。实验结果表明,本文方法所生成的影像与真实影像在特征空间中的分布差异较小,验证了该方法生成三维CT医学影像的优势。 第二,为了解决标注稀缺的问题,针对传统半监督方法无法平衡各种方法的优势有效挖掘未标注数据的不足,构建了一个结合不确定性感知机制的均值教师半监督分割模型UMT-LT,充分利用未标注合成数据与少量带标注真实数据的特征,计算每个体素在添加随机扰动下的预测不确定性,筛选出可信度高的预测区域作为伪标签,通过动态评估伪标签的可靠性来指导模型训练,最终得到可靠伪标签。通过与传统全监督方法及半监督方法的对比实验验证了该方法在数据稀缺场景下获得标签的有效性。 第三,为了解决数据稀缺问题下模型训练的问题,针对传统3D分割方法无法很好融合全局与局部信息的不足,从模型结构和数据两个角度进行研究,通过引入空间注意力机制与多尺度特征融合模块改进3D U-Net架构,提出3D SAMF-Net,对比传统方法有效提升了模型分割的精确度,同时验证了使用合成数据训练模型对模型分割效果的提升,实现了生成图像与真实图像的统一分割。 综上所述,本研究通过生成、半监督学习与分割模型的集成,提出了一个完整的生成式学习联合分割框架,实现了从数据生成、半监督学习到精准分割的全流程集成,为解决三维CT医学影像分割中的数据与标签稀缺问题提供了新的思路,为分割模型训练提供了高质量合成数据,在具体的肺部肿瘤分割任务中提升了分割准确率,所提出的方法具有重要的理论价值和实际应用前景。

关键词： 医学图像分割   半监督聚类   模糊聚类   隶属度融合机制  

摘要： 本文深入研究了隶属度融合机制驱动的半监督模糊聚类模型,并将其应用于医学影像分析,特别是在脑梗死扩散加权成像(DWI)图像病灶分割方面。随着医学影像数据量的迅速增长,如何有效、准确地分析这些数据成为了一个挑战。虽然传统的模糊聚类算法在处理具有模糊性质的数据集时表现出色,但在面对大量未标记数据时效果不佳。本文首先回顾了模糊集合理论的基本概念和模糊聚类算法以及半监督模糊聚类算法。 通过对半监督模糊C均值聚类算法的研究,本研究发现其存在当标记样本的隶属度接近已知隶属度时,标记数据对聚类中心的影响被削弱导致分割性能极大下降的问题。针对这一问题,本文提出了基于隶属度融合机制的半监督模糊聚类算法(MFMSFCM)。这是一种结合少量标记数据监督信息和大量未标记数据的半监督模糊聚类算法,通过隶属度融合机制优化聚类性能,提高了聚类分割的稳定性。 而针对聚类算法在图像处理时出现的类别不平衡问题,本文在上述算法的基础上引入了类间平衡因子,提出了一种基于类间平衡因子的隶属度融合半监督模糊聚类算法(ICBF-MFSFCM),极大地提高了聚类结果的准确性和稳定性。 通过一系列实验验证,本研究所提算法能够有效利用有限的标记数据来指导聚类过程,其中第二种算法能够有效地应对类别不平衡问题。在医学影像病灶分割任务上,特别是在脑梗死DWI图像病灶分割中,本文提出算法与传统方法相比均展现出了更优异的性能,有着更高的准确性和鲁棒性。 基于这些算法,本文还设计并实现了一个专门用于脑梗死DWI图像病灶分割的系统。系统集成了数据管理、图像处理、用户交互等功能,提高了病灶分割的准确度和效率,降低了分割工作的难度并减少了使用者的工作量。 此外,本文还讨论了模型的局限性和未来研究的方向,包括进一步优化算法以降低对超参数的敏感性,以及探索更高效的超参数优化方法来减少计算成本。