教学课程资源库 更多>>

关键词： 医学影像分析   领域自适应   开放混合领域自适应   迁移学习  

摘要： 近年来,深度学习在医学影像分析领域已经得到了极为广泛的应用,并在分割、配准、分类等核心任务上取得了显著的成功。然而,临床应用中训练样本和测试样本之间的数据分布往往存在差异,这导致了基于数据驱动的深度学习模型在测试时的性能急剧下降。领域自适应作为迁移学习中的重要部分,旨在解决源域和目标域的数据分布不一致问题,其关键的思想是通过学习域不变的编码器,并将源域和目标域样本映射到一个共同的特征空间,从而提升模型在目标域上的泛化能力。针对不同的领域自适应场景,国内外研究者们提出了相应的问题设置,如无监督领域自适应、领域泛化、开放混合领域自适应等。在医学影像应用中,收集的医疗数据可能来源不同的医疗机构,不同的人群分布以及不同的成像方式等。这种混合且连续变化的数据采集方式,使得临床应用中难以将这些数据划分为独立的数据域,并采用传统的无监督领域自适应模型处理相应的医疗影像分析任务。开放混合领域自适应更符合环境条件不断变化的真实场景,要求模型不仅能够处理来自不同子域的数据,而且还能够适应新出现的数据分布样本。 然而,目前基于开放混合领域自适应的工作存在以下局限性:第一,需要对混合目标域进行K-Means聚类,人为指定聚类参数会给模型的性能带来较大的不确定性,而采用优化算法计算最优聚类参数的计算复杂度较高;第二,基于对抗训练的数据分布对齐模型训练较为困难且性能不稳定;第三,目前开放混合领域自适应的模型大多针对彩色自然图像设计,而医疗影像在纹理结构上与自然图像存在较大差异,这导致模型在灰度医疗影像上表现可能不佳。 本文借鉴数字信号处理中的先验知识,提出一种全新的Augmentation-TransferUpdate框架,该框架能够显著提升模型泛化性能,且无需对聚类划分与对抗训练。首先,利用基于Bézier Curve的数据增强模块对源域中的样本进行数据增强,使其数据分布尽可能的覆盖未知数据域;其次,采用基于Fourier Transform的自适应风格迁移模块再次缩小数据增强后样本与混合目标域样本之间的域偏移;最后,针对未知开放域设计基于Memory Bank的在线更新模块,在测试时对模型进行更新,进一步提升模型的分割精度。此外,本文在四个公开数据集上构建了跨模态和跨机构的开放混合领域自适应分割场景,并进行了全面对比的实验。结果表明了本文的模型在泛化性能上取得了显著的提升,且优于近期提出的其他代表性方法。

摘要： 《中华放射学杂志》2024年第4期发表了由中华医学会放射学分会、中国食品药品检定研究院制定的《胸部X线(正位)肺结节数据集构建与质量控制专家共识》(以下简称《共识》), 旨在为胸部X线(正位)肺结节数据的采集、标注以及质量控制提供指导意见, 促进胸部X线(正位)肺结节标准化标注数据集的建设, 为人工智能算法和产品的训练、调优和测试提供重要的依据, 从而推动医学影像人工智能技术的快速发展以及进一步实现临床应用。

关键词： 深度学习   计算机辅助诊断   医学影像   乳腺癌   心脏分割  

摘要： 医学影像技术因其对特定疾病诊断的独特优势,在各级医疗机构的普及率逐年上升,显著提升了医疗行业的诊断和治疗能力。然而,这一进步也带来了对专业影像诊断医师的巨大需求。由于专业影像医师的培养周期较长,当前的医疗体系难以迅速应对日益增长的需求,并且长时间的影像阅读不仅加重了医生的工作负担,而且容易引起疲劳,增加漏诊或误诊的风险。而在乡村等基层地区,由于医疗资源的不足,尤其是医学影像诊断服务的缺乏,导致乡村地区在提供高质量医学影像诊断服务方面面临着显著挑战。在此背景下,计算机辅助诊断技术,特别是结合深度学习的计算机辅助诊断系统,成为提高影像阅读效率和准确性的关键技术。为应对上述挑战,并推动医学影像领域的进一步发展,本文聚焦于深度学习技术在医学影像辅助诊断方法与应用的研究。通过结合医学专业知识与先进的计算机视觉、人工智能技术,旨在为提高医疗工作者的诊断效率与准确性,并为乡村等基层卫生服务的全面提升提供坚实支持。本文的主要研究内容及结果如下: (1)提出了基于结构感知三重路径神经网络的乳腺癌超声辅助诊断方法。为了克服在深度学习用于乳腺癌超声辅助诊断时面临训练样本数据集不足的问题,提高先验领域知识的利用率,研究了一种结构感知三重路径神经网络模型,该神经网络结合了病变特征的临床知识、三重路径神经网络以及结构相似性指数,用于乳腺癌超声图像的病变分类。在该方法中,使用距离变换耦合高斯滤波器将乳腺癌超声图像转换为面向病变特征的特征映射。特征映射不仅保留了原始的乳腺癌超声图像信息,还增强了病变的结构特征(形状、病变边界、起伏和角度等特征)。然后,使用特征映射作为结构感知三重路径神经网络的输入,结构感知三重路径神经网络通过集成两个基于堆叠卷积自编码器的无监督图像特征提取分支和一个面向诊断的有监督病变分类分支来执行多任务学习。该神经网络使堆叠卷积自编码器在病变分类任务的约束下独立地提取良性和恶性病变的图像特征,病变分类是通过利用堆叠卷积自编码器的编码器特征和卷积网络实现的。最后,通过重建误差和标签预测误差的加权投票对乳腺癌超声图像进行分类。 (2)提出了基于注意力机制的多分支心脏CT影像分割网络模型。为提高心脏CT影像的分割效率和准确性,本文提出了一种基于自注意力机制的多分支心脏CT影像分割网络模型。基于自注意力机制的多分支心脏CT影像分割网络模型采用了三分支网络结构设计,每个分支均使用基于自注意力机制的U型网络架构,强化模型对不同维度图像特征的提取能力,而该网络的三个分支分别融合空间注意力、通道注意力及像素注意力机制,以细致地捕获图像的空间、通道和像素级特征,从而全方位提升图像分割的精度与鲁棒性。最后,通过动态分割结果融合技术将所有分支的输出结果进行融合,通过动态调整各分支权重来提升最终分割结果的准确性和鲁棒性。 (3)设计并实现一个医学影像辅助诊断系统。将上述研究成果以及其它先进医学影像诊断方法模型工程化,并部署在医学影像辅助诊断系统中。除了算法诊断外,系统还包含患者管理功能,使医生能够进行患者信息登记、病史记录、诊断书编写、检查影像上传及查看深度学习模型提供的辅助诊断意见,以提升工作效率。对于系统的实现,本文结合软件工程的规范,进行了需求分析、系统设计、实现和测试,从而保证了系统的稳定性和可靠性。 综上,本文开发的医学影像辅助诊断方法在性能上相较于现有模型有一定提升,展示了其在医学影像辅助诊断领域有很大的应用潜力;通过构建的医学影像辅助诊断系统,实现了对患者信息的高效在线管理及影像辅助诊断功能,以帮助提高医生诊断患者病情的速度和准确性。系统具备广泛的应用潜力,为解决医疗服务难题,特别是乡村等基层医疗机构面临的难题提供了一种有效方案。

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： 《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。

关键词： 肝纤维化分级   肝脏局灶性病变分类   肝脏B超图像   多序列磁共振成像   深度神经网络   Transformer  

摘要： 肝脏是人体内以代谢功能为主的重要器官,肝脏健康与人们的生命质量息息相关。肝脏病变按照发病部位和发病机理的不同可以分为弥漫性病变和局灶性病变。弥漫性病变广泛分布于整个肝脏器官,通常没有清晰明确的边界。肝纤维化是弥漫性病变中最常见的疾病之一,其发展到晚期后可能会导致肝硬化,进而导致肝细胞癌。局灶性病变局限于肝脏特定区域,容易在医学影像上被识别和定位,病变种类包括良性和恶性。这些病变的临床表现和治疗策略差异极大,从无需治疗的良性病变到需积极干预的恶性肿瘤。随着医学成像技术的不断发展,通过计算机辅助技术从医学图像中确定晚期肝纤维化阶段和区分局灶性病变类型具有重要临床意义。 弥漫性病变大多是慢性疾病,肝纤维化作为一种典型的弥漫性病变,在临床上以随访和筛查为主。B超成像具有非侵入性、广泛可用性、操作简便性以及无辐射性等优点,适合用于随访和筛查。然而,由于肝纤维化不同阶段在B超图像中的视觉差异十分微弱,因此基于B超图像诊断患者是否发展至晚期肝纤维化十分困难。本文依据肝脏宏观形态和微观细节,提出全局-局部信息融合网络,从B超图像中自动诊断是否晚期肝纤维化。该网络设计了分割增强的全局混合特征提取模块构造肝脏的全局特征,设计了热图加权的局部特征提取模块构造肝脏的局部特征,最后利用自适应加权的方法融合全局-局部两种尺度的特征。实验结果表明,提出的方法能够有效融合肝脏不同尺度特征,在真实肝纤维化数据集中达到最先进的性能,具有临床意义。 肝脏局灶性病变种类繁多,临床上的首要任务是准确判断病变类型。多序列磁共振成像能够结合形态学成像和功能性成像,提供互补信息,进而有效地区分局灶性病变。然而,局灶性病变在不同序列磁共振成像中外观多变、边缘模糊、各影像阶段差异大,使得病变分类十分困难。本文根据不同的磁共振成像序列揭示不同的物理或生物特性,提出时序信息辅助多流Transformer同时对各种局灶性病变分类。该方法提出序列分治,将强相关序列耦合作为独立流并充分挖掘它们的互补特征。进一步,提出多序列交互模块,实现多流之间的跨序列交互。最后,集成一个时序信息辅助模块用于对肿瘤的增强模式进行特征提取。实验结果表明,提出的方法能够有效组织多序列磁共振数据并全面融合不同序列磁共振成像的特征,在真实肝脏局灶性病变数据集中达到最先进的性能,对临床辅助医生进行肝脏局灶性病变诊断具有重要意义。 综上所述,本研究在医学影像和人工智能技术的结合应用上取得了显著进展。本文根据不同模态医学影像在诊断不同肝脏病变时的优势,设计了相应的多模态医学影像分析算法。这些算法显著地提高了肝脏病变类型分类的准确性,为临床医生提供了强有力的决策支持工具。

摘要： 中国医学影像技术研究会第三十八次全国学术大会定于2024年7月26-28日在内蒙古鄂尔多斯市召开。这次大会的主题聚焦在“精准医疗,服务基层”,重点聚焦基层医疗常见疾病的临床和影像学,届时将邀请多位知名专家围绕主题就综合影像学特征、相关临床诊疗进展做专题学术报告;同时大会还将开展综合影像的病例讨论,并就医学影像学的新技术和新进展、热点课题的基础和临床研究等进行各种形式的学术交流。大会同期,中国医学影像技术研究会将召开理事会议、常务理事会议和会长扩大会。放射分会、超声分会、核医学分会等还将分别举办不同形式的学术活动。

关键词： 医学影像分割   联邦神经架构搜索   个性化联邦学习   数据异构   遗传算法  

摘要： 以U-Net为代表的卷积神经网络由于能够自动化地提取多尺度特征非常适合于医学影像分割任务。但由于隐私保护、医疗机构实际资源和数据分布的限制,单一医疗机构的有限数据往往无法支持模型的训练。联邦学习被引入医学领域在不暴露数据的原则下协作训练模型。然而,不仅机构之间数据的分布差异会严重影响协作训练的效果,而且隐私数据的传输限制又会极大地阻碍人工设计全局模型架构。一方面,联邦神经架构搜索被用于自动化地设计全局模型架构,但全局模型在联邦训练中仍然会受到数据异构的影响。另一方面,个性化联邦学习通过定制适合各局部数据分布的模型来缓解数据异构,但目前的个性化程度仍停留在较低的模型权重级别。同时,个性化联邦学习也需要在隐私保护下手工设计复杂的网络架构。 针对上述问题,本文提出了一种面向医学影像分割任务的个性化联邦神经架构搜索方法,先进行个性化联邦神经架构搜索,自动生成适合局部数据分布的个性化网络架构,再进行自适应的个性化联邦聚合,缓解数据异构对协作训练的影响。主要研究内容如下: (1)在个性化架构搜索部分,本文先采用基于残差菱形空洞卷积的超网和针对不同方向的空洞卷积核通道的搜索空间,保证候选架构具有自适应局部数据的能力。再针对个性化的搜索目标设计了基于增强精英保留策略遗传算法的分布搜索策略,在每个客户端上并行分布式独立搜索适应局部数据分布的个性化架构。此外还设计了基于个性化双向权重共享和多时段混合的个性化代理预测的个性化联邦双层性能评估方法,在加速架构个性化性能评估的同时有效维护性能预测的精度。 (2)在个性化联邦聚合部分,本文先提出了异构宽度的卷积通道聚合策略,实现了架构级别的有效联邦聚合。然后设计了一种局部聚合权重学习网络,生成一组聚合权重,使所有个性化局部模型在对应的局部数据下性能最优。最后设计了自适应个性化联邦聚合方法,结合异构宽度的卷积通道聚合策略和局部聚合权重学习网络,在架构级别自适应地聚合个性化局部模型,得到一组适应于局部数据分布的优质个性化模型。 在皮肤瘤分割和视网膜血管分割两个数据集上的实验上表明,本文设计的方法能够有效地缓解异构数据对模型性能造成的损伤,在保护隐私的同时自动地生成适合各客户端异构数据分布的优质个性化网络。

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。