教学课程资源库 更多>>

关键词： 医学影像技术   高等医学院校   兼职班主任  

摘要： 人工智能掀起了新一轮的科技革命，教育部为此提出了“六卓越一拔尖”计划 2.0，重点强调“四新”即新工科、新 医科、新文科、新农科建设，是进一步提高高校人才培养质量和服务经济社会发展能力的一次战略行动。高等教育 为国家和社会培养着高水平专业化人才，在新医科背景下顺应时代的发展，南京医科大学于2017年开办医学影像技 术专业，为社会培养具有创新、科技的综合型医学影像技术人才。兼职班主任是医学高等院校教师队伍的重要组成 部分，笔者从自身实践的角度出发，浅谈影像技师担任医学影像技术专业兼职班主任的工作心得，分析其优势和不 足并提出改进意见，阐明做好兼职班主任工作对学生的学习、生活、实习工作的指导性意义。

关键词： 医学影像   应用价值   发展趋势  

摘要： 目的:针对医学影像技术当中数字X射线成像(DR)运用于临床中的价值和发展趋势进行分析.方法:选取2019年1月至2021年12月在本院拍摄的80张DR影片作为此次研究对象,基于影像特点以及影像质量,探讨DR技术运用于临床当中的价值、优势、趋势.结果:针对80张影像进行分析,甲级影像片为76张,乙级为3张,废片为1张,占比分别为95.00％、3.75％、1.25％,废片出现的原因在于患者未能进行有效配合,不能达到相关要求.DR成像技术在实际应用过程中,骨关节拍片数量为29张,占比为36.25％,准确率为96

关键词： 虚拟仿真   实验室   实践技能  

摘要： 通过医学影像技术虚拟仿真实验室，探讨虚拟仿真技术在医学影像学教学中的应用，解决过去“围观式”临床见习 教学中存在的“进不去、看不见、动不了、难再现”的难题，让学生在虚拟现实场景中，利用专业虚拟软件、仿真 大型医学影像设备等，开展虚拟仿真的设备分解、安装、应用、操作等，实现“教、学、练”一体化。在实践中， 通过不断优化虚拟仿真实验教学的教学方法、实施过程、实施方案、实施策略、实施过程以及考核方案，形成了基 于虚拟仿真技术的医学影像技术学科教学体系，达到了将理论学习与实践技能培养相结合的新型教学模式，有利地 促进了学生职业素养的形成，符合医学应用型高素质人才的培养目标。

关键词： 雨课堂   医学影像物理学   混合式教学   考核评价   教学效果   局限性  

摘要： 雨课堂是一种新型的辅助教学工具,而混合式教学是将传统教学与网络教学的优势相结合、线上与线下相结合的一种新型教学模式。文章分析了高等医学院校中“医学影像物理学”这门课程的教学现状,并针对该课程的特点,开展了基于雨课堂平台的混合式教学,分别从课前、课中、课后及考核评价等方面进行详细介绍,并以核医学物理这一章为例,阐述具体的混合式教学实施方案。实践表明,这种新型的混合式教学弥补了传统课堂教学中的不足,激发了学生学习的兴趣和积极性,提升了教学效果。同时,新的考核评价方法也为评价学生能力提供了可执行的标准。此外,文章还探讨了基于雨课堂平台的混合式教学也存在一定局限性,后期需要在教学设计和技术整合方面进一步改进与完善。

关键词： 轻量级卷积神经网络   联合注意力   对比学习   多尺度信息  

摘要： 近年来,深度学习技术在医学图像分割领域的应用逐渐成为研究热点。然而,受数据采集成本、医师临床经验水平和标注习惯差异等因素影响,获取高质量的带标签的医学图像数据难度较大。深度学习对大规模数据集的需求与医学图像处理领域数据稀缺、获取难度大的难题形成了一定的矛盾。因此,研究在数据量较少时如何提高医学图像分割模型的性能变得十分重要,针对这部分小规模数据集的医学图像分割模型的研究目前亟需展开(这里认定小规模数据集的样本数量小于1000)。由于医学图像本身分辨率高、训练数据少等原因,现有的深度网络训练小规模的医学图像数据集往往会出现过拟合问题,不能较好地完成分割任务。因此,本文拟从不同模态的小规模数据集的分割问题入手,从监督学习和无监督学习两个角度,结合前沿深度学习框架,提出了以轻量级卷积神经网络为基础的新型分割框架以及一个适用于下游医学图像分割任务的对比学习预训练模型。本文的主要研究内容如下: (1)提出了一种基于联合通道-空间注意力的轻量级语义分割网络UAL-Net(Union Attention Light Network),用于针对小规模医学图像数据集的精准分割问题。该模型选取轻量级网络Mobile Net V2为骨干网,在其基础上添加了联合注意力模块,将混合通道注意力机制和空间注意力机制在两个分支上并联接入模型中,实现在多维度上更有效地捕获全局依赖关系和局部上下文信息,同时引入的空洞空间卷积池化金字塔(Atrous Spatial Pyramid Pooling,ASPP)模块利用不同膨胀率的空洞卷积融合全局多尺度特征,更好地提升模型的分割精度。为了解决轻量级网络在训练过程中出现收敛不稳定现象的问题,设计了一种复合损失函数,包括二元交叉熵损失函数、Dice损失函数以及双余弦对数损失函数三部分,以提升模型的稳定收敛能力。本文在六种不同模态的小规模医学图像数据集上验证了该方法的可行性,相对于经典医学图像分割网络如U-Net、U-Net++、Attention U-Net以及Deep Labv3+等,在模型参数量、运行速度以及分割性能等指标中表现最佳。 (2)提出了一种适用于下游医学图像分割任务的对比学习预训练模型。该模型以Sim CLR为基础框架,在特征提取模块中引入多尺度处理方式,将骨干网络的倒残差结构替换成不同尺度的卷积模块,让模型在高维向量空间中学习到数据的映射关系。损失函数采用一种基于可调节温度的归一化交叉熵损失,该损失能够充分学习到样本之间的非线性关系,提高模型的泛化能力。为了使模型充分挖掘医学图像的特征信息,本文提出了二阶段对比学习预训练方法,分别使用公开的自然图像数据集和本文构建的混合医学图像数据集进行二阶段的对比学习预训练,以期进一步提升模型学习医学图像特征的能力。实验验证了加载该预训练权重模型之后的UAL-Net在原有基础上获得了进一步的性能提升。

关键词： 医学影像分割   U-Net   注意力机制   Transformer   多模态  

摘要： 医学影像分割是计算机视觉和智慧医疗领域重要的研究方向,也是计算机辅助诊断的关键步骤。以U-Net网络及其变种为代表的深度学习网络已成为医学影像分割的主流方法,并取得了优秀的定量指标。然而,由于医学影像具有个体异质性强、细节特征提取难、病灶分布不均匀、类别不平衡等特征,使得多模态影像分割仍颇具挑战。与此同时,注意力机制以其能快速关注感兴趣区域和全局建模的特点,在诸多机器视觉任务中取得了显著的高性能。本文以注意力机制为主要方法,结合卷积神经网络U-Net和Transformer等架构,针对多模态脑肿瘤影像分割,提出了三种医学影像分割算法。本文在公共数据集上完成了算法的性能测试实验,证明了本文提出的方法能较好提高脑肿瘤分割的准确率,并具有轻量化的特性。本文主要研究内容如下: (1)提出基于TransBTS与注意力的多模态脑肿瘤分割算法NAM-TransBTS。NAM-TransBTS是在TransBTS网络的基础上引入通道注意力和组归一化,通道注意力模块可有效地抑制不显著的特征,使模型快速聚焦于感兴趣区域,即三类病灶区。组归一化可以在一定程度上削弱个体异质性带来的模型不收敛,提升模型的泛化能力,本文在Bra TS2020数据集上对NAM-TransBTS进行了训练和性能测试。结果表明,NAM-TransBTS对肿瘤增强区域、全肿瘤区域和肿瘤核心区域三类分割的Dice系数分别为0.715、0.891和0.803,Hausdorff95距离分别为39.456、6.362和9.657。其中,全肿瘤区域的Dice系数优于Bra TS2020竞赛的前三名,分割可视化结果显示,NAM-TransBTS能有效地解决脑肿瘤子区域之间边缘模糊和特征相似的问题,实现多模态脑肿瘤影像的自动分割。 (2)提出基于VTU-net与注意力的多模态脑肿瘤分割算法NAM-VTU-Net。NAM-VTU-Net是在VTU-Net网络中引入残差注意力卷积和Soft Margin Loss。残差注意力卷积可以进一步提取脑肿瘤病灶的局部特征,并减少冗余数据。Soft Margin Loss能更好地处理脑肿瘤各分割子区域类别不平衡的情况。本文在Bra TS2020数据集上对NAM-VTU-Net进行了训练和性能测试。结果表明,NAM-VTU-Net对肿瘤增强区域、全肿瘤区域和肿瘤核心区域三类分割的Dice系数分别为0.823、0.915和0.884,Hausdorff95距离分别为16.091、4.051和3.854。分割可视化结果显示,NAM-VTU-Net可以在一定程度上解决脑肿瘤边界轮廓不清晰、输入图像存在伪影等问题,提升肿瘤核心区域的分割精度。 (3)提出基于VTU-Net与深度可分离卷积的分割算法DS-VTU-Net。DS-VTU-Net是在VTU-Net网络的基础上引入了深度可分离卷积残差模块,使其在保证脑肿瘤病灶分割准确率高的同时大大减小了模型的参数量和复杂度,从而实现模型轻量化。本文在Bra TS2020数据集上对DS-VTU-Net进行了性能测试。结果表明,DS-VTU-Net对肿瘤增强区域、全肿瘤区域和肿瘤核心区域三类分割的Dice系数分别为0.827、0.919和0.892,Hausdorff95距离分别为12.911、3.964和3.690。尤其重要的是,DS-VTU-Net数量仅为12.3M,比NAM-VTU-Net的参数量降低了65.1%。分割可视化结果显示,DS-VTU-Net对全肿瘤的水肿区域分割有明显优势。因此,DS-VTU-Net是一种快速、精准的多模态脑肿瘤轻量化分割模型,适合于临床的快速诊断。 综上所述,本文针对多模态脑肿瘤影像分割中模型泛化能力低、细节特征提取难、病灶分布不均匀、类别不平衡等问题,以注意力机制、U-Net和Transformer为基础,提出了三种基于深度卷积神经网络的多模态脑肿瘤影像分割算法NAM-TransBTS、NAM-VTU-Net和DS-VTU-Net。实验表明,本文提出的算法对肿瘤增强区域、全肿瘤区域和肿瘤核心区域能获得较好的Dice系数和Hausdorff95距离等指标,能明显提升主观可视化分割效果,并具备轻量化特性,实现了多模态脑肿瘤影像的快速、准确的自动分割。

关键词： 骨重建   胫骨近端   有限元   单髁置换术   全膝置换术  

摘要： 膝关节单髁置换术(Unicompartmental Knee Arthroplasty,UKA)和全膝置换术(Total Knee Arthroplasty,TKA)被认为是治疗膝关节炎有效的方法,但有一定的机率产生并发症从而导致手术失效。如何降低术后并发症的产生概率是目前研究需要解决的问题。本研究分别从实验和仿真两部分对膝关节置换术后的胫骨骨重建过程以及力学微环境进行分析,希望可以为降低术后并发症产生机率提供数据支持并为患者选择合适的手术方式提供参考,因此做了如下工作:利用Python脚本语言实现了Weinans提出的骨重建控制方程,利用ABAQUS的二次开发环境把基于应变能密度理论的骨自优化方程编写成了骨重建程序,用于不同模型假体植入后骨重建的数值模拟。利用实时高速六维动态追踪系统,测量出志愿者双腿站立工况下胫骨前倾角度为11°,外翻角度为9°,确定了后续对胫骨进行有限元仿真和实验研究时施加载荷方向。基于志愿者左下肢的CT图像建立了健康胫骨三维模型,对健康胫骨进行截骨建立术后胫骨三维模型。目前对于骨重建的研究大多是基于三维模型完成的,二维模型单元数量较少基于二维模型进行骨重建计算会大大提高工作效率,缩短计算时间,但二维模型载荷无法确定,故在各三维模型的基础上建立了二维模型,并通过三维有限元模型的载荷大小计算出了对二维模型进行有限元仿真时所需施加载荷的大小。选用Sawbones第四代人工复合骨进行实验。对其施加与三维健康胫骨有限元模型相同的载荷,通过数字图像技术测量其相应区域的应变数据,与有限元结果进行对比,发现胫骨内侧踝相差1.6%,外侧踝相差2.2%,两个区域的结果相差都很小,可说明本研究的有限元模型是可靠的。三维模型运行骨重建程序模拟骨重建进程,得到三维模型骨的应力分布和密度分布。结果表明,相较于健康胫骨,UKA外侧踝平均应力以及平均密度在初期基本不变,且呈先减小后增大的趋势,内侧踝平均密度及平均应力均减小37%。TKA外侧踝平均密度、平均应力以及内侧踝平均密度、平均应力分别减小9%、50%、30%、40%,假体末端平均密度、平均应力分别增大16%、21%。二维模型运行骨重建程序,得到二维模型骨的应力分布和密度分布。结果表明,相较于健康胫骨,UKA外侧踝平均应力基本不变,但呈增大趋势,平均密度增加2%,内侧踝平均密度、平均应力分别减小13%、11%。TKA外侧踝平均密度、平均应力以及内侧踝平均密度、平均应力分别减少1.5%、14%、1.4%、19%,假体末端平均密度、平均应力分别增加10%、15%。根据应力分布和密度分布结果可知UKA植入假体一侧和TKA假体两侧产生了明显的应力遮挡现象,可能是术后假体松动的主要原因。TKA假体末端应力增大,可能导致TKA的失效。UKA非置换侧平均应力随着骨重建的进行不断增大,可能就导致了UKA中远期对侧骨关节炎恶化。通过对比三维、二维模型结果,发现由于二维模型单元数量较少,利用二维模型计算时,计算速度明显更快,工作效率更高。利用三维模型得出的结果数据波动更大,这更有利于分析结果。且利用三维模型得出的结果应力变化幅度与密度变化幅度更接近,说明了在对胫骨进行有限元分析时建立三维模型更加合理。

关键词： 对比学习   自监督学习   数据增强   图像分类   图像重构   医学影像  

摘要： 自监督方法,特别是对比自监督方法,因其可训练无标签图像的特点引起了医学领域的广泛关注。医学影像,由于标签获取困难,将其与自监督相结合具有重要的现实意义。然而,对比方法直接用于医学影像分类可能存在模型学习能力不足的问题,这会导致精度不高以及模型针对下游数据集缺乏泛化性。因此,本文从两个方面来解决这些缺点。第一,提出了多方位随机擦除数据增强和对比重构自监督模型。第二,提出了多步自监督预训练策略。本文的主要研究内容如下:(1)针对对比自监督方法在直接应用于医学影像分类时,由于模型学习图像特征的能力不足导致精度不高的问题,本文提出两个方案。首先,本文引入了多方位随机擦除数据增强方法来优化Sim CLR对比模型,在原始随机擦除方法的基础上,缩小了擦除区域面积的同时增加了区域数量,使擦除区域遍布各个方位,避免由于擦除区域过大而遮挡医学影像中的病理。之后,本文又提出了融合编码器解码器的对比重构自监督模型(contrast and recontruction self-supervised model,CRSM),该模型在Sim CLR中引入了另一种自监督代理任务,即图像重构。根据对比模型的编码器构建了相对应的解码器网络,使得在图像进行对比学习的同时对图像进行重构操作,从而提高模型的分类精度。实验结果表明本文的模型有良好的性能,相较于基线网络,在几个目标数据集上的精度提升都超过3%。(2)为进一步提升CRSM在肺部疾病数据集上的分类准确性和泛化能力,本文提出了一种多步自监督预训练策略。首先,使用Che Xpert胸部疾病数据集(包含肺部疾病)对CRSM进行第一步预训练;然后,使用第一步预训练的模型参数初始化CRSM,并将其用于目标数据集(如Covid-19)的第二步预训练;最后将所得参数迁移到下游任务的线性分类器,对目标数据集进行分类。为了验证模型泛化性,本研究在实验中使用Che Xpert对模型进行预训练后,直接将其参数用于下游目标数据集分类任务,而不再对目标数据集进行预训练。实验证明经过Che Xpert数据集预训练后,模型可以用于其它肺部疾病数据集分类并有较高的精度,该策略也可以进一步提升CRSM在目标数据集上的分类精度,精度提升在1%以上。(3)本文利用上述构建的对比重构自监督模型作为后端技术支撑,设计了自监督医学影像智能分类系统。首先讨论分析了用户需求,构建了包括打开图像文件、图像展示和结果展示等前端功能,还有使用训练好的模型进行图像分类的后端功能。通过网络传输将前端展示界面和后端模型进行连接,从而实现了后端模型分类结果在前端进行展示。

关键词： 磁共振图像   脑肿瘤分割   卷积神经网络   注意力机制   轻量化  

摘要： 医学图像分割是计算机视觉领域的重要研究方向之一,它可以帮助医生更准确、及时地诊断疾病,提高患者的诊疗效果和生存率。脑肿瘤是一种常见的神经系统疾病,具有患病率高、诊断困难的特点,如何精准且快速地定位脑肿瘤的位置和类型,对诊疗过程中的方案制定和预后评估至关重要。近年来,随着深度学习技术的发展,基于卷积神经网络的多模态脑肿瘤分割已经成为研究的热点。然而,由于不同个体的脑肿瘤的形态、位置和大小存在较大的异质性,同时受限于网络的复杂度,使得现有脑肿瘤分割算法的精度和速度仍有待提升。本文提出了3种基于深度卷积神经网络和多模态磁共振影像(Magnetic Resonance Imaging,MRI)的脑肿瘤分割算法,并在公开数据集上进行了算法性能测试。本文主要研究内容如下:(1)提出基于金字塔切分注意力和2D U-Net的脑肿瘤分割算法PSA-UNet。PSA-UNet提出改进的金字塔切分注意力模块,将其与2D U-Net网络中的卷积块拼接,获取脑部图像的多尺度信息。采用实例归一化对数据进行处理,减少不同脑肿瘤患者数据之间的干扰,提高模型的稳定性。使用Focal损失和多类别Dice损失函数,降低脑肿瘤患者数据像素类别不平衡对分割结果的影响。本文使用Bra TS2020数据集对PSA-UNet算法进行训练和测试,主要通过性能指标的分数和可视化的结果来对算法进行评估。结果表明,PSA-UNet在全肿瘤和核心区的Dice系数分别为0.901和0.804,核心区的Hausdorff95距离为10.518,并且在脑肿瘤形态各异和病灶像素占比较小的情况下也能较好地将其分割出来。由此可见,本文提出的PSA-UNet算法对脑肿瘤分割的性能具有一定的优势。(2)提出基于混合注意力和3D UNet的脑肿瘤分割算法3D-CAS-UNet。3D-CAS-UNet在3D U-Net网络中的跳跃连接处分别引入改进的3D Self Attention和3D Coordinate Attention模块,构建3D-SA-UNet和3D-CA-UNet子网络,能够更精准地提取肿瘤轮廓和细节信息。其次,3D-CAS-UNet使用残差模块和组归一化,可提高模型的稳定性和降低不同样本分布之间的偏差,并有效地保留原有的特征信息。使用Bra TS2020数据集和Bra TS2018数据集对提出的3D-CASUNet算法进行训练和测试。结果表明,在Bra TS2020和Bra TS2018中,3D-SAUNet和3D-CA-UNet的全肿瘤的Dice系数分别为0.900和0.898,0.899和0.903。两种模型在脑肿瘤区域不连通和小病灶较多的情况下,依然具有较好的分割效果。由此可见,本章提出的算法在分割脑部全肿瘤方面具有明显的优势,并且模型具备一定的泛化能力。(3)提出基于空洞空间金字塔和3D-CA-UNet的轻量化脑肿瘤分割算法DAS-CA-UNet。首先,在网络的最底层引入不同空洞率的空间金字塔池化模块,以提取脑肿瘤图像不同尺度下的特征信息。其次,将网络所有的残差模块中的标准卷积用3D深度可分离卷积代替,在减少模型参数的同时加快对图片的推理速度。最后,使用Bra TS2020数据集对提出的DAS-CA-UNet算法进行实验。实验表明,空洞空间金字塔池化以及3D深度可分离卷积可以在保证模型精度的同时达到轻量化性能。结果表明,DAS-CA-UNet在全肿瘤和增强区的Dice系数分别为0.896和0.727,核心区的Hausdorff95距离为6.538。尤其在脑肿瘤增强区边界模糊和形状大小不规则的情况时,DAS-CA-UNet仍然能够实现良好的分割效果。由此可见,本章提出的DAS-CA-UNet算法在达到轻量化的同时保持了较好的脑肿瘤分割性能。综上所述,本文基于深度卷积神经网络和多模态MRI提出了3种脑肿瘤分割算法PSA-UNet、3D-CAS-UNet和DAS-CA-UNet,并在Bra TS2018和Bra TS2020数据集上进行了算法性能测试。实验证明了本文提出的算法具有良好的脑肿瘤分割效果和轻量化优势,并在一定程度上能解决小病灶多、区域非连通、边界模糊、形状不规则等典型的分割问题。因此,本文提出的算法在机器学习理论和临床医学方面具有良好的研究意义和应用价值。

关键词： 医学影像处理   深度学习   表征学习   对比学习   注意力机制  

摘要： 肺部包含丰富的气道与血管组织,对气道进行分割与可视化是分析包括哮喘、支气管扩张和肺气肿在内的肺部疾病的关键步骤,并且在针对肺部的手术中,避免手术器械触及肺气道也是保证手术成功的重要因素。基于计算机断层扫描(CT)对肺部气道组织的精确分割可以定量测量气道尺寸和壁厚,揭示患者的肺部异常情况,其广泛的应用于肺部疾病的诊断和治疗过程。然而,由于肺气道结构复杂,单个样本实例的数据量庞大,人工标注耗时、容易出错,并且高度依赖临床医生的专业知识。自动化的气道分割可以减少人工操作,加快肺部结构的重建,无论是对医学诊断与手术操作,还是对正在发展的自动化手术操作都有重大的指导意义。 本课题从表征学习的角度给出了相应的机器学习解决方案,并基于计算理论给出了对学习算法结果的后处理方法,具体研究内容包括以下部分: (1)基于表征对比学习理论,通过使用对比学习度量在表征空间约束正负样本产生更好的分布,即形成更好聚类状特征空间,来增强神经网络的性能,泛化性与可解释性。在加入表征对比学习后,肺气道分割算法的泛化性与准确性有较好的提高。 (2)基于表征注意力的学习理论,一方面通过数据集级的软感知注意力提高神经网络模型对肺气道有效特征的提取能力,另一方面通过数据实例级的自注意力增强神经网络模型对连通性的处理能力,并提出应对肺气道可计算性问题的相应的改进方案。 (3)基于开源数据集,对其进行广泛的统计分析,给出合理的数据处理方法,并对提出的算法开展广泛的消融实验与性能实验,通过客观指标以验证模型各个模块的有效性以及整体性能的优越性;并将提出的方法与近年来针对肺气道影像分割任务的工作做出客观的参考比较,以验证提出的方法的性能。 最终整合上述工作,形成计算迅速、效果良好的肺气道分割算法,可以应用于对CT数据的肺气道自动化分析以及肺部自动化手术视觉辅助。