教学课程资源库 更多>>

摘要： （以姓氏笔画为序）2023年，共有159位不同领域的专家参与本刊审稿工作，为稳步提升本刊学术质量做出了巨大贡献。《中国医学影像学杂志》编辑部向所有审稿专家致以诚挚的感谢！感谢各位专家科学严谨的治学态度、精深的专业水准和无私奉献的精神！

关键词： 多视角学习   自监督学习   D-S证据理论   医学影像分类  

摘要： 随着医学图像数字化的普及以及深度学习方法的发展与进步,将深度学习模型应用于医学影像诊断分析已经成为了热门的医学影像分析方法。然而现有应用于医学影像分析的深度学习模型大多都只在一个视角上对疾病进行分析,在监督学习的过程中没有充分挖掘多视角数据之间的信息。此外,医学图像相对于普通图像具有更加复杂的结构和特征,医学领域的标准和规范也非常严格,这使得医学影像标注十分困难。医学影像标注需要专业的医学知识和技能,但医生和医学图像标注人员的数量有限,从而限制了医学影像标注的效率和质量。鉴于上述的认识,充分利用多视角数据间的信息以及利用未标注的多视角数据在基于深度多视角学习的医学影像分析模型中十分重要。本文利用使用可信多视角学习方法和自监督多视角学习方法提出了基于证据重分布网络的可信分类模型以及多视角自监督分类模型。本文主要研究内容及创新点如下:(1)提出了基于证据重分布网络的可信分类模型。通过注意力机制和一致性-多样性损失函数,将原始的多视角数据重新分配到一系列“好而不同”的伪视角中。并且在分类阶段为了在这些伪视角中找到最可信的分类结果,本文进一步提出了基于D-S证据理论的可信视角评价方法,将类内和类间的数据分布使用平均信念融合算子数据化为证据指数,在集成阶段与各视角上的分类器结果加权得到可信的分类结果。(2)提出了多视角自监督分类模型。本文提出了一种多视角自监督分类模型,旨在最大限度地利用无标记多视角数据。该模型将多视角特征提取网络作为“查询”编码器和“键”编码器,利用注意力机制对多视角原始特征处理得到精细的降维表示,同时采取基于对比学习的信息熵损失来进行自监督优化,以获得更好的特征提取效果。在此过程中,为了缓解自监督学习中经常遇到的模型崩溃和负样本采样问题,本文还引入了一些有效的技术手段,包括字典队列和基于动量更新的“键”编码器方法。(3)本文将提出的方法应用于常见的多视角公开数据集、多视角公开医学影像数据集和医院实际扫描得到的多种亚型胰腺肿瘤数据集的分类任务中。实验结果表明,本文提出的模型可以在常见的公开多视角数据集和公开医学影像数据集上获得不差的分类结果,并且能够从大量无标记数据中生成一个较为可分的特征空间。

关键词： 卷积神经网络   自监督对比学习方法   注意力机制   新冠肺炎   医学影像辅助诊断  

摘要： 在新冠肺炎爆发期间,如何合理利用社会有限的医疗资源并提高效率是需要重点关注的问题。随着疫情不断发展,患者数量激增给医院带来超负荷工作压力,利用医学影像数据来辅助医生快速准确地对患者做出诊断决策具有重要意义。但在当前存在以下问题:一是标注数据不足会使有监督深度学习方法出现过拟合或拟合能力不足的问题。二是新冠肺炎与普通肺炎在医学影像上存在相似性特征,对模型准确识别新冠肺炎阳性患者带来挑战。论文具体研究成果如下:(1)对于大数据量条件下的新冠肺炎二分类任务,论文构建了基于卷积神经网络的新冠肺炎辅助诊断模型,分别使用VGG、Inception和ResNet进行训练。以56554张肺部医学影像作为实验数据集,结果表明,海量数据能够训练出准确性能较高的模型,其中ResNet50模型效果最佳,达到准确率96.5%、AUC值0.964。(2)对于小数据量条件下的新冠肺炎二分类任务,论文提出了基于自监督对比学习的新冠肺炎辅助诊断模型。通过对比不同的图像增强策略、编码器结构及迁移学习方法得到最优的模型结果。结果表明,当使用有限的标注数据进行训练时,论文提出的方法比原有监督学习方法表现更好,且随着标注数据量越少,模型的提升效果越好。(3)对于多种肺炎疾病的三分类任务,论文提出了基于混合注意力机制的新冠肺炎辅助诊断模型。实验结果表明,在多种肺炎疾病的辅助诊断任务上,与原有基准模型及不同结构的变体模型相比,论文提出的方法更加有效和准确,对新冠肺炎类别的医学影像识别敏感性在不同数据集上分别比基准模型提高了11.4%和18.2%。图39幅,表18个,参考文献129篇

关键词： 易损斑块   多模态医学影像   冠状动脉粥样硬化   仿真模型   斑块增长   斑块易损性  

摘要： 动脉粥样硬化斑块可能在无征兆的情况下破裂并继发血栓,导致急性心血管综合征。近年来,易损斑块纤维帽厚度(小于65微米)成为评估斑块增长变化和易损性(定义为斑块在不久的将来破裂或发生关键事件的可能性)密切监测的风险因子之一。医学影像血管内超声(IVUS)因分辨率限制(通常为100-200微米)不能准确识别纤维帽厚度小于其分辨率的易损斑块,也不能提供准确可靠的纤维帽厚度,直接影响了斑块的评估和易损性判断。得益于高分辨率(通常为10-15微米)的光学相干断层扫描技术(OCT),准确量化冠脉纤维帽厚度已经成为可能。本文采用10位冠心病患者初访和一年内随访的IVUS、OCT、冠脉造影和相关临床数据,综合IVUS成像深度和OCT高分辨率的优势,生成IVUS和多模态IVUS+OCT(IO)斑块多成分影像分割数据,构造仿真力学模型,比较IVUS和IO斑块形态和应力应变的差别,并以多模态患者数据为基础,采用广义线性混合模型以及机器学习中的最小二乘支持向量机和随机森林方法,预测纤维帽厚度以及斑块易损性变化,预测准确度有显著提高。结果如下: 准确量化斑块形态和纤维帽厚度。运用IVUS和IO数据量化斑块形态和纤维帽厚度,结果显示两种影像获取的最小纤维帽厚度的相对差异范围是-91.2%～69.6%,平均纤维帽厚度的相对差异范围是-44.5%～73.9%。其它常见形态学参数的对比显示了相似的结果。结果定量显示了用IVUS量化纤维帽厚度可能的误差。多模态IO影像数据可以提高量化斑块形态和纤维帽厚度的准确率。 准确计算斑块应力应变。选取114组包含脂质核的匹配切片(IVUS与IO匹配、初访和随访匹配),构建三维薄片模型,计算斑块应力/应变分布并比较纤维帽处的应力/应变两种数据的差别。结果显示基于IO和IVUS两种不同影像数据模型的最大纤维帽应力相对差异范围是-34.7%～87.4%;最大纤维帽应变的相对差异范围是-25%～12.4%。该初步结果显示了高分辨率影像对斑块应力应变计算的重要性。 提高纤维帽厚度变化预测准确度。采用多模态高分辨率IO影像数据,用纤维帽厚度的变化表征斑块的变化,利用9个形态学和力学风险因子预测纤维帽厚度变化,结果显示使用GLMM方法并用IO数据进行预测,最佳组合预测因子的预测准确度明显高于使用IVUS数据预测的准确度(90.8%vs.74.6%);使用LSSVM方法,基于IO数据的最佳组合预测因子的预测准确度也高于使用IVUS数据预测时的准确度(75.7%vs.69.6%)。 提高斑块易损性变化预测准确度。采用多病人的多模态初访和随访数据定义基于最小纤维帽厚度、平均纤维帽应力和应变的新的斑块易损性指标,进行易损性变化的预测研究。结果表明,使用IO数据预测纤维帽指标、应力指标和应变指标变化,形态学和力学组合预测因子最优预测准确度分别为90.3%(AUC=0.88)、85.6%(AUC=0.87)和83.3%(AUC=0.81)。基于应力指标的组合预测因子预测准确度比单一预测因子提高了10%(85.6%vs.75.6%)。用多模态数据预测应力指标的准确度比用IVUS数据做预测提高了16.9%(85.6%vs.68.7%)。 以上结果在监测疾病发展和患者管理方面具有重要的临床意义。本文的创新点有:1)采用IVUS+OCT多模态影像数据准确量化纤维帽厚度和斑块形态。基于多患者多模态的数据提高了精准量化纤维帽厚度的有效性和可靠性;2)以精准多模态影像的斑块形态为基础,构建仿真模型,获取精准可靠的斑块应力应变,并确定了IVUS模型的误差范围;3)利用精准的纤维帽厚度变化作为量化斑块增长的指标,并运用基于多模态影像的力学模型结合形态学和力学风险因子提高预测斑块增长的准确度和可靠性。4)采用多模态影像数据和斑块应力/应变数据,预测斑块易损性变化,并比较了IVUS数据和IO数据在预测易损性准确率的差异。

关键词： 医学影像分割   医学影像处理   不确定性分割   深度学习  

摘要： 医学影像分割作为医学影像分析和处理领域的基础任务之一,其核心方法已经成为推动智能医疗行业发展的关键技术。尽管当前大多数基于深度学习的医学影像分割模型取得了阶段性成果,但是它们很难被部署在终端去直接影响医生的治疗决策。其主要原因之一是深度学习的“不确定性”往往会在关键的应用中导致灾难性后果。在医疗分割领域,由于成像机制的限制、噪声的干扰或医生经验的不同,医生对于同一张医学影像往往存在多个不同的分割标注,这些标注的分歧反映了数据集中固有的不确定性。在医疗诊断的关键应用中直接针对不确定性进行建模对于提高模型的预测置信度以及可解释性至关重要。然而现有的大多数医学影像分割模型往往会忽略不确定性因素,从而给出高度置信的但错误的预测结果,进一步导向错误的决策。本文的研究工作主要围绕医学影像的不确定性分割问题展开:(1)针对医学影像分割标注存在多样性的问题,提出基于生成学习的像素自回归不确定性分割模型。该模型包含两个核心模块:像素自回归模块以及重采样模块。像素自回归模块用于学习像素点之间的条件概率分布,从而在像素上建立起自回归依赖关系;重采样模块用于确保模型生成的分割结果是空间连续的。在LIDC-IDRI、Bra TS 2017两个医学影像数据集上的实验结果表明,所提出的模型能够通过自回归采样的方式生成多个合理的分割结果,实现了对医学影像分割标注中的不确定性建模。(2)针对医学影像不确定性分割难以同时平衡多样性和准确性的问题,提出基于解耦学习的联合概率不确定性分割模型。该模型包含两个核心子网络:分布转换器以及联合变分自编码器。分布转换器用于将简单的高斯分布转换成复杂的潜在空间,以此提高模型的表达能力;联合变分自编码器在潜在空间中对分割多样性和准确性完成解耦。为了防止出现潜在空间崩塌的问题,模型还采用了两种缓解KL散度消失的策略。在LIDC-IDRI、ISBI 2016两个医学影像数据集上的实验结果表明,所提出的模型能够通过调整一个超参数,实现对不确定性分割多样性和准确性的灵活控制。

关键词： 智能终端APP软件系统   医学影像学   教学方法   教学资源  

摘要： 随着互联网技术及智能手机的快速发展与普及，越来越多的教学组织和机构将传统授课方式与互联网教学结合在一起。因智能终端APP软件的便捷性及个性化特性，使传统的教学模式受到了极大的挑战。医学影像学作为医学领域中一门具有一定定位特色的学科，力求改变传统教学模式及知识获取途径，使用智能终端的APP软件借助网络服务器，打破传统教学的时空限制，实现在互联网环境下，基于教学网络管理平台系统，具有线上下载数据、类别检索、在线测试和考核等相关教学功能，并涵盖此系统其他主要应用功能模块。最终目的是探索网络化教学新模式，追求教学方法持续性改进，教学资源拓展性推动，教学改革不断创新，为培养医学影像学专业人才提供新颖思路和可行性方法。

关键词： 功能对等理论   医学影像学   英译汉   翻译策略  

摘要： 随着现代科学技术和医学的快速发展,国内外医务工作者和专家学者在医学方面的学术交流也越来越频繁。医学影像学作为医学研究领域的重要分支,其理论、技术和设备在医学领域的应用越来越广泛,并且发挥着非常重要的作用。为了促进医学影像研究者和相关学者之间的交流,并为相关从业者提供医学影像学相关知识的参考,翻译医学文献变得越来越重要。本报告以医学影像学文献的汉译为例,阐述了原文本的主要内容和语言特征,并结合功能对等的相关理论和原则,提出了医学文本翻译的重难点和翻译医学文献的策略。本报告由五部分组成。第一章简述翻译任务的背景、要求和意义;第二章阐述翻译过程,从译前准备、翻译过程和译后质控等来分析;第三章介绍功能对等理论的内容及其在医学文献翻译方面的应用;第四章结合翻译实例,从词汇、句法、语篇层面提出医学影像学文献汉译的技巧和方法。第五章总结研究结果,提出问题和不足,并为未来的翻译研究提出合理的建议。研究发现,功能对等理论对医学文献的汉译有很强的指导的意义。笔者在翻译过程中,基于功能对等理论的基本理念:贴切、自然和对等,采用了词类转换、直译、拆译和重组等翻译策略和语法衔接及词汇衔接手段,重点解决了长难句和被动句的一些翻译难题,力求译文在词汇、句法和篇章等方面与原文达到功能对等。

关键词： 多模态影像配准   多任务学习   多器官配准   二值图特征   互注意力   矢量融合  

摘要： 随着人工智能与现代医疗技术的不断融合,计算机视觉技术在临床诊疗的各个阶段都逐步进入应用阶段。其中,医学影像配准技术不仅是多模态影像分析、医学影像融合等任务的基础,而且能直接在多个诊疗过程中得到应用。目前的多数影像配准任务研究集中在脑部和胸腔,对腹部医学影像配准研究较少。腹部多模态医学影像配准主要存在大形变、跨模态、整图形变、多器官四大难点。本文从实际的宫颈癌和肝脏疾病诊疗过程出发,针对CT与MRI、增强CT的多模态影像配准问题,对应四大难点分别提出了相应的解决策略,构建深度学习模型帮助医生在诊疗过程中更直观地利用多模态成像信息,更加精准地发现、确认病灶,实现精准医疗。 (1)提出了一种基于器官分割和语义mask的多级跨模态大形变配准方法,用来解决下腹部CBCT与MRI配准时软组织形变严重、模态灰度分布差异过大的问题。在利用Mask-RCNN网络分割出需要配准的关键器官后,该方法基于分割结果和二值图特征,构建出适应不同器官特点的不同种类语义Mask,用于表征不同模态影像的灰度结构特征,再经过仿射-形变的多级配准框架,相对平滑地对求解软组织形变场。该方法在多个腹部器官上取得良好的配准效果。 (2)提出了一种基于互注意力和语义共享的多任务配准方法,用来解决肝脏增强CT整图配准过程中信息难以筛选的问题。在该框架中,首先采用双路网络和互注意力机制,将不同模态影像转化为中间模态,并且采用逆一致性损失约束中间模态的生成,接着传入分割和配准两个分支网络,由分割网络辅助监督信息筛选,配准网络完成配准任务。多任务训练过程采用交替训练和粗训练-精训练的方法,大大加快了网络收敛速度。该方法在增强CT上有着更强的形变能力。 (3)提出了一种基于深度概率图和矢量融合的多器官配准方法,用来解决下腹部CBCT与MRI多器官配准时,器官对应错误和不同形变场融合冲突的问题。首先,此方法分别求解出每个单器官的配准结果,并且由辅助网络提供深度概率图,通过提出的VFF模块,概率图辅助配准结果求出单器官形变场的融合权重,根据融合权重从散度域对形变场加权融合。该方法在进行多器官配准时可以良好地对应器官关系,有效地减少每个器官对周围器官的影响。