教学课程资源库 更多>>

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。

关键词： 深度学习   医学影像   肝脏肿瘤分割   三维卷积神经网络  

摘要： 随着深度学习以及医学图像处理技术的快速发展,深度学习模型在医学领域的应用迅速增加。基于CNN的算法研究取得了显著的成果,越来越多地应用于医学图像分析领域,从而提高了临床医生的工作效率。近年来,有关3D CNN的研究受到了广泛关注,3D CNN弥补了2D CNN在空间上提取信息能力不足的缺陷,并且可以实现三维医学数据的直接输入与输出。本文简单介绍了CNN从二维到三维的发展历程,并使用3D CNN模型实现了肝脏及肝脏肿瘤的分割工作。肝脏肿瘤的自动化分割对于肝癌的诊断和治疗具有重要作用。由于计算机断层扫描图像大多为3D格式,我们在U-Net架构上设计了一种完全基于3D的CNN模型,分两个阶段来进行肝脏和肝脏肿瘤的分割工作。第一阶段,使用结合残差结构的3D U-Net模型进行肝脏分割,并提取分割结果作为感兴趣区域(ROI)。第二阶段,针对ROI区域进行形态学轮廓裁剪,在该区域内使用改进的3D ResUnet网络进行肿瘤的精准分割,并在编码器与解码器中间引入注意力机制、空洞卷积以及动态卷积思想,提升了模型针对小目标的特征提取能力。对于数据驱动的深度学习模型来说,输入数据的处理比模型的设计更加重要。本文设计了多种数据增强策略来解决分割目标边界模糊和体积各异等问题。通过窗宽窗位调节与灰度均衡化等方法增大肝脏区域与背景区域的对比度,通过颜色翻转来增强神经网络对肿瘤区域的关注度,通过ROI裁剪来降低背景信息的冗余度,从而保证神经网络的直接输入数据精简而有效。此外,我们在训练过程中使用迁移学习将肝脏分割任务中学习到的信息传递给肿瘤分割任务,解决了训练数据量少以及类别不平衡等问题,在提升模型拟合速度的同时增强了模型的鲁棒性。通过LiTS数据集验证,肝脏分割任务的Dice系数为94.9%,肿瘤分割任务的Dice系数为53.2%,相比于基础的网络框架,在肿瘤分割任务上平均可提升4.4%的分割效能。实验结果表明,本文设计的3D CNN模型成功完成了肝脏及肝脏肿瘤分割任务,同时证明了注意力机制、动态卷积和空洞卷积等模块应用于3D CNN模型上的有效性,为三维神经网络模型的设计与优化工作提供了一定的参考。

摘要： 中国共产党优秀党员、我国著名医学影像学专家、医学教育家、华中科技大学同济医学院附属同济医院放射科先驱、教授、主任医师王承缘教授,因病医治无效,于2022年10月23日晚20时35分在湖北武汉逝世,享年87岁。王承缘教授,女,汉族,祖籍浙江绍兴,1935年7月出生于江西省南昌市。1957年她以优异的成绩毕业于武汉医学院并留校任教,开始了长达60余载的医学影像学研究和教育生涯。

关键词： 急性缺血性脑卒中   临床诊断   医学影像   图像处理   生成对抗网络  

摘要： 本论文为了解决急性缺血性脑卒中（AIS）临床诊断中医学影像的缺失问题，采用生成对抗网络的方法从计算机断层扫描（CT）合成核磁共振图像（MRI）模态中的扩散加权成像（DWI）序列。搭建了一个有效的基于cGAN的三维GAN模型以对医学影像的三维信息进行学习，并与当前流行的两个模型（BEGAN与STYLEGAN）的生成图像的效果进行比较。模型以疑似AIS的病人的CT影像为输入，输出合成的DWI。结果是本论文模型的MSE、PSNR、SSIM指标更佳。其生成的影像整体清晰度较后两者更高，且能更真实地反映病灶的大小以及边界。证明了本论文提出的模型的有效性。同时也说明了本论文提出的GAN模型能够捕捉到在CT上通过人的肉眼无法捕捉的高维潜在图像特征。　　为了进一步说明本文提出的模型在实际医疗场景中的可用性，以及定量评估模型对于没有MR只有CT的医疗场景的帮助作用，本文还开展了对临床医生的实验。方法是对三位受试者先随机放映疑似AIS的病人CT影像，一、让其判断该病人是否患有AIS（识别患者），二、让其判断图像上是否有病灶以及病灶的个数（识别病灶），再在一个月以后对受试者随机播放由本文模型合成的同一批病人的DWI图像，让其再次进行患者识别与病灶识别。对结果进行定量评估。结论是：与使用CT相比，在识别患者时，合成DWI能够帮助医生纠正78.4%的在CT上被错误标记为“阴性”的病人，能将灵敏度从40.1%提高到78%，将阴性预测值从6%提高到10%，将F值从0.55提高到0.87，但同时也会使特异性从67%下降到33%;在识别病灶时，合成DWI能把在CT上没有被识别出来的15%(77/517)的病变全部识别出来，将灵敏度从4%提高到16%，阳性预测值从31%提高到48%，F值从0.08提高到0.28。说明了本论文的模型的可用性。但同时也证明本论文模型对于做最终的确诊并不完美适用，而更适用于早期对疑似AIS的疾病的初筛。

关键词： 深度学习   肺结节检测   注意力机制   残差反馈   假阳性剔除  

摘要： 肺癌为世界恶性癌症之一,在全球范围内的发病率和死亡率居高不下,对人类身心健康具有极大的影响。研究表明在肺癌发展过程的不同时期发现并进行治疗对患者的生存率有极大帮助,所以在肺癌早期及时发现并治疗显得尤为重要。早期肺癌的表现形式为肺结节,但是在临床中依靠医生肉眼对肺部CT扫描图像进行辨别,存在误诊和漏诊情况。随着计算机辅助诊断(Computer aided diagnosis,CAD)系统的出现,能够辅助医生开展医学诊断,但在检测精度方面存在不足。目前深度学习已经在医疗影像方面获得了广泛的应用,在检测精度方面也有较好的表现,同时在处理误诊漏诊情况有较明显的优势,因此本文采用深度学习方法对肺结节检测及假阳性剔除展开深入研究,主要研究内容如下:(1)本文首先对输入的CT图像预处理及肺实质分割。读取CT图像信息,通过像素映射、数据类型转换等一系列操作将DICOM格式CT图像转换为PNG格式保存,并将原有CT图像的世界坐标信息转换为图像坐标信息;然后采用二值化、调节像素及图像形态学操作分割肺实质;最后对数据集进行整合以Pascal VOC格式保存。(2)在肺结节检测阶段,本文提出了一种改进的YOLOv3肺结节检测算法。针对肺结节“小”的特点,本文将浅层网络提取的特征融入到多尺度特征预测中,并在深层路径上添加改进后的混合注意力模块,可以使网络关注到小目标肺结节的特征,忽略无关信息;针对网络模型深度加深导致性能下降的问题,本文设计了回环残差模块,将残差网络中的跳跃链接和残差反馈结合改进DBL Block,有效解决网络性能下降问题;针对肺结节位置不定且与其他肺部组织有粘连的情况,本文选用CIo U进行位置损失计算,有效提高对肺结节位置的精确定位。(3)在肺结节假阳性剔除阶段,本文对3D CNN算法C3D进行研究,针对算法中对正负样本特征提取较松散的问题,选用Focal Loss作为损失函数计算,平衡网络在训练中对正负样本的关注度,有效降低了经改进的YOLOv3算法得到候选结节的假阳性率,提高了肺结节检测任务的准确度。(4)本文使用数据集LUNA16验证了改进的YOLOv3算法和C3D算法对肺结节检测准确度更高。使用三种和四种预测尺度进行实验、使用不同注意力机制和改进的混合注意力进行实验、设计改进思路的消融实验以及使用其他目标检测算法和改进的YOLOv3进行实验,以上实验验证了改进的YOLOv3肺结节检测算法检测精度更高;使用消融实验分析,验证了经数据增强及Focal Loss计算的肺结节假阳性率更低,肺结节检测的准确率更高。

关键词： 肝脏及肝肿瘤分割   医学影像   卷积神经网络   注意力机制  

摘要： 肝脏作为腹腔中体积最大的腺体,负责日常代谢、解毒等生命活动。肝内无痛感神经,其病变不易被患者察觉,早期诊断肝癌的难度大。肝细胞的再生能力强,临床上常用肝切除手段治疗肝癌等肝脏疾病。进行肝切除之前,专业医师需先对计算机断层扫描CT图像分割获取肝脏和肝脏肿瘤区域的形状及位置,再对患者的肝脏与病灶区域进行观察和剖析,制定详细的手术治疗方案等。腹部影像肝脏区域分割是肝脏病变影像分析的基础,更是肝脏疾病计算机辅助诊断的重要环节。深度学习掀起人工智能理念热潮,特别是卷积神经网络,在图像分析领域取得的成果颇丰,促进了计算机辅助诊断研究的发展。本文从腹部CT图像中肝脏与其肿瘤分割存在的系列挑战出发,紧密联系深度卷积神经网络技术,围绕特征增强展开肝脏区域全自动分割,具体研究内容如下:(1)针对腹部CT图像中肝脏相邻器官组织与肝脏、肝肿瘤之间的区域对比度差异不明显等难题,提出了基于残差双注意力的多尺度特征增强的肝脏及肝肿瘤单阶段分割算法。首先利用肝脏目标区域与背景区域属性等方面差别预处理数据;其次结合形变卷积、残差学习单元及注意力机制等优势设计DRes UNet模型,从通道和空间双重维度重新校准并提取特征信息,通过融合金字塔结构的多尺度特征来丰富目标信息;最后分割出肝脏目标区域。在公开肝脏肿瘤分割数据集LITS上进行实验,结果表明DRes UNet相比于基线分割方法具有优越性。(2)针对腹部CT图像中肝脏及肿瘤存在形态、数量等特征复杂多样的特性,设计了基于密集连接式通道特征增强的肝脏及肿瘤多阶段分割算法。第一阶段通过DRes UNet模型获得初始分割预测概率图,再与DRes UNet模型处理前的图像融合获取感兴趣区域ROI;第二阶段采用密集连接式通道特征增强的ADense Net分割网络,深入提取肝脏与肿瘤的特征信息并增强对肝脏区域特征的学习。在公开数据集LITS上实验,证实提出的多阶段模型在Dice系数等指标方面相比于其他分割方法的优势,尤其是在肝肿瘤分割方面的性能提升表现更佳。(3)为推动智慧医疗的普及,结合医师诊治肝病时各样临床需求,开发了腹部CT图像肝脏区域分割系统。此系统基于本文研究的分割算法与相关技术,提供图像的预处理、分割预测、后处理等功能,拥有广阔的医疗应用前景。

关键词： 深度学习   图像识别   图像分割   人工智能   医学影像  

摘要： 医学影像需要医生以人类视觉效果分辨出图形中的病灶关系和疾病严重程度,图像的判别与分割等直接影响医生诊断结果。但随着新型疾病和新医学影像大量涌现,图像复杂程度越来越高,往往导致医生无法直接以肉眼判断,而必须借助机器学习等计算机人工智能技术进行辅助。因此,临床影像诊断领域不断需要更加新颖实用的机器学习算法。本论文应用深度学习中的较新算法,对心、脑以及肺部医学图像进行识别与分割。其中内容包括颅内出血CT图像、COVID-19胸片X射线图像的识别以及心脏左心室短轴位MRI图像的分割。研究主要目的是为医院临床诊断上述疾病提供参考,并部分拓宽人工智能辅助诊疗在医学影像领域的发展。本论文主要有三部分工作:(1)选取Res Net18、Dense Net121模型,分别收集颅内出血五种亚型(EDH、IVH、CPH、SAH、SDH)2254张图像与正常CT图像514张。将数据集按照80%、10%、10%随机抽取,划分训练集、验证集、测试集,应用迁移学习进行颅内出血五种亚型与正常CT图像的识别;(2)分别收集COVID-19、肺炎与正常胸片图像282、336、371张。随机提取60%、10%、30%分别作为训练集、验证集和测试集。应用AMRes Net模型对COVID-19、肺炎与正常胸片的图像进行识别。拟采用准确率、敏感性、特异性、ROC曲线和AUC值评估模型的表现。对AMRes Net模型解释性与可信度的评估采用类激活图(CAM);(3)收集200张心脏左心室短轴位MRI图像,应用本研究改进的分割网络进行心房与心室的心腔区域的分割。随机提取5张图像作为测试集,采用交并比(IOU)评估分割效果。三个工作均取得一定成果:在颅内出血五种亚型与正常CT图像识别中,Res Net18模型与Dense Net121模型在测试集中的总体准确率分别为89.64%、82.5%。Res Net18模型识别EDH、IVH、CPH、SAH、SDH与正常CT图像的敏感性分别为98%、85%、80%、81%、93%、100%;特异性分别为88%、91%、91%、91%、89%、87%。Dense Net121模型识别EDH、IVH、CPH、SAH、SDH与正常CT图像的敏感性分别为86%、73%、76%、81%、85%、98%;特异性分别为81%、85%、84%、83%、82%、79%。在COVID-19、肺炎与正常胸片图像识别中,AMRes Net模型在测试集中的总体准确率为94.9%;敏感性分别为94%、90.5%、92.2%;特异性分别为91.3%、93.1%、92.1%。在分割心房与心室的心腔区域中,5张测试图像的交并比分别为0.8148、0.8770、0.9077、0.8952、0.8570。因此,本文所述的深度学习方法可以对部分心脑肺医学图像进行准确的识别与分割。Res Net18、Dense Net121与AMRes Net模型在颅内出血CT图像与COVID-19胸片图像中具有较高敏感性与特异性,为临床诊断上述疾病提供较高参考价值。改进后的分割网络在心脏左心室短轴位MRI图像数据集中也实现了很好的分割效果。

摘要： ~~

关键词： 正电子发射断层成像   多示踪剂   图像重建   动态参数成像   深度学习  

摘要： 正电子发射断层扫描(Positron Emission Tomography,PET)是一种成熟、先进的核医学分子影像技术,它能在生物体的活体分子或细胞水平上开展定性或定量研究。PET的放射性示踪剂药物具有多样性,不同示踪剂可以表征不同病变细胞的摄取差异。相较其他影像技术,PET成像具有高灵敏度与高特异性,因而在众多医学成像中占据重要地位。然而,由于PET扫描仪的硬件限制、示踪剂的剂量安全以及组织细胞对示踪剂的吸收比例等因素,PET成像的分辨率往往较低,尤其对于一些半衰期较短的示踪剂,其扫描延迟较短,成像噪声愈加明显。另外,临床中常用单种放射性示踪剂进行成像,但每种示踪剂仅能表征一种细胞内的信息,因此有可能导致假阴或假阳性的诊断。另一方面,具有更高量化准确性的动态PET参数成像又由于扫描时间较长及部分血液输入函数需要有创采样等问题较难于临床中通用。因此,一直以来PET成像研究处于备受关注的领域。随着近几年人工智能浪潮的推动,深度学习开始逐步应用在医学影像领域。针对上述成像问题,本文提出了多示踪剂PET图像重建算法与基于深度学习方法的医学影像应用技术,将当下较成熟的算法框架加以改进应用于多示踪剂PET与动态PET中,实现了高质量的PET成像,有效保持特定肿瘤区域信息。针对研究内容,本文主要的研究工作与创新点如下:(1)提出一种基于多示踪剂的PET图像重建算法。临床上,对于一些特定疾病往往需要多种PET示踪剂进行表征,进而提高甄别病变组织的灵敏度与特异性。因此,本文针对多示踪剂PET提出了使用一种成像质量较高的示踪剂(通常半衰期较长)PET图像作为先验信息来引导另一种成像质量较低的示踪剂(通常半衰期较短)PET成像。实现过程基于近几年较流行且成熟的kernel算法进行特征引导,通过k近邻搜索构建先验信息的核矩阵引导图像重建。高质量的示踪剂PET的引入能大大丰富待重建图像肿瘤区域的代谢信息。经模拟实验与临床实验验证,提出的方法可以在图像去噪和边缘细节保留的同时,有效地重建出多示踪剂PET丰富的功能代谢信息。特别在临床试验中,提出的方法达到了19.70d B的肿瘤信噪比,相较其他比较算法(最大似然期望最大算法加高斯滤波、最大似然期望最大算法加非均值滤波、MR引导的kernel算法以及多模态引导的kernel算法)高出了28.3%。综上,所提出的多示踪剂PET成像方法可以最大限度地发挥PET成像的优势,进而提升PET成像在临床诊断中的准确性。(2)提出一种基于生成网络模型的动态PET参数成像方法。经研究表明,动态PET参数图像能实现比临床常规静态PET更准确的量化性能,在表征恶性肿瘤中能显现出更高的特异性。然而,由于动态PET扫描时间较长,使其较难通用于临床实践中。因此,本文针对动态PET提出了一种基于常规静态PET扫描的动态参数成像方法。使用深度学习中的对抗生成网络来学习常规PET与动态参数图像间的映射关系,并结合两种成像的临床经验选取合适的损失函数,进而借助静态PET图像直接生成出动态PET参数图像。经过模型训练及临床评估,结果显示提出的方法可以从常规PET图像中学习到高质量的动态参数图像,尤其是在图像的恶性肿瘤与高代谢区域,其结构相似度可以达到0.86,峰值信噪比实现了23.64 d B,而均方根误差为0.08。此外,合成的参数图像有效地结合了分子成像与定量成像,可同时反映组织中示踪剂的浓度状态与代谢率,为临床提供了额外且较为可靠的参考依据,有助于提升恶性肿瘤诊断的准确性。本文提出的多示踪剂PET图像重建算法与人工智能辅助的医学影像应用,通过kenel算法及深度学习方法实现了高质量的成像效果,尤其提升了PET成像对病变组织的表征能力,助于临床诊断的准确性,同时对临床中多示踪剂PET与动态PET的应用有一定促进意义。