教学课程资源库 更多>>

关键词： PBL   CBL   MDT   医学教育   医学影像学   中医  

摘要： 目的：探讨在中医临床专业医学影像实训教学中引入多模式联合教学法的应用价值。方法：将近年来应用广泛的传统的教学模式和单一的教学模式与新兴的多模式联合教学法相比较，结合这几种不同教学模式在中医临床专业医学影像实训中的应用情况进行优劣势探讨。结果：多模式联合教学法教学效果优于传统教学模式或单一的教学模式，在多模式联合教学法中，PBL-CBL-MDT联合教学法教学效果最佳。结论：将多模式联合教学法运用于中医临床专业医学影像实训教学具有较高的应用价值，尤其是PBL-CBL-MDT联合教学法具有明显的优势，它在夯实学生理论基础的同时，还能培养学生的自主学习能力和团队合作意识，值得在教学中推广。

关键词： 医学影像   人工智能   技术融合   预测模型   趋势预判  

摘要： 医学影像人工智能领域是人工智能用于医学领域最有可能落地的领域之一。技术融合是引发该领域技术变革和产业创新发展的主要驱动力。医学影像人工智能领域技术融合还处于初期阶段，其发展蕴含技术融合的过程和特征，因此对医学影像人工智能领域进行技术融合预测不仅符合其发展的科学性而且对引导其发展有着积极意义。　　本研究旨在实现医学影像人工智能领域的技术融合预测及发展趋势预判。鉴于技术融合一方面来源于技术间的融合，另一方面可以来源于科学融合，构建结合基于专利共类的技术融合预测模型和基于科学融合的技术融合预测模型的综合预测框架。首先，利用技术融合现状进行趋势外推，以德温特专利数据库为数据源，基于专利共类信息，运用机器学习，依据技术融合的演化规律提出相似性和技术特性指标，构建基于专利共类的技术融合预测模型，获得医学影像人工智能领域来源于技术间融合的技术融合预测结果。其次，构建基于科学融合的技术融合预测模型，对具有科学融合特征的融合文献和具有技术融合特征的融合专利，进行文本挖掘，在分析科学融合主题和技术融合主题并进行对比的基础上，获得医学影像人工智能领域来源于科学融合的技术融合预测结果。最后，根据医学影像人工智能领域技术融合预测结果，提出相应的对策建议。　　结果显示通过基于专利共类的技术融合预测模型得到，医学影像涉及到的技术与数字化信息化技术进行融合、以及数字化信息化技术之间的融合是当前以及未来的发展主题。此外，该领域技术与语音扩音方面的技术G10L、H04R，信息通信方面技术G16H、G16B、H04L进行融合可能是未来发展的趋势;通过基于科学融合的技术融合预测模型得到，医学图像相关隐私处理、医学图像合成、医学图像检索、医学图像说明文字是该领域未来的技术融合发展主题。同时，通过对该领域的技术融合预测验证了研究框架的可行性。

关键词： 深度学习   模型压缩   结构化剪枝   滤波器剪枝   医学影像  

摘要： 随着卷积神经网络的发展,深度学习方法被广泛应用于医学影像分析和处理任务中。这些深度模型往往具有庞大的参数规模,普通医院与诊所难以配备相匹配的高性能显卡,使得在学术界中性能优异的深度学习模型难以部署到医院的设备上,无法为医生提供实时高效的辅助诊断结果。因此,如何在保证模型性能的前提下尽可能压缩模型,成为近些年深度学习领域关注的热点问题。结构化剪枝作为一种主流的模型压缩方法,因其压缩得到的模型有结构稀疏性且能够快速部署在传统硬件平台的特点而受到业界的关注。本文对结构化剪枝算法进行了深入研究,提出了一种智能化的剪枝算法,并尝试将其应用在医学影像深度学习模型上,主要工作如下: 首先,本文在卷积神经网络借助滤波器实现图像特征提取的理论基础上,基于滤波器权重对卷积神经网络特征表达能力的影响,尝试将信息熵作为滤波器重要性评估准则;其次,基于此评估准则,针对传统剪枝方法对预训练模型的依赖问题,引入神经科学中神经元的睡眠与清醒机制,构建了无需预训练模型的剪枝框架,并通过在选择待剪枝滤波器过程中交叠的睡眠期与清醒期,降低滤波器被误删的几率;在此基础上,本文尝试将上述方法应用于医学深度学习模型中,针对医学影像数据正负样本数量极不平衡的问题,在选择待剪枝滤波器过程中引入渐进式剪枝的思想,模拟神经元从浅度睡眠到深度睡眠的过程,并对目标函数进行了优化和改进,以最小化迭代滤波器剪枝对网络性能带来的损伤,有效提升剪枝后网络的底层表征与高层语义的匹配能力,从而提高模型的泛化能力。 本文分别在标准数据集和医学影像数据集上验证了所提出的新型剪枝方法及其改进方法的有效性。实验结果表明,本文提出的方法在模型时间复杂度和空间复杂度的相关指标上,都取得了富有竞争力的结果,且针对医学影像数据特点改进后的剪枝方法,性能优于传统剪枝方法和改进前的剪枝方法,从而能够有效改善现有深度学习模型部署所需硬件要求与实际医院拥有的计算平台能力不匹配问题。

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： 医学影像分割   U-Net   残差   注意力机制   循环卷积  

摘要： 医学影像分割是现代医学影像分析的重要基础。深度学习与医学领域的交叉融合旨在辅助医生对医学影像进行人体组织或病灶区域的提取和分割,高效准确地做出医学诊断。因此,利用深度学习的学习能力辅助医生进行医学影像分析,可以节约医生的时间与精力,均衡不同发展区域的医疗资源。如今随着计算机性能的提升和医学数据量的增加,传统方法手工提取图像特征具有一定的局限性,深度学习通过多层神经网络叠加,能够更好地提取图像的局部细节信息和高层语义抽象信息。本文深入研究了基于U-Net的医学影像分割技术,针对U-Net存在的不足提出了两种新的医学影像分割算法,在多个医学影像公共数据集上表现出了良好的性能,并获得了较好的可视化分割结果。本文主要研究工作如下:首先,本文对经典网络U-Net进行改进,提出了基于残差网络和注意力机制的医学影像分割算法RAU-Net,并且在COVID-19肺部感染数据集上验证RAU-Net的性能。由于U-Net网络存在欠分割和特征提取不充分问题,RAU-Net通过在编解码路径使用残差块来增强模型提取特征的能力,进而更加有效的提取病灶区域特征。RAU-Net通过注意力门AG来处理跳过连接的编码特征,使网络模型更加关注COVID-19感染的病灶区域,抑制CT图像中背景区域的特征响应,有效的降低病灶边界模糊的问题。其次,本文对RAU-Net作进一步的改进,基于循环神经网络提出了R2AU-Net,并且在三项医学影像分割任务上验证R2AU-Net的性能。RAU-Net对于COVID-19肺部感染区域分割性能良好,但是忽视了ROI中像素点的相关性,对于某些医学影像的分割结果具有一定的不连贯性。R2AU-Net使用循环残差卷积块进行特征提取,旨在增强模型整合上下文信息的能力。对于不同形式的医学影像,循环残差卷积块有助于提取至关重要的浅层特征,然后由注意力门来聚合浅层细节信息和高层抽象语义信息。最后,针对不同的医学影像,本文分别采取了不同的训练策略。利用随机正则的思想,对Re LU激活函数进行改进,进一步细化皮肤病变分割结果、对于视网膜血管数据进行数据增强、肺部标签的重新制作。实验结果也证明了不同训练策略对于不同分割任务的有效性。

关键词： 深度神经网络架构   神经网络架构搜索   进化计算   图像分类   目标检测   生物医学影像   纺织物瑕疵点  

摘要： 深度神经网络模型在图像分类和目标检测等计算机视觉相关任务中取得了令人瞩目的成就。网络的架构是一个深度神经网络模型是否能够高效的训练和应用的基础,也是促成这一成就背后的主要驱动力之一。现有的高性能神经网络架构通常由具有丰富专业知识的人类专业手工设计,需要尝试大量不同的超参数和网络结构参数,并进行长时间的调优。随着信息时代的来临,数据的形式和来源日益丰富,为不同数据场景设计定制网络架构是整个深度神经网络模型开发过程中的一个重要挑战。深度神经网络架构搜索(Neural Architecture Search,NAS)将网络架构的设计建模为一个优化问题,为网络架构设计提供了一种自动化的解决方案,通过算法自适应的更改网络架构的组件,实现在特定数据集上的性能提升。尽管NAS方法的研究取得了显著的进展,但仍存在一些重大挑战,特别是执行探索性神经结构搜索所需的大量的计算资源。本文基于进化计算的相关理论和机制,聚焦于进化神经网络架构搜索算法的计算效率和性能提升,提出了多个新颖的搜索算法。本文的主要研究工作和贡献如下:(1)针对在进化优化过程中,个体的适应度值评估计算成本过高的问题,提出了基于采样训练和节点继承的进化神经网络架构搜索算法(SI-Evo NAS)。在父代种群,通过采样训练的方式使得每个节点获取训练权值。之后,通过节点继承的方式生成子代种群,子代种群可以直接从父代种群继承相应节点的权值作为初始权值,无需任何训练即可评估其适应度值,进而避免了昂贵的个体训练过程。此外,提出了一组轻量级多尺度特征重构卷积算子,并将其集成到算子搜索空间中。所提出的多尺度特征重构卷积算子可以通过算法自适应的集成到神经网络架构中,提高神经网络架构的性能。实验结果表明,所提算法不仅搜索效率高,而且具有很好学习性能。(2)针对直接搜索神经完整神经网络架构计算成本过高的问题和One-shot NAS中的“多模型遗忘”问题,提出了基于部分权值共享策略的完整神经网络架构搜索算法(Evo-OSNAS)。首先,Evo-OSNAS提出一种新的节点编码方案,直接编码完整神经网络架构。基于此,提出了一种基于进化机制的部分权值共享策略,生成的子代个体可以共享两个父代个体的权值或者仅共享单个父代个体的权值,限制了权值共享的范围,在一定程度上克服了“多模型遗忘”问题。此外,Evo-OSNAS在搜索空间中编码了一组金字塔卷积算子,在单次卷积计算中可以使用不同大小的卷积核,用于同时捕获细节和全局特征信息,提高模型的特征处理能力。Evo-OSNAS算法能够不借助任何代理指标直接基于给定的数据集设计完整神经网络架构。在不同规模的公共数据集上的实验结果表明,所提算法搜索到的神经网络架构表现出具有竞争力的分类性能。(3)提出一种面向目标检测问题的进化神经网络架构搜索算法(Evo Det),用于搜索目标检测模型的主干网络架构。针对每个个体的Image Net预训练计算成本极高的问题,提出了一种个体参数映射策略,可以将预训练好的教师网络的预训练权值映射至每个个体(学生网络),进而避免了每个个体的Image Net数据集预训练的过程。此外,设计了一种个体分布式训练策略,通过将种群中的个体并行放置在不同的GPU中并同时训练它们,减少了不同GPU之间通信消耗的负面影响,提高了计算资源的利用率和种群适应度评估的效率。实验结果表明,Evo Det不但可以高效的搜索到性能优秀的主干网络架构,且生成的主干网络架构具有较好的迁移性能。(4)最后,论文在分析生物医学影像分类问题和纺织物瑕疵点检测问题基础上,提出利用进化神经网络架构搜索算法在不同数据场景下搜索神经网络架构。实际的数据集上的测试结果表明,所提算法可以针对不同数据集定制神经网络模型,并且可以获得有竞争力的分类性能和检测性能。

关键词： 生成式对抗网络   医学影像合成   解耦表征学习   模型压缩  

摘要： 医学影像合成是重要的医学图像处理技术,旨在根据已有模态的医学影像数据构建跨域非线性映射,合成缺失模态医学影像数据。然而,由于医学影像数据高维特征复杂、数据规模庞大,现有方法无法有效地学习特征表示,导致医学影像合成的精确性、保真度和计算效率较低,难以在实际临床应用中开展部署。为此,本文研究两种基于生成对抗学习的医学影像合成方法,提高复杂高维特征的学习能力,改善影像合成计算效率,提升医学影像合成的临床应用表现。本文主要的创新工作如下:(1)提出基于层次解耦表征的循环一致自编码生成对抗架构,学习医学影像跨域共有的深层语义信息和源域本征深层语义信息,利用潜在空间对齐策略统一不同潜在空间的深层语义结构信息层次和多域深层语义知识,设计解耦表征学习策略,分离纠缠在潜在空间不同特征维度的浅层纹理细节特征,实现良好的医学影像合成效果。(2)提出基于张量CP分解的两阶段轻量生成对抗架构,保持医学影像的深层语义和浅层纹理间一致性,基于张量分解规则构建低秩压缩网络,降低医学影像合成的计算代价,构建知识蒸馏方法,向压缩架构迁移医学影像高级语义和低级纹理的依赖关系和分布知识,保障网络以低廉计算代价合成精确、保真的跨域医学影像。(3)在跨域医学影像数据集上对本文设计的两种方法进行实验验证与分析。结果表明,本文提出的方法能够有效学习医学影像数据复杂高维的特征表示,实现高精度、高保真、高计算效率的医学影像合成。其中,基于层次解耦表征的循环一致自编码生成对抗架构表现出充分的复杂高维数据特征学习能力,基于张量CP分解的两阶段轻量生成对抗架构则同时呈现出较高的计算效率。综上所述,本文提出两种基于生成对抗学习的医学影像合成方法,能够充分挖掘医学影像复杂高维特征,有效改善影像合成的表现和计算效率,为医生临床决策提供有力支持。

关键词： 医学影像分割   原型学习   少样本   半监督  

摘要： 三维医学影像分割是从对应器官或组织所在区域的感兴趣区域(Region of Interest,ROI)图像中提取目标三维结构的过程。在过去数年间有许多文献提出过基于深度学习的全自动及半自动图像分割方法,但它们往往需要大量的带标签数据支持学习,在精细标注匮乏的医学图像分割任务中难以取得很好的效果。因此,本文提出了一种新颖的基于原型学习的半监督学习方法,其中的循环原型学习范式使得模型能够无需预训练而直接从少样本数据集中学习正确的分割算法,提高了模型的标签效率,为基于深度学习的算法在临床的应用提供了可能。本文的具体工作如下:(1)本文设计了一种用于医学图像分割的循环原型学习模型(Cycle Prototype Learning,CPL),该模型包含正向过程和反向过程两个原型学习过程。其中正向过程利用带标签的支持图像提取原型来分割无标签查询图像,并通过先验伪标签优化模块(Prior Pseudo Optimization Module,PPOM)生成查询图像的伪标签来从中学习信息;反向过程则以正向过程中对查询图像的预测作为标签来提取原型尝试复原支持图像标签。基于肾脏与脑CT医学影像数据集的实验结果表明,相比于经典的端到端全监督分割网络,本章设计的CPL在少样本医学影像分割情境下取得了更好的效果。(2)本文设计了用于细粒度特征提取的精细解码网络(Fine Decoding Feature Extractor,FDFE),并将其嵌入CPL形成了少样本半监督医学图像分割模型循环原型网络(Cycle Prototype Network,CPNet),进一步提高了分割精度。FDFE以跨层特征传输补充分辨率压缩过程中损失的细节特征,并通过坐标继承的上池化保证无失真的特征嵌入。在肾脏和脑数据集上的实验证明,CPNet相比于前文提出的CPL性能有明显提升。细致的消融研究更进一步地证明了CPNet中每个模块对算法性能的贡献。(3)在上述医学图像分割算法的基础上,本文实现了对应的分割系统,以使该算法在未来能够投入使用,满足医疗图像自动化分割的需求。该系统使用基于Python的Py Qt5包进行了多功能医学影像分割的功能实现,并编写了界面化的图像浏览转存功能。

关键词： 医学图像   脑卒中   病灶分割   引导注意力   多尺度特征  

摘要： 脑卒中俗称“脑中风”是一种急性脑血管疾病,是由于颅内血管突然堵塞或破裂导致血液无法流入大脑而引起脑组织损伤的一组疾病,包括出血性和缺血性两大类型。脑卒中具有高发病率、致死率、致残率和复发率的特点,严重威胁我国城乡居民生命健康。为更好地评估预后、指导治疗和制定二级防控策略,我国发布相关指南对两类脑卒中进行了更为细致的分型讨论。分型诊断的关键是识别和量化患者大脑医学影像中的相关区域和组织。目前,需要依靠医生观测病变组织边界、位置、形状大小,以确定具体分型,进而制定针对性诊治方案,但这样不仅耗时耗力还会引入观测者的主观差异。因此,医疗欠发达地区更倾向于实施普适性治疗方案,这使得多数患者无法享受rt-PA溶栓等针对性治疗方式带来的益处,患者的治疗风险陡增,治疗效果却大打折扣。随着计算机技术的发展,计算机辅助诊断的临床价值日益凸显,通过计算机辅助诊断技术实现脑卒中病程管理,分层指导进而实现患者的个性化治疗已成为领域内的研究热点。我国发布的治疗指南参考国际指南共识,同时结合最新循证医学证据编写而成。本文以治疗指南为指导基础,开展基于人工智能算法的脑卒中病灶精准量化分析研究,本文的主要研究内容和贡献如下:1)针对缺血性脑卒中辅助检测算法面临的数据不均衡、图像伪影干扰等问题,提出基于多平面信息融合的联合分割算法。磁共振弥散加权成像(Diffusion-weighted Imaging,DWI)是一种磁共振成像(Magnetic Resonance Imaging,MRI)技术,被临床公认为缺血性脑卒中金指标。通过算法获取患者DWI影像中的病灶信息将大大提高卒中诊断效率。但算法实现面临诸多困难,如样本不均衡、病灶不均质、边缘畸形、伪影噪声等。因此,边缘误识别、错检、定位不准等情况时有发生。本文对传统的Mask R-CNN分割原理展开研究,并基于此设计针对不同解剖面的检测分割算法。Mask R-CNN是一种两阶段的图像分割器,第一阶段通过区域候选网络(Region Proposal Network,RPN)生成大量先验(候选)框,第二阶段基于先验框进行坐标回归、目标分类和分割。针对分割结果中出现的错检、漏检、定位不准等问题,本文利用在相邻影像切片中得到的高置信度病灶分割结果对当前影像切片的分割结果进行修正,并设计信息融合算法计算不同帧对当前帧的贡献强度,进而帮助恢复误检、漏检等情形下的缺血性病灶。实验结果表明本方法分割Dice为0.622优于DeepMedic的0.563。2)基于大规模出血性脑卒中CT数据集,提出弱监督引导注意力模型,提升出血性脑卒中亚型分类的精度。颅内血管破裂后,血红细胞的状态变化将显著影响计算机断层扫描(Computed Tomography,CT)的影像学特征。出血性脑卒中亚型分类具有较强的临床指导意义,但现有的研究普遍分类粒度过大,对亚型的分辨能力不足。另外,很少有研究针对特大规模数据,传统算法模型无法从中获取更多性能增益。因此,本文将探索如何基于大规模影像数据进行细致的缺血性脑卒中亚型分类。本文对多种算法开展研究,通过充足的实验选择基准算法,并在此基础上提出了弱监督引导注意力机制和联合特征优化算法。本文方法引入软注意力机制,以无监督算法的分割结果作为软注意力的引导,使算法更加关注那些与诊断相关的可疑区域,同时抑制正常区域的特征表达;本文通过联合特征优化算法显著提升算法的最终性能。实验表明,引导注意力机制能有效抑制噪声表达,提升分类性能,而多重特征聚合能有效解决单张分类算法的误检、漏检等问题,极大程度提高算法精度。本方法的平均F1分数高于其他方法至少4%。3)针对非典型缺血性脑卒中患者诊断设备受限的问题,提出基于CT影像的对称区域特征比较算法,提升病灶识别精度。MRI是对急性脑卒中最敏感的筛查方式,但MRI拍摄禁忌较多,如体内不能有心脏起搏器,胰岛素泵等金属物品,但此类患者往往拥有更高的卒中患病风险。CT作为具备卒中临床表现患者的首选筛查方式,几乎没有拍摄限制。并且早在1996年,CT影像就在评估静脉注射tPA溶栓治疗中发挥关键作用。因此,探索基于CT影像的急性缺血性脑卒中病灶量化识别方法具有重要临床意义。由于放射科医生也难以准确勾画出CT上的缺血性病变,本文针对数据标注问题,提出基于图像配准技术的标注迁移算法;研究表明通过比较大脑对称侧可以提高判断缺血组织的准确率。但现有相关的研究使用特征过于单一,不足以处理复杂的CT影像,性能普遍较差。本文通过深度学习算法对影像中的脑部区域进行对称特征提取,计算差分特征,以放大病灶与健康组织的特征差异。实验结果显示,本文所提算法在急性期脑缺血的辅助筛查中具备一定的有效性。综上所述,本文在治疗指南的指导下开展研究,研究成果分别针对诊断流程中的三个重要环节。研究内容1基于DWI序列影像实

关键词： 深度视觉   Transformer   ViT   辅助诊断   医学影像  

摘要： 肺是人体内一对像海绵一样的器官,在呼吸中起着最重要的作用。鉴于肺部的重要性,肺部疾病也受到了临床医学和计算机科学界的极大关注。医学图像的诊断需要专业且经验丰富的医师,但医院中这类医生资源匮乏,而且仅仅通过人工筛查和甄别大量的医学影像,可能由于过于疲乏而产生判断上的失误。随着深度视觉技术发展地日益成熟,将此技术应用于医学图像,以此来开发医学图像智能辅助诊断系统已成为研究热点,并且国务院在《新一代人工智能发展规划》中对其发展提出要求。虽然医院保存着深度视觉技术训练学习需要的海量的医学图像数据,但是由于其不同于自然图像的特殊性,导致医学影像数据集具有私有化,小型化,结构不均衡和缺乏多分类等特点。当前依据深度卷积神经网络开发的智能诊断技术对医学图像识别准确率较低,为了解决大型医学影像数据集的短缺和提升计算机辅助诊断系统对医学图像识别的准确率,本文以6种胸部CT影像为例展开研究。主要的研究内容如下:（1）本文创建了一个大型结构均衡的胸部影像数据集Chest-6CT,该数据集内部样本数据总量达到了100987张,其中包含16789张新型冠状肺炎、16715张普通肺炎、16798张肺鳞状细胞癌、16794张肺结节、16966张非小细胞肺癌以及16886张正常,共6中胸部CT影像,和现有数据集进行对比,该数据集消除了目前用于医学影像辅助诊断技术研发工作的医学影像数据集所存在的私有化、小型化和结构不均衡等缺陷。（2）本文提出采用分割SEG模型完成为CT内肺部实质的提取,该模型由自适应阈值算法和泛洪填充算法所构成。利用SEG模型剔除了CT上除了肺部器官外其他的冗余信息,消除了模型从非像素级标注的全尺寸肺部CT影像数据集上提取肺部病灶特征的困难。SEG模型在数据集Chest-6CT上进行了分割实验验证,其Dice相似系数达到0.972,可用于肺部实质分割,并且该模型与不同分割模型在同一个数据集上做对比,SEG模型的分割性能有最优表现。（3）提出了SEG-VIT模型解决现有辅助诊断模型准确率低的问题,并在数据集Chest-6CT上对模型分类性能进行了实验验证。该模型是以Vi T模型为基准网络并辅以SEG分割模型所开发的,其中Vi T在自然图片分类任务上的表现优于已有的卷积神经网络。训练样本首先经过SEG分割模型提取肺部实质之后再进入分类网络训练得到胸部CT图像分类模型SEG-VIT,通过实验表明该模型识别胸部CT影像的准确率、精确度、召回率、特异性以及1分别达到了0.975、0.973、0.971、0.994和0.972,并且大大缩短了训练时间。同时SEG-VIT模型与不同模型在同一数据集上进行对比,SEG-VIT依旧表现出了优异的分类性能。最后借助可视化工具CAM将模型诊断的病灶区域进行定位与可视化,进一步满足辅助医生诊断的实际需求。