教学课程资源库 更多>>

关键词： 甲状腺结节   医学影像   深度学习   图像语义分割   结节分类  

摘要： 甲状腺癌是一种以颈部甲状腺区域结节为首发症状的疾病,它是目前发病率最高的癌症之一,所以准确地找到甲状腺结节以及判断出结节的良恶性,对甲状腺癌症防治和手术选择都有着重要意义。而随着计算机辅助检测技术的出现,运用了深度学习技术对甲状腺结节医学图像进行自主获取特征与分类,可以帮助医师更好的分析病情,减少主观误差。目前甲状腺结节临床的主流检测方法主要分为超声检测和CT检查,然而其图像会存在诸如噪音、清晰度等问题,使得甲状腺结节的识别分类依旧极具挑战。本文针对甲状腺超声图像和CT图像特性,分别研究和开展了相关工作:(1)研究了基于残差结构的超声图像分类系统,并设计了一个经过改进的Res Net50模型,利用深层网络来提取图像整体综合特征。针对图像存在的结节边界模糊、椒盐噪声问题,设计了自适应直方图均衡化和中值滤波来进行数据预处理。并通过设计实验组,对比了Le Net、VGG16、Res Net等网络,在开源数据集TN-SCUI2020中达到了82.54%的准确率,其性能均高于各个对比网络,具有一定的实用价值。(2)研究了基于深度学习的图像语义分割网络,设计了基于编码器-解码器结构的卷积神经网络用来实现甲状腺结节与背景图形分离。网络结构上使用U-Net网络模型作为基础并结合Efficent Net作为骨干网络,可以准确地区分甲状腺结节与背景区域,实现高性能地分割。使用了新型混合损失函数,结合Dice损失函数和加权交叉熵损失函数,加速网络训练的收敛过程并一定程度上优化分割精度。(3)研究了基于融合网络的CT图像结节分类网络,并结合分割网络,实现了甲状腺CT图像自动诊断系统。本文利用网络融合的双线性池化技术,自主设计了一种低级、高级特征融合分类网络,可以综合学习得到甲状腺结节在不同特征水平的表现,实现良恶性的精确分类。并设计了分割分类网络平滑化串联图像处理算法,满足分割网络输出图片对分类网络的输入的适应调整,实现多结节CT图像的智能切分,实现端到端的诊断分类,无需用户对图像进行任何干预处理。利用嘉兴市某医院采集的数据集进行实验验证,对比医院专业诊断判定结果,识别分类系统的准确率达到了85.92%。

关键词： 教学医院   影像专业   实习   放射科  

摘要： 实习阶段是从医学生到医生角色转换的一个非常重要的过渡阶段。通过认真而系统的实习，影像专业的学生可以熟练操作各种大型医疗设备，掌握常见病及多发病的影像诊断，形成系统化的影像诊断思维。因此，如何合理并充分利用这个过渡阶段，培养高素质、高质量的医学影像专业人才，是影像医学实习生教育中急需解决的问题。本文从医患关系、考研和就业，带教老师这三大因素进行剖析，并梳理总结我院影像专业实习医师的培养模式：规范的岗前培训和入科教育，增强带教老师的教学责任感、提高带教老师业务水平，疑难病例和典型病例的读片实践，制定严密的轮转计划、完善实习考核机制，注重人文教育，加强医患沟通，开拓教学思路、多元化的教学模式等，多举并进，为国家培养新一代有理想、有追求、有责任心的新时代医生。

关键词： 深度神经网络   医学图像分析   细粒度图像分析   知识蒸馏   特征学习  

摘要： 随着成像技术的不断发展与完善,医学影像数据飞速增长,从业医师的缓慢培养速度已逐渐无法满足医疗行业日益增长的阅片需求,国内医疗资源正面临巨大压力。计算机辅助诊断作为缓解这一切实矛盾的重要途径,备受工业界、学术界乃至整个社会的广泛关注。然而,医学图像与常见自然图像存在极大区别,其背景更复杂,关注区域(病灶)更小,特征变化更细微,类间关系更复杂。因此医学图像分析的一大研究重点是区分图像间的细微差异,即细粒度识别。现阶段面向医学图像的细粒度识别方法与临床诊断的实际需求仍有较大差距,在小病灶识别、弱监督分类、疾病多分类方面仍存在重大挑战有待解决: 1.小病灶识别——“漏诊、误诊” 在医学图像,如脑转移瘤MRI中,背景里的细小组织(如血管)常呈现与小病灶高度相似的信号,会干扰模型的学习,导致出现假阳性预测。另外,病灶的尺寸跨度大,不同尺寸病灶个体间相互干扰,会进一步影响模型识别小病灶的能力,导致发生漏诊现象。现有方法多关注类别间的不平衡,通过引入轮廓信息或基于区域的损失来提升模型对特定类别的敏感性,忽略了对特定尺寸病灶的学习,往往整体指标高,但小病灶识别精度低。 2.弱监督分类——“精度不足” 医学图像,如乳腺X光,多具有高维度、低信噪比的特点。通过引入分割掩膜、检测框等高精度标签可以排除噪声信息并放大病灶区域的特征,从而提高模型的精度,但对标注人员有严格的专业水平和经验要求,难以推广。而基于图像级标签构建弱监督分类模型,因缺乏对病灶位置的监督,会导致细粒度的纹理和边缘等信息在特征提取过程中逐渐被噪声淹没,从而丢失关键信息,进而影响模型的泛化性和精度。 3.疾病多分类——“相似类易混淆” 在疾病多分类,如皮肤病多分类任务中,不同疾病之间的关系错综复杂,区分不同类别所需的关键因素也有着粒度上的区别,相似类别间的关键辨别性因素粒度更细,较远类别间的辨别性因素粒度更粗。现有方法多忽视类别关系直接对所有疾病分类,会导致网络对粗粒度信息的学习干扰对细粒度信息的学习,从而使模型容易混淆相似类别。目前,较少有研究涉及到类别相似性的刻画与直接利用。 针对上述三个方面的挑战,论文从细粒度分解、细粒度特征增强、类别关系耦合等方向出发,开展面向医学图像的细粒度识别方法研究,并开发了相应的智能辅诊系统。其中研究细粒度分解方法旨在缓解在强监督条件下小目标的漏检和误检问题,提出了将图像信息分解至不同粒度的网络结构和基于像素粒度的损失函数,并研发了脑转移瘤智能检测系统且已投入临床试验;研究细粒度特征增强方法旨在解决弱监督条件下细粒度信息易被淹没的问题,提出了两种基于局部区域特征筛选的细粒度特征增强算法,并研发了乳腺X光智能筛查系统且已投入临床使用;研究类别关系旨在解决多病种识别任务中细粒度类别易混淆的问题,探索了类别关系的量化方法,并提出了两种耦合类别关系的细粒度识别算法。本文的特色与创新如下: 1.基于细粒度分解的脑转移瘤识别模型 针对病灶与背景组织难以区分导致的误诊问题,设计了基于粗-细粒度信息融合的跨切片网络,引入切片维度的外部信息和额外监督,通过可训练的门控特征融合模块实现了由粗到细的病灶预测流程,进而加强模型对背景组织和前景目标的区分,降低误检率。针对病灶尺寸跨度大的特点,将病灶的学习从区域粒度细化至像素粒度,并设计了基于像素加权的损失函数,用以增强分割模型对“难”识别像素的学习,提高检出率。实验采用脑转移瘤MRI数据进行分割任务,结果表明,粒度分解方法可以有效提升模型对小病灶的检出率,可训练的门控模块可以有效降低假阳率。基于上述模型,研发了脑转移瘤智能检测系统,以辅助医生快速定位脑转移瘤,提高阅片效率。该系统已投入临床试验,在实际应用中验证了所提方法可以促进模型对小病灶的识别,降低漏检误检率。 2.基于细粒度特征增强的乳腺X光分类定位模型 在弱监督条件下,针对细粒度信息易被淹没的问题,本文基于乳腺X光背景大病灶小的特点,设计了基于区域的池化结构筛选全局特征捕捉可疑局部细粒度特征,设计了基于全局的池化结构筛选局部细粒度特征重组全局特征,以消除背景信息并增强图像中的细粒度特征的表达。在此基础上,为进一步改善细粒度特征筛选的效果,提出了局部极值映射方法,以较显著的极值作为选择细粒度特征区域的条件,实现了对细粒度特征的进一步强化。实验采用乳腺X光数据进行良恶性分类,结果表明,所提方法不仅可以在传统分类指标上超过已有方法,还能提供额外的病灶位置信息。基于上述模型,研发了乳腺X光智能筛查系统,以辅助医生进行乳腺X光良恶性的快速分类。该系统已投入临床使用,在实际应用中验证了模型提供的病灶位置信息可以有效提高医生的临床诊断效率。 3.耦合细粒度类别关系的皮肤病分类模型 针对相似病灶易混淆的问题,提出了类别相似性关系的量化方法和多粒度标签的聚合算法,并基于此设计了一个通过解

关键词： 医学影像   超分辨率重建   跨模态重建   生成对抗网络   小波变换  

摘要： 在临床上,无创地呈现人体内部生理组织结构和病理信息的医学影像被广泛应用于辅助医师对疾病进行精确地分析和诊断,综合多种模态医学影像的互补信息有助于进一步提高诊断的准确度。然而,受限于物理性质、禁忌症和人力物力成本等因素,临床上通过扫描成像获取高质量的多种模态的医学影像存在很大困难。因此,通过医学影像计算的方式重建出高质量的多模态影像受到广泛关注。相比于传统方法,现有基于深度学习的医学影像重建方法虽然提高了生成影像质量,但是仍然存在着细节纹理恢复不充分、不一致的问题。在此情况下,本文从脑部磁共振影像超分辨率重建和脑部影像跨模态重建两个方面展开研究,旨在设计具有更强细节纹理感知能力的模型。在脑部磁共振影像超分辨率重建上,本文提出一种频率并行的超分辨率模型,称为细节感知的生成对抗网络(Fine Perceptive Generator Adversarial Networks,FP-GANs),以实现对磁共振影像中纹理细节的感知和恢复。该模型基于分而治之的策略,融合小波变换和生成对抗网络,实现对脑部磁共振影像的低频成分和高频成分进行分频并行地超分辨率重建。具体而言,FP-GANs先利用小波变换将磁共振影像分解为低频全局轮廓和高频纹理细节(横向纹理、纵向纹理和对角纹理),再利用4组生成对抗网络分别对各个纹理细节进行处理。这种分别处理脑部磁共振影像中各个纹理细节的机制,有助于避免网络模型对影像中的高频纹理细节的忽略。为了进一步增强模型对细节纹理的感知性能,本文提出一种作用于小波域子带的注意力机制(子带注意力机制)。此外,本文还从小波频域和图像域两个角度设计损失函数,联合引导模型的训练、优化,使得超分重建的结构细节纹理具有更强一致性。通过在Multi Res＿7T和ADNI数据集上的实验证明,相比于对比方法,FP-GANs超分重建结果中的生理组织结构更加细致并且一致性更强。同时,分类实验证明了超分影像有助于提高阿尔茨海默症诊断准确率,这也进一步证明了模型的应用价值。在脑部影像的跨模态重建上,本文提出了一种双阶段的跨模态重建模型(Dual Stage Generator Adversarial Networks,DSGAN),以实现充分提取及解耦模态间的共享潜层特征和频率纹理特征。在第一阶段,采用基于特征金字塔的特征提取器,对源模态脑部影像中的共享多尺度特征信息进行自底向上地提取,以及自顶向下地生成初步的目标模态影像。同时,提出一种基于小波变换的联合编码,将初步目标模态影像转换为小波频域信息,并与提取的共享特征编码进行联合编码,形成从高层到低层的特征控制编码。增强了模型对源模态影像和目标模态影像间的共享多尺度特征的提取和解耦性能,并且增强了模型重建的信息。在第二阶段,采用一种基于生成对抗网络的并行渐进译码的方法,实现对联合编码进行从高层特征到低层特征的渐进译码,逐步细化目标模态影像的生成。该方式有效地增强了对目标模态影像重建过程的稳定性,避免现有方法容易生成伪影等不一致信息的问题。通过在ADNI数据集上的实验证明,提出模型比对比方法能更好地保留影像中的生理结构信息和病理信息,使得重建的影像具有更强的一致性。

关键词： 医学影像分割   微小结构分割   自蒸馏机制   自监督方法   编码器-解码器网络  

摘要： 医学图像分割,其目的是精确地勾勒出人体器官、病变或组织的轮廓,它作为常见疾病筛查和病灶分析的先决条件,是进行准确诊断的重要步骤。然而,以人工的方式对医学图像进行分割需要花费巨大的成本,因此,在当前我国医疗资源不平衡、不充分的前提下,使用计算机技术对医学图像进行自动化分割具有十分重要的意义。通过这种方式,可以极大的缓解医疗人员的工作压力,并为临床诊断提供辅助指导。由于医学影像的特性,对微小结构的分割是一个常见的任务需求,例如眼底血管分割、组织细胞和视盘视杯分割,本文从这些需求场景出发,结合国内外研究现状,开展了以下三点研究:基于自蒸馏方法的眼底血管和组织细胞分割方法。本文首先针对眼底血管和组织细胞分割展开了研究,在这两种任务中,目标结构数量众多、分布密集,导致现有方法难以对血管末梢和细胞边界进行准确分割。针对这种现象,本文提出了一种可以嵌入到绝大部分编码器-解码器网络的自蒸馏训练机制,并在多个公开数据集上进行了实验,实验结果证明了该训练方法可以改善网络分割性能,并且具有极强的通用性。基于增强上采样模块的视盘视杯分割网络。本文接着以视盘视杯分割为研究目标,针对当前主流方法中出现的上采样时信息丢失的现象,分析该现象产生的原因,并提出了一种基于增强上采样模块的分割网络。在多个数据集上的实验,表明本文提出的网络可以生成准确的视盘视杯预测图像。此外,通过与其他方法进行对比,验证了本文提出的方法的先进性。基于自监督学习的分割性能优化方法。最后,本文针对医学图像数据集中数据量稀少,导致网络在训练时很容易出现过拟合,从而影响分割效果的现象,引入了自监督方法进行优化。在实验部分,通过对比分析不同上游任务和参数迁移方式,选取了一种最适合医学影像分割任务需求的自监督方法,并证明了自监督的方法可以通过使用易于收集的无标签数据来改善网络分割性能。

关键词： 计算机辅助诊断   深度学习   医学影像   域自适应   生成对抗网络   多模态   专家知识  

摘要： 医学影像在某些疾病的诊断方面具有得天独厚的优势,其在各级医疗机构中越来越普及,也大幅提升了整个医疗行业的诊疗水平。但与之俱来的是对影像科医生的大量需求,由于影像科医生的培养周期很长,难以满足日益增长的实际需求,导致影像科医生的超负荷工作,而影像科医生的疲劳极易造成漏诊和误诊的情况发生。在这样的背景下,利用计算机来辅助影像科医生进行阅片的技术便应运而生了,也就是计算机辅助诊断,并且随着深度学习技术的出现,计算机辅助诊断取得了快速的发展和很大的成功。然而,其在应用过程中仍然面临着以下挑战: (1)如何消除域偏移的影响?不同厂商的成像设备因所采用的成像算法有所不同,导致它们的成像结果有所差异,也被称为不同的域。当深度学习模型应用于不在训练集中的领域时,其效果就会大幅下降。 (2)如何进行多模态融合?一些疑难疾病的诊断需要依赖多种影像学检查,而不同模态的医学影像之间往往存在较大的差异,如何有效融合多模态信息仍然是一个没有被很好解决的难题。 (3)如何有效运用专家知识?医学影像的判读严重依赖于专家经验,目前专家的经验知识在深度学习系统中被利用得不是很充分,若能综合利用这些专家知识,将会改善深度学习系统的效果与可解释性。 针对医学影像辅助诊断系统所面临的上述挑战,本文进行了深入研究,提出了若干有效的解决方案并将其应用于具体任务中。本文的主要工作和创新点如下: (1)提出了一种生成式领域自适应方法以解决不同域间的泛化性问题。该方法将源域与目标域转换到一个虚拟的共有域(仍是图像空间)并在此域中对齐来自不同域的图像。为了达到这个目的,本文通过一个所有域共享的生成器来进行图像转换,并利用两个相互竞争的判别器以对抗训练的方式来监督转换过程。在本文方法中,不同域之间的对齐发生在表观层,而下游任务的学习则是在特征层,从而松耦合了这两个模块,降低了相互干扰。在表观层还施加了额外的全局感知损失来确保目标信息的完整性。该方法在4.6万胸片数据集上的病灶检测、疾病识别两个任务中超越了代表性的域自适应方法。此外,针对CT(Computed Tomography)影像,本文从其成像原理出发,进一步提出了一种频域空间的对齐方法。该方法首先将原始图像变换到频域,然后通过一个自适应转换模块将不同图像投影到一个统一的虚拟频域空间中,再变换回空域图像;同时为了解决多域间的对抗训练问题,本文还提出了一种随机域对抗训练策略。在公开数据集和内部数据集上的测试结果表明,该方法的效果均超过了其他代表性的域泛化方法。 (2)提出了一种协同注意力模型以解决多模态诊断问题。不同模态的医学影像之间往往存在很大的差异,如2D与3D、宏观与微观(病理图像),因此在多模态融合时应当同时考虑特征的对齐、交互、融合。按照这个流程本论文提出了一种基于协同注意力模型的多模态融合方案,并将其应用于基于MRI(Magnetic Resonance Imaging)与病理图像的脑胶质瘤诊断任务中。该模型包括三个模块:多实例注意力模块、交叉注意力模块,以及注意力融合模块。为了对齐两种模态的特征,本文首先将病理图像划分为图像块并通过噪声抑制算法过滤掉其中的噪声图像块,再利用多实例注意力模块自适应地学习不同图像块的融合权重以得到与MRI特征长度相同的特征;特征对齐后,本文通过交叉注意力模块来隐式地捕捉两种模态间的关系并用于增强各个模态的特征;学习到的交叉注意力矩阵在一定程度上代表了特征的可信度,因此在注意力融合模块中,再次利用它计算出不同模态的融合系数并得到最后的特征表示。通过这三个模块的协同建模最终可以得到一个全面的多模态表征。在公开的CPM-RadPath数据集上的测试结果表明,该方法超越了其他多模态融合方法。 (3)提出了一种专家知识引导的新冠肺炎评分算法。本论文将新冠肺炎的诊疗知识用于评分框架的设计与特征工程中。具体地,本文从新冠肺炎评分的定义出发将肺部CT影像分割为五个肺叶,再通过由粗到精的病灶分割模型得到病灶位置,并根据专家经验提出了一种新的后处理策略来提高病灶测量效果,进而计算出初始评分。由于病灶分割结果与感染程度并不完全等价,并且分割模型会不可避免地带来一些错误,因此本文基于专家知识构建了一组人工特征来进行补偿。这些特征都参考新冠肺炎的影像学表现进行设计,包括纹理、灰度等,并利用多层感知器根据这些特征再次预测一个评分,该评分与初始评分融合后作为最终的评分结果。在新冠肺炎临床数据集上的实验结果表明,该方法的评分结果超越了低年资影像科医生。 在上述研究的基础上,本文通过部署相关的深度学习模型开发了肺结节、新冠肺炎等医学影像辅助诊断系统,并已成功应用于多家医疗机构中,取得了广泛好评。

关键词： 图像配准   医学影像   卷积神经网络   微分同胚   对抗学习  

摘要： 医学图像配准是将两幅医学影像在空间上进行解剖学结构的对齐，借助计算机将患者不同时空的医学影像进行配准和信息融合有助于提高医生诊断的客观性和准确性。基于计算机辅助的非刚性配准方法可分为基于传统的方法和基于深度学习神经网络模型的方法，后者在大部分医学组织器官上的配准速度更快、精度更高，是当前图像配准研究的主流方向。　　基于机器学习的医学影像非刚性配准中作为训练标签的真实变形场通常难以获取，因此基于深度学习的配准方法一般只能采用无监督学习。采用无监督学习的深度学习配准网络，一般常将经过配准后的形变图像和固定图像之间的相似度度量用于约束变形场的生成，但这种间接约束不能保证使用该变形场进行配准的器官在配准前后保持原有的拓扑结构。本文基于上述情况，提出了一种基于多尺度微分同胚的配准网络（Multi-ScaleDiffeomorphicRegistrationNetwork，MDRN），提高了非刚性器官医学图像配准性能。同时，引入多尺度级联网络、将变形场的边缘先验约束设计成锚定损失，以增强模型在形态变化剧烈的小样本数据集上的训练稳定性。最后，引入生成对抗网络（GAN）将多模态配准转化为单模态配准，构建了一种基于联合训练机制的多尺度微分同胚合成配准网络（Multi-scaleDiffeomorphicBasedJointRegistrationamp;SyntheticNetwork，MDJRS-Net），实现了多模态多序列影像的非刚性配准。本文主要的工作和贡献如下：　　1)首先，针对经典的单尺度深度学习配准网络对结构复杂的组织配准精度低、在形态差异较大的器官上训练难以收敛的问题，构建了一种基于无监督深度学习的多尺度级联配准网络模型，对不同分辨率的原始输入图像进行多尺度的级联配准。该模型有效地提高了对结构复杂的组织和形变较大的器官的单模态影像的配准性能，在LPBA40脑部数据集和MSD海马体数据集的仿真结果表明，与主流的无监督配准网络VoxelMorph和CycleMorph相比，MDRN在仅增加了25%参数量的情况下，在MSD海马体数据集的Dice系数获得了大约4.6%的提升，在LPBA40脑部数据集的Dice系数提升了约为3.6%。　　2)其次，针对由于网络深度加深后配准网络的容易发生过拟合，从而其生成的变形场易导致配准后的组织器官发生折叠的问题，在提出的模型中引入微分同胚约束优化了MDRN模型，确保生成的变形场使配准后的器官不发生较多折叠且具有真实的解剖学结构。同时，为了解决在配对图像纹理对比度差异大时模型训练困难的问题，构建了锚定损失并引入渐进训练策略来提高训练速度和较大形变器官的配准性能。在三维的LPBA40脑部和MSD海马体的单模态影像数据集上的消融实验表明，采用微分同胚约束生成的变形场使配准后组织器官的折叠现象得到了显著的改善，采用渐进训练策略后的MDRN模型，其Dice系数较未采用的MDRN模型提升了1.7%。　　3)最后，为了将单模态的医学图像非刚性配准任务进一步拓展到多模态医学图像的配准，本文将MDRN和生成对抗网络（GAN）相结合构建了MDJRS-Net模型。同时，针对该类融合模型容易在细小结构上的生成偏差的问题，设计了结构解耦约束来进一步提升转换模型的生成性能，并通过在网络中引入了对变形场的对抗学习来促使生成器网络生成结构和原图像更加一致的跨域图像。在合作医院提供的二维私有腹部数据集上的仿真实验结果表明，MDJRS-Net相较于其他SOTA模型在CTV到MRI的配准任务上提升了1.95%，而在CTV到CTP的配准任务中获得了1.92%的提升。

关键词： 医学影像   深度学习   超急性期大面积脑缺血   图像分割   图像分类  

摘要： 脑卒中是目前国内成年人致残致死的重要病因,而缺血性脑卒中属于脑卒中的重要类型,近年来缺血性脑卒中的患病率逐年升高。超急性期大面积脑缺血(large hemispheric infarction,LHI)又作为缺血性脑卒中中较为严重的类型,其特点是发病突然,病情迅速恶化,需要快速进行诊断,并实施溶/取栓治疗,才能让病患治疗后获益。如果我们能在超急性期内迅速对患者进行精确诊断,对患者缺血程度进行分级,就能根据患者情况进行准确的干预治疗。计算机断层扫描(computed tomography,CT)由于其成像快,成本低等优点,成为快速诊断和评估卒中患者的首选方式。为此我们希望通过计算机辅助技术结合CT影像对缺血性脑卒中患者提供个性化溶/取栓治疗,解决临床中的欠治疗和过度治疗的问题。因此我们首先要实现对LHI进行自动化分类识别。根据超急性期缺血性卒中的CT影像特点,我们提出“先分割再分类”的智能诊断案。为此我们将方案分为主要的两个任务:颅内缺血区域分割任务和LHI分类任务。针对颅内缺血区域分割任务,考虑任务的复杂性,传统图像处理方式难以满足需求。深度学习理论和技术的出现,为超急性期缺血性脑缺血区域精确分割提供新路径。为此本文提出了一个新型的分割网络模型CF-Net,该分割网络模型能实现对CT二维影像端对端的分割。该网络整体结构采用“编解码”形式,编码器作为特征提取器,解码器作为像素分类器。在网络中,我们采用Non-local模块提取大脑的双侧差异,提高分割准确率。同时我们也利用通道信息融合模块和空间信息融合模块以加强网络对于主要特征信息的敏感度。同时由于CT对与缺血边缘不明显,我们使用Tversky损失函数提高网络的召回率。我们在50例超急性期缺血病患中实验,最终使得分割DSC(Dice Similariy Coefficient,DSC)系数和IOU(intersection over union,IOU)系数达到90.36%、86.75%。针对分类算法,我们对比基于缺血组织体积的分类方法和基于3D分类不同网络的识别结果。本文根据临床医学对超急性期LHI的诊断依据确定了缺血组织体积大于71ml作为LHI的分类标准。同时我们也验证利用3D-VGG、3DRes Net、3D-SENet三种三维卷积网络对分割后的缺血组织的分类效果。我们在135例平扫CT影像数据验证本文的方法,其中包括10例健康志愿者,40例LHI患者和85例非LHI脑梗死患者。实验结果显示根据体积的分类方式识别效果最佳,准确率可以达到91.67%。

关键词： 医学影像   CT   抠图算法   语义分割  

摘要： CT骨骼区域的提取算法可作为骨病灶检测及诊断的基础,排除非骨组织区域的干扰,减少骨病灶误检。由于骨骼内部区域与周围代谢组织CT值的相近,且骨骼轮廓存在边界模糊问题,因此现有的CT骨骼区域提取算法难以在两者差异性缺失的情况下对目标范围进行充分界定。此外,基于深度学习的分割方法可以有效提取高维特征,提高分割效率,但缺乏大规模的CT骨骼区域标注数据集作为有监督条件,导致分割精度不足。然而,医学数据的标注工作需要专业人员来进行,耗时较长,存在人工成本高的问题。因此,CT骨骼区域的自动分割算法具有显著的研究意义和应用价值。本文的主要研究工作包括:(1)针对难以界定骨骼内部区域与周围代谢组织的问题,本文将CT骨骼区域分割任务建模为抠图问题。本文假设在局部窗口内增加已知前景点可以增强该窗口内的空间特征表达,从而弥补未知点与已知背景点在颜色特征上的信息损失,并基于该假设提出了基于前景扩充的抠图增强算法。该算法利用聚类和颜色量化对三分图前景进行扩充,并使用alpha阈值分割迭代增强方法进行多次抠图,直至前景区域变化趋于稳定。在全身骨骼区域分割数据集上的对比实验结果表明,本文所提算法在m Io U指标上优于多个主流医学分割算法,提升了2.11%-6.48%。(2)本文的第一项研究工作大幅提高了分割精度,但分割效率不足。针对该问题,本文利用抠图增强算法生成了CT骨骼区域分割数据集,并假设空间特征表达能够弥补未知点与已知背景点在颜色特征上的信息损失,提出了基于空间特征表达的医学分割网络。该网络以Non-local机制为核心,以稀疏关键点选取代替亲和力矩阵的全局上下文计算,提高了空间特征表达效率。本文在包含15202张横断面标记的分割数据集上进行了测试。实验结果表明,与其他主流医学分割网络相比,该算法在m Io U指标上提升了7.18%。基于以上研究,本文设计了一个CT骨骼区域自动分割工具,部署于广州某三甲医院核医学科。经过实际测试,该工具在测试样本中的准确率为91.11%,分割单样本的平均耗时91.45秒。本文将该工具应用于病灶检测流程中,有效屏蔽了CT切面非骨区域的干扰,降低了骨病灶误判的概率。

关键词： 医学影像分割   网格重建   Transformers   NAS   主动轮廓模型  

摘要： 医学影像分割与重建是医疗辅助诊断中的关键任务,其目的在于从像素级别准确识别出目标器官、组织并还原其三维结构。而在复杂的组织结构中不断提高精度已成为精准医学和智慧医疗的迫切需要,其研究具有一定的实际意义。本文主要研究了基于CT医学影像的多器官分割与重建的关键技术,着重探索了基于Transformer的轻量级分割算法、基于NAS的高效分割架构搜索策略以及基于主动轮廓模型和图卷积的三维重建算法。首先,在基于Transformer的轻量级分割算法中,推导了一种计算复杂度较低的全局自注意力近似方案,在近似方案的基础上,建立了一个由卷积运算和自注意力运算组成的多分支结构用于重构Transformer,将重构后的Transformer嵌入到一个带有跳连接的编解码U型架构中实现腹部多器官分割,该算法能够以更少的参数和更低的计算量获得非常优秀的分割性能。其次,基于神经架构搜索(Neural Architecture Search,NAS)探索了高效分割架构,引入轻量级Transformer,设计了包含多种的卷积算子和轻量级Transformer的多尺度搜索空间,提出了一种高效的资源约束搜索策略来训练搜索网络,它有效地探索搜索空间,并在给定分割任务和计算资源的情况下找到最优架构。此外,在基于主动轮廓模型和图卷积的三维重建算法中,设计了处理三维CT数据的图像编码模块、进行CT数据三维体素分割的分割模块以及将体素特征和网格特征连接起来的特征连接模块用来辅助网格变形,在网格变形部分借鉴主动轮廓模型优化图卷积的形状正则化项,确保网格表面平滑约束,能够得到即平滑又准确的网格表面。总之,论文通过对轻量级分割算法、高效分割架构搜索策略以及三维重建算法的探索,为医学影像分割与重建任务提供了解决方案,具有一定的借鉴意义。