教学课程资源库 更多>>

关键词： 医学影像   肿瘤靶区   卷积神经网络   语义分割   图像分类  

摘要： 放疗是当前临床上癌症治疗的主要手段之一,通常包括影像采集、靶区勾画、放疗计划的制定和实施等步骤。其中,患者的肿瘤靶区勾画是放疗计划制定和实施的重要前提,这一过程通常由医师来手工完成。然而,手工勾画过程费时费力,并且存在着主观性和人眼的局限性问题,影响了肿瘤靶区勾画的效率和准确度,进而影响放疗计划的制定和实施。肿瘤靶区勾画可看成是一个二元像素分类问题,即将影像中的每一像素按照是否为肿瘤靶区分为两类。随着深度学习技术在数字图像处理领域的不断发展和计算设备的更新迭代,肿瘤智能分析诊断技术和靶区自动勾画技术日渐成熟。但由于肿瘤靶区形状大小不固定、肿瘤影像类别不平衡,再加之肿瘤影像低对比度和噪声等因素的干扰,现有的肿瘤靶区自动勾画算法难以达到临床应用要求。本文紧贴临床实际,从鼻咽癌、肺癌和宫颈癌等人体多个不同部位的代表性肿瘤病种入手,围绕着肿瘤靶区自动分割算法开展深入研究。为了解决三维肿瘤分割任务中的图像噪声、肿瘤靶区对比度低和肿瘤靶区形状及尺寸多变等问题,提出全局多注意力网络。全局多注意力网络将视觉模型中的通道和空间注意力机制以及残差结构的思想,融入到网络中的每一编码器和解码器中,加强网络训练阶段对于肿瘤影像中关键区域的学习,提升对于形状不规则靶区的识别能力,有效减轻肿瘤影像低对比度和噪音对于模型训练或推理的干扰。实验结果显示,该网络能更好的完成多个病种的三维肿瘤靶区分割任务。为了解决三维分割网络训练过程中的类别不平衡和对硬件设备要求高等问题,本文提出了基于异常感知的两阶段肿瘤靶区分割算法。该算法充分考虑了三维肿瘤影像的特点,将三维肿瘤靶区分割问题转化为异常切片分类和二维靶区分割两个阶段,更加符合临床勾画流程,增强了算法的可用性、通用性以及分割结果的可靠性。首先,在异常切片分类阶段,对于训练数据规模小和算法可解释性差等问题,提出使用基于决策融合的肿瘤靶区异常感知算法。训练前使用中心剪裁混合算法对肺癌病灶训练数据集进行离线扩充,在训练阶段随机组合了多种数据增强方式,增强肿瘤靶区异常感知算法对于数据集的理解能力,推理过程中通过投票方式对多个网络的决策结果进行融合,在提升分类准确率的同时增强了分类结果的可解释性。最后结合肿瘤靶区影像特点,使用后处理方法进一步提升分类准确率。其次,在二维肿瘤靶区分割阶段,提出拆分注意编码网络。为了解决训练数据规模小和模型泛化性能不高的问题,将在ImageNet数据集上预训练的拆分注意网络模型,迁移至分割网络的编码器部分,提升网络在小规模肿瘤靶区数据集上的收敛效果,并从网络架构设计的角度,通过详细的实验分析了拆分注意编码网络的设计范式。

关键词： 肺结核检测   CT影像   CNN   轻量化   多感受野  

摘要： 肺结核作为常见的传染性疾病,其复杂的病症和较高的筛查成本是肺结核检测领域的难题。通过CT影像技术能够进行初步检查,然而繁重的CT影像资料会造成医师误诊或降低诊断效率,况且仅依靠医师的主观判断和经验性解读不利于肺结核的检测。因此,本文重点研究基于CNN(Convolutional Neural Network)与CT影像的肺结核检测方法,提出了一套肺结核检测模型,包括数据集、胸廓分割网络和病灶检测网络三部分。本文主要研究工作及创新点如下:(1)建立规范的肺结核CT数据集。鉴于公开的数据集较为匮乏,本文从专科医院收集了500例实际病例建立了规范的肺结核CT数据集。为提升数据集的质量,根据专业医师建议对数据集进行了合理划分和图像增强。(2)提出归一化和残差捷径的胸廓分割网络D-Net。肺结核CT数据集中混合着正常和患病切片,且切片上的背景噪声会增加对后续病灶检测网络的干扰。因此,本文提出了一种胸廓分割网络D-Net,实现正常切片和患病切片的分类,并通过分割胸廓来滤除噪声。D-Net在普通卷积层上进行了改进,运用归一化和残差捷径的优化技巧构建了有效特征层,并利用有效特征层连接的方式实现特征融合,避免特征信息的丢失。此外,引入集合相似性敏感度的损失函数提高D-Net对胸廓的分割能力。实验结果表明,D-Net的分类精准度为99.37%,分割Dice系数为99.78%,有效排除了原始数据因素对后续病灶检测网络的干扰。(3)提出轻量化和多感受野的病灶检测网络LIMY。当前基于CNN的肺结核检测网络存在参数量大、检测效率低、误检和漏检率高的问题,本文提出一种病灶检测网络LIMY,能够对D-Net处理后的CT数据进行病灶检测。LIMY通过深度可分离卷积实现轻量化,采用逆向残差结构和通道注意力增强上下文信息的相关性。LIMY利用组合金字塔池化模块收集特征图的局部和全局信息,对多种尺度的病灶特征进行采样,并引入并行的扩张卷积提高对多感受野特征信息的利用效率,加强对小型病灶的特征表达。此外,为LIMY设计了组合损失函数作为优化目标,使LIMY更关注肺结核病灶的位置、类别和置信度分数三个重要因素。实验结果表明,LIMY兼顾了较高的检测精度与效率,其总参数量降低至33.91M,m AP达到了92.83%,误检率和漏检率分别为3.85%和5.60%,且对每张患病CT切片的检测时间为6.27 s。

关键词： 医学影像学   SPOC教学   雨课堂  

摘要： 医学影像学是临床医学的重要组成部分，教学过程中涉及大量的影像资料，对电子设备的依赖性较强，单纯的传统高校课堂教学模式与当前医学影像学教学发展要求较难适应，因此难以达到理想的教学效果。本研究结合医学影像学课程特点，利用信息化及数字化教学手段，进行基于雨课堂的小规模限制性在线课程（SPOC）教学模式改革尝试和探索，获得了一定的成效，切实提高了学习效率。

关键词： 人工智能   结直肠癌   医学影像   影像组学   深度学习  

摘要： 结直肠癌是结肠癌和直肠癌的统称，是常见的消化道恶性肿瘤。医学影像是结直肠癌分期、分子分型预测、疗效评估和预后预测至关重要的辅助手段，其研究一直是医学领域的焦点。人工智能领域的影像组学和深度学习技术通过从医学影像中提取出肉眼无法获得的肿瘤信息，为全面评估肿瘤异质性提供了新的技术，令个性化医学迈入了新的阶段。本文对人工智能在结直肠癌领域的应用现状作一述评，并对未来发展趋势予以展望。

关键词： 深度学习   医学影像分类   标注噪音   互学习标注修正  

摘要： 深度学习技术使医学影像分类准确率得到显著的提升。高性能深度学习模型需要大规模、高质量标注数据集训练,由医学专家标注构建数据集成本高、耗时久,且无法保证标注同质性,难以满足模型训练的需求。众包、在线搜索等标注方式成本较低,但会产生大量标注噪音,导致模型分类准确率下降。标注数量和质量已经成为制约深度学习在医学影像分类中进一步发展的因素之一。标注噪音鲁棒的方法通过调整损失函数、添加正则项或特殊的训练策略达到耐标注噪音的效果,这些方法依赖于准确的样本估计以分离噪音样本。但医学影像数据量小、类内差异大、类间差异小、类别分布不均衡且数据模态多样,现有方法难以准确估计医学数据中的噪声样本,这会导致鲁棒性和泛化性的降低。因此,需要能够有效处理医学影像数据集中标注噪音的方法。针对这一问题,本文从经典的互学习抵抗噪音的角度,研究基于互学习的耐噪音医学影像分类框架。该框架在互信息的基础上提升网络鲁棒性,并在训练中进一步纠正错误的标注。为保证错误纠正的稳定性,提出了课程学习纠正和多网络共纠正的算法。所提出算法可以整合为一个整体框架,适用于任意医学影像分类任务,这一框架主要代码已开源1。本文在两个具有代表性的医学数据集和一个自然图像基准数据集上进行了大量的实验,依次验证提出的算法和整体流程,所提出算法均能够提升网络分类鲁棒性和泛化性,抑制由噪音标注造成的过拟合现象。在公开医学影像数据集Patch Camelyon上,基于互学习的耐噪音鲁棒性学习框架在40%的噪音时仍能达到84.95%的准确率,高于基准鲁棒性方法的准确率（36.44%82.61%）,具有一定实用价值。

关键词： 医学数据   缺失补全   医学影像   深度学习   时间序列   跨模态生成  

摘要： 随着国家在《新一代人工智能发展规划》中明确提出发展智能医疗,运用现代医学信息技术,从医学数据中挖掘有价值的知识已经成为了当下的研究热点。然而,在获取医学数据的现实过程中,受到机器故障、环境限制、收集成本等因素影响,收集到的数据往往存在缺失现象,数据信息的不完整对医学数据挖掘以及后续任务的开展带来了严峻的挑战。因此,如何有效补全缺失的医学数据以提升下游分析任务的效果成为了值得研究的课题。为了消除医学数据缺失带来的影响,本文针对不同类型数据的缺失补全分别进行了研究,并取得了一定的成果。本文的主要研究成果如下:(1)针对非结构化医学数据中多模态医学影像的模态缺失问题,提出了一种基于对抗学习的半监督多模态医学影像合成框架。通过半监督的训练方式整合不成对数据的分布信息和成对数据的样本细节信息,有效摆脱了传统监督合成方法对于大量成对训练数据的依赖;由于细节监督信息的引入,所提模型合成影像的视觉效果明显好于无监督模型。通过在多模态核磁共振影像数据集上进行大量实验,验证了算法的有效性。(2)针对结构化医学数据中纵向电子病历的数据缺失问题,提出了一种融合上下文感知的医学时序数据补全方法。鉴于数据的缺失上下文可能会为数据特征表示的学习提供增益,通过采用混合融合的方式引入该信息以辅助补全任务和下游分类预测任务,并且通过在多个数据集上的实验表明,我们模型的补全结果具有良好的泛化性,可以更好的应用于后续分析任务中。(3)针对结构化医学数据中电子病历数据的随机块缺失问题,提出了一种基于Transformer的医学随机块时序数据补全算法。自注意力机制的应用可以使模型动态地调整输入数据的权重,以在有整块数据缺失的情况下更好地挖掘缺失数据和现存数据之间的相关性,通过采用多任务协同训练的方式使得模型学习到更具有通用性的表征。通过在构建的数据集上进行试验,验证了算法的有效性。

关键词： 深度学习   医学影像   放射学   文献计量学   COVID-19   影像组学  

摘要： 目的:目前深度学习(Deep Learning,DL)神经网络在医学影像处理中的研究数量增长迅速,为了筛选当前受关注的DL网络与热点研究问题,通过文献计量方法挖掘该领域研究的一般规律、研究热点及未来发展趋势。另一方面,应用文献挖掘所获得的当下新兴的DL网络,结合影像组学相关知识,对当前突发的新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)诊断问题展开影像学分析,提高COVID-19的诊断精度。方法:从Pub Med数据库中检索2012-2020年与DL和医学影像相关的原始论文。使用BICOMB、g CLUTO和VOSviewer分别进行高频Me SH词和高频关键词的共词聚类分析。并从每篇文章中提取数据,包括放射亚专科、成像技术、DL网络名称、样本量、图像任务等,通过统计以上数据,分析该领域目前的研究现状及热点主题。针对当前全球热点关注的传染病COVID-19的诊断问题,本文回顾性地从3家医院收集110例COVID-19阳性患者和106例COVID-19阴性患者的数据。由4名放射科专家对CT扫描中的肺炎病变进行病灶分割,并提取病灶中的影像组学特征。将提取出的影像组学特征输入4个常用的机器学习分类器,对COVID-19阳性/阴性患者进行诊断,并比较分类器的性能。同时使用文献计量分析中筛选得到的当前最受关注的DL网络提取图像DL特征,并比较DL特征、影像组学特征、DL+影像组学组合特征在分类器中的分类效果。最后,对比影像科专家使用本文方法作为辅助诊断工具前后的诊断精度。结果:文献计量分析结果表明2017年以来医学影像分析领域DL的文献数量大幅增加,占全部2685篇原始研究的97.2%。其中与胸腔相关研究在2020年超越了神经放射学相关研究,居放射亚专科的首位(188项vs 158项)。作为2020年新出现的高频关键词,生成对抗网络“GAN”型和“COVID-19”分别代表了当前新兴的DL算法与受关注的研究热点,基于生成对抗网络的Big Bi GAN在公共数据集的预训练中达到了无监督表征学习的最优性能,因此,本文使用该网络提取COVID-19 CT影像的DL特征。“radiomics”和“transfer learning”作为本领域的高频关键词,证明影像组学和迁移学习方法在该领域具有重要作用。基于以上分析结果,从用于COVID-19诊断的CT影像中分割出32099个病变的感兴趣区域,根据4个机器学习分类器对影像组学特征的分类结果表明最小绝对收缩和选择算子和线性分类器在外部验证数据集上取得了最佳性能,并与放射科专家取得了良好的一致性。这两种分类器共识别出与COVID-19诊断显著相关的32个高维DL特征和4个影像组学特征(P<0.0001)。两种分类器在外部验证集中都实现了>73.0%的灵敏度和>75.0%的特异度。当使用DL+影像组学的组合模型辅助诊断时,影像科专家诊断的灵敏度和特异度分别提高了16.5%和11.6%。结论:本文评估了DL网络在医学影像分析中应用的一般规律、研究热点和未来趋势,将为未来的医学图像分析研究提供参考。在面对热点及突发的临床问题方面,先进的Big Bi GAN网络提取DL特征能够辅助COVID-19诊断,使用DL+影像组学的组合模型用于COVID-19辅助诊断有助于提高专家的诊断精度。

关键词： 神经网络图像压缩   无损压缩   医学影像  

摘要： 目前,医学影像已成为临床实践中不可或缺的工具。随着医学成像技术的巨大进步,医学影像的数据量显著增加,导致医学影像的存储、检索、传输、管理的负担越来越重。有损压缩算法不适用于医学图像,因为有损压缩引入的伪影可能会误导诊断并导致潜在的医疗事故。为了满足对图像保真度的严格要求,无损压缩是医学图像最可靠的选择。当前基于学习的无损图像压缩方法仅关注低动态范围(Low Dynamic Range,LDR)自然图像(8比特位深),而常见的医学影像例如CT以及MRI,每层的图像都是单通道,高动态范围(High Dynamic Range,HDR)的,其像素值位深为12到16比特,这使得专门为LDR自然图像设计的无损压缩算法不能直接应用在HDR医学影像上。本文主要通过深度学习手段研究HDR医学影像的无损压缩问题,主要完成的工作包括以下两个部分:(1)深度学习结合传统编解码器的无损压缩算法。探索了将HDR医学影像划分成高8比特子图及低8比特子图两部分压缩的可行性,高8比特子图具有分片平滑的特性,易于压缩,所以本文利用传统编解码器压缩高8比特子图,而低8比特子图具有更多的纹理信息,很难被压缩,所以采用性能更强的基于深度学习的无损压缩模型,此外,高低子图之间有较多相似信息,因此本文提出上下文提取以及融合模块,将从高8比特子图提取的上下文先验信息融入到低8比特子图的无损压缩过程中,以降低无损压缩所需的码率。对比实验和消融分析证明所提出的HDR医学影像无损压缩算法达到了目前最好的效果,超过了现有的传统编解码器以及基于学习无损压缩算法。(2)基于双流网络的整体端到端的无损压缩算法。不再利用传统编解码器压缩高8比特子图,而是利用深度学习端到端整体优化的优势,联合压缩高低子图,进一步提升HDR医学影像的无损压缩性能。本文采用有损加残差的无损压缩框架,其利用自回归模型实现残差的无损压缩,而自回归模型受限于序列化编解码,导致其实际应用的价值不大。本文结合了分块并行与几种自回归模型加速算法显著提高了自回归模型的处理速度。实验表明整体端到端优化所需的压缩码率更低,同时加速后的无损压缩算法编解码效率提升了100倍以上。