教学课程资源库 更多>>

关键词： 医学影像分割   深度学习   几何先验学习   计算机辅助诊断  

摘要： 医学影像分割是医学影像人工智能领域的一个研究热点,在过去20年里,随着医学影像技术和人工智能算法的改进与优化,取得了快速长足的发展,但是医学影像分割任务依然是一项具有挑战性的研究课题,因为不同成像技术存在噪声、图像强度不均匀、部分容积效应以及伪影等,这些因素容易导致部分医学影像的感兴趣的目标和组织对比度下降,使边缘结构具有一定的不均匀性和模糊性。此外人体解剖结构的多样性以及在不同模态图像上的特异性表达,增加了目标对象的复杂性。本文以医学影像分割为应用背景,以提升分割结果完整性和边界准确性为研究目标,从轮廓引导图推理学习、迭代边缘注意学习、几何结构对抗学习三个层面分别提出了三种基于几何先验学习的分割算法。本文主要研究工作和创新点如下:(1)提出了轮廓引导图推理网络(Contour-Guided Graph Reasoning Network,CGRNet)。该方法包含三个核心模块:特征提取模块、轮廓保持模块、图推理模块。特征提取模块通过提取对象的低层次和高层次特征来进行全局图表示。轮廓保持模块通过融合多尺度轮廓信息来保持轮廓的几何先验信息。图推理模块将提取的区域和轮廓的跨域特征通过图上的节点来更新与传播信息,有效地学习和推理语义之间关系。最后,将轮廓引导学习到的细化图特征重新投影回原始像素坐标空间,用于最终的逐像素分割任务。实验结果表明,与现有的其他主要方法相比,所提出的CGRNet在三个公开可用且具有挑战性的Kvasir、CVC-612和COVID19-100数据集上,其取得了更好的分割性能。(2)提出了迭代边缘注意网络(Iterative Edge Attention Network,EANet)。该方法包含三个核心模块:动态尺度感知上下文模块、边缘注意力保持模块、多级成对回归模块。动态尺度感知上下文模块通过动态调整感受野,有效地提取目标多尺度上下文信息。边缘注意力保持模块可以有效地去除冗余噪声,并帮助边缘流专注于仅处理与边界相关的几何信息。多级成对回归模块将互补的边缘与区域信息结合起来,通过迭代优化有助于学习详细的特征表示以及更准确的显著图,进一步细化复杂医学影像的模糊结构。实验结果表明,所提出的EANet在四种具有挑战性的医学分割任务中达到了先进的水平,包括肺结节分割、COVID-19肺部感染分割、肺分割和甲状腺结节分割。(3)提出了几何结构对抗学习网络(Geometric Structure Adversarial Learning,GSAL)。该方法引入了一个新的几何结构学习机制,以克服现有分割模型缺乏学习“重点、路径和难度”的局限性。其中,GSAL包含三个核心部分:几何结构生成器、类骨架和边界结构判别器、几何结构融合子网络。几何结构生成器通过生成类骨架和边界结构,保持了内部影像特征一致性和外部边界结构连续性。类骨架和边界结构判别器,增强和修正了内部和外部几何结构特征,以相互促进的方式对全局上下文依赖关系的捕获。几何结构融合子网络,通过融合两个互补和精炼的类骨架和边界结构,产生更强的细粒度特征,从而提升了最终分割结果的准确性。所提出的GSAL已经成功的应用在三种不同挑战的医学影像分割任务,包括息肉分割、COVID-19肺部感染分割和肺结节分割。实验结果和消融研究验证了本文算法的鲁棒性以及每个核心组件的有效性。此外,在不同的分割评价指标下GSAL显著优于对比的其他方法。

关键词： 新冠肺炎   医学影像   样本有限   肺实质分割   分类诊断  

摘要： 2019新型冠状病毒肺炎(以下简称新冠肺炎)是一种具有极强传染性的呼吸道传染疾病，已导致数亿人感染，并造成数百万人死亡。控制疫情的关键是快速有效地筛查新冠肺炎疑似患者，从根源切断病毒地传播。实时逆转录-聚合酶链反应是用于筛查新冠肺炎疑似患者的主要手段，但其阳性率低且耗时长，需要增加辅助方法。医学影像作为新冠肺炎诊断标准之一，可作为辅助手段用于提高疑似患者的筛查效率，但是这给医生带来了巨大挑战。新冠肺炎早期患者影像特征不明显，和健康者相似，后期和普通病毒性肺炎患者相似。医生需要从大量影像中区分影像特征相似的新冠肺炎、病毒性肺炎和健康样本，工作量大且效率低，很容易出现误诊和漏诊现象。以深度学习为核心的计算机辅助检测方法可以辅助医生承担繁琐的病灶筛查工作，并且有部分研究已取得良好的成果，但目前仍然存在三个问题:(1)因为涉及病人隐私且大量标注需要巨大成本，所以公开可用的新冠肺炎样本有限;(2)新冠肺炎影像的肺实质分割精度不高;(3)现有肺炎诊断模型计算量大，不适用于存储资源和计算资源都有限的医用平台。　　本文针对上述问题，对基于医学影像的肺炎诊断方法做了系统研究，主要包含肺实质分割和病灶诊断两部分，主要的研究内容和创新点如下:　　(1)提出了一种阈值凸包算法用于修补肺边界。该算法在凸包算法的基础上增加了一个阈值，用于判断肺边界是否需要修补，解决了原有凸包算法对肺与心脏相邻边界过修补的情况。基于公开数据集和私有数据集的证明，该算法优于现有的修补算法，在有效修补肺部轮廓凹陷的同时也能更好的保留肺部轮廓，实现更精准的修补。　　(2)结合上述的阈值凸包算法，提出了一种基于传统图像分割原理的肺实质分割方法。该方法普适性较强，不受样本限制，可应用于分割不同类型的CT切片，包括前中后不同序列的CT和影像特征不同的CT。基于分割结果证明，该方法优于其余肺实质分割方法。另外，对比医生专业的标注，该方法能够分割出较为完整的肺实质，可满足临床应用的要求。　　(3)提出了一种轻量级模型(Light-weightedHybridNetwork，LWHNet)用于医学影像三分类:新冠肺炎、病毒性肺炎和健康样本。复杂的模型对大规模标注样本和高性能计算设备GPU都极其依赖。鉴于样本有限和医用平台计算力有限，提出了更适用于小样本训练的轻量级模型LWHNet。LWHNet采用稠密连接和并行卷积相结合的方式来提高模型在小数据集上的学习能力和泛化能力，同时通过分离卷积和改变扩张率的方式来压缩模型参数。为了进一步提高模型性能，增加了注意力机制模块，从通道和空间两个角度细化特征的表达，使有限的参数更关注重要的病灶特征，提高参数利用率。基于公开数据集和私有数据集的证明，该算法能够有效克服训练数据不足的问题，即便在仅有几百张样本的训练情况下也能达到较好的分类性能。另外，对比六种经典网络和现有的新冠肺炎诊断方法，LWHNet以更少的参数实现了最高的分类效果。　　综上，本文针对基于医学影像的肺炎诊断方法的肺实质分割和病灶诊断两大模块都提出了改进，并且通过三个数据集的充分验证得出结论:本文提出的方法在样本有限的情况下仍然可以对新冠肺炎、病毒性肺炎和健康样本实现有效的分类，模型的实用性和泛化性很突出，可用于辅助医生提高新冠肺炎疑似患者的筛查效率。

关键词： 医学影像   图像融合   机器学习   低耦合   对抗自编码器  

摘要： 多模态融合是指对提供同一任务的不同视图的多个数据集进行联合分析。一般来说,它可以提取比单独分析更多的信息。仅仅对于单模态的生物识别不足以满足实际使用中的诸多需求,多种模态的融合特征可以揭示一些在单模态成像分析当中遗漏的信息。静息状态和结构磁共振图像已被证明有利于脑病理学的研究,主要是因为这些神经成像方式的互补时空分辨率。因此在本文中主要实现了分别对静息态功能和结构磁共振图像的单模态特征提取以及多模态融合,并且使用了多个数据集测试模型的泛化能力。具体研究内容如下:(1)针对时域的差异性并没有同步显现在空域的问题,本文引入了独立成分分析、滑动窗口相关性和k均值聚类等机器学习的方法得到了静息态功能磁共振图像的时域特征。分类结果显示出选择的时域特征具有良好的分类效果。通过进一步对时域信息的分析中发现在不同应用中(正常男性与女性、自闭症患者与正常对照组、甲基苯丙胺戒断患者与正常对照组),都存在一些差异性显著的脑网络区域。(2)针对传统处理结构核磁共振图像工作量大、过程复杂,对研究人员要求有一定先验知识的问题,本文使用了独立成分分析提取结构核磁共振图像的负荷系数,这是一种以数据为驱动的自动化方法。在使用分类器验证负荷系数的分类可靠性后,对脑网络差异展开了进一步的分析。(3)对于多模态生物特征的识别,采用合适的融合方法能够充分利用各个模态特征之间更深层次的信息。为了验证多模态数据具有信息互补的优点,本文使用了低耦合的对抗自编码器网络作为融合模型,将融合后的特征分布定义为公共和特有的特征,分别表示模态之间共享和互补的信息,有效地减少跨模态特征之间的干扰。最终使用分类器网络测试融合特征的分类结果,相比于单模态而言,多模态特征的分类准确度较高,这也说明了融合后的特征包含有更多的差异信息。本文主要使用了机器学习以及深度学习的方法实现了对单模态特征的提取以及多模态特征之间的融合,并通过对分类的结果回溯到脑网络分析差异性,为医学分析和诊断确定了潜在的相关特征,进一步推动关于人脑运行机制和病理特征的研究。图26幅,表8个,参考文献104篇

关键词： 翻转课堂   教学改革   医学影像诊断学   医学影像学  

摘要： 目的 探讨在医学影像诊断学实验课中应用翻转课堂教学法的价值。方法 将2018级1班和3班医学影像专业大四本科生共98名纳入本次研究；随机抽取49名同学组成临时班级采用传统教学模式（对照组），另外49名同学组成另一临时班级采用翻转课堂教学法的教学模式（研究组）；从阅片实践能力、理论知识掌握能力及自我学习能力三个方面对教学模式效果进行评价。结果 研究组学生的阅片实践能力和自我学习能力优于对照组，且差异具有统计学意义（P<0.05）；研究组与对照组重点知识的掌握能力没有显著差异。结论 翻转课堂教学法能显著提升医学影像专业学生的阅片实践能力，且能有效提高学生的自主学习热情，翻转课堂可在医学影像诊断学实验课中推广。

关键词： 案例教学法   标准化病人   联合教学   医学影像技术   教学效果  

摘要： 目的：分析医学影像技术带教联合应用案例教学法与标准化病人的作用。方法：将2017年7月～2021年6月的225例医学影像学专业学生作为研究对象，随机分为常规组与观察组，常规组学生接受传统功能制带教，观察组学生采取案例教学法联合标准化病人教学，比较两组学生的考核成绩、学习指标、对神经内科了解程度、职业自我效能感、对培训效果的综合评价。结果：观察组学生考核成绩高于常规组学生，P<0.05；观察组学生学习指标评分高于常规组学生，P<0.05；观察组学生对神经内科了解程度高于常规组学生，P<0.05；观察组学生职业自我效能感高于常规组学生，P<0.05；观察组学生对培训效果的综合评价高于常规组学生，P<0.05。结论：案例教学法与标准化病人联合教学有着显著效果，可以考虑积极推广。

关键词： 图像分类   医学图像   深度学习   注意力机制   残差连接  

摘要： 近些年来,计算机辅助诊断(Computer-aided diagnosis,CAD)已成为医学影像学和放射诊断学的主要研究课题之一。从芝加哥召开的北美放射学会(RSNA)年会以来,关于CAD相关主题的论文数量每年都在大量增加。许多不同类型的CAD方案正在开发中,用于检测和/或描述医学成像中的各种病变,包括常规投影X射线技术、计算机断层扫描(Computed Tomography,CT)、磁共振成像(Magnetic Resonance Imaging,MRI)和超声波(Ultrasound)。目前正在接受CAD研究的器官包括胸部、结肠、大脑、肝脏、肾脏以及血管和骨骼系统。CAD的基本概念是提供计算机输出作为“第二意见”,以帮助放射科医生读取图像。因此,为了开发成功的CAD方案,不仅需要开发计算机算法,还需要研究计算机输出对放射科医生的诊断有多有用,如何量化计算机输出对放射科医生的益处,以及如何最大限度地发挥计算机输出对诊断的影响。因此,使用可靠的方法(如接收器操作特征分析)对放射科医生进行大规模观察者性能研究,与CAD领域计算机算法的开发同等重要。因此,CAD的研究和开发需要不同背景的研究人员的团队努力,如物理学家、放射科医生、计算机科学家、工程师、心理学家和统计学家。Covid-19是一种新型冠状病毒,在2019年年末开始全球范围性爆发。随着疫情在各国迅速传播,大多数国家由于没有及时形成有效的预防措施。同时,各国面临着医疗资源严重短缺的问题,造成感染和死亡人数激增,尤其在贫困地区和国家。由于使用的核糖核酸检测(RT-PCR)成本高昂,检测时间过长,医务人员主观评断等因素容易导致误判,这些问题促使我们研究一种深度学习模型用于帮助医务人员使用医学影像检测COVID-19病例。并且考虑到以上全球各地区地的各种因素,我提出了以下两种基于深度学习的COVID-19医学图像自动识别的人工智能方法。(1)针对COVID-19肺部X-Ray图像特征本文提出深度学习方法MLES-Net。考虑到COVID-19患者的X-Ray图像类别间相似度高且类别内变异性低的特点,我们针对性地设计了一种多层级增强感知模块(Multi Level Enhanced Sense,MLES),并以此模块为基础提出一种新的卷积神经网络MLES-Net对COVID-19的肺部X-Ray图像进行分类识别。本文提出的深度学习方法MLES-Net在两个开源数据集的基础上,对MLES-Net进行评估,实验结果表明MLES-Net56-GAPFC在整体准确率(95.27%)和针对COVID-19类的识别率(100%)均达到最佳。而与其他同类型方法相比,此方法的MLES-Net56-GAPFC不管是在模型训练速度,模型参数大小,还是检测结果准确率也表现不错。(2)针对COVID-19肺部CT图像特征本文提出深度学习方法RSP-Net。由于患者的CT图像则表现为肺部多发小斑片影及间质改变,肺外周较明显,进展后发展为肺部多发磨玻璃混浊/肺磨玻璃影(GGO)、浸润影。针对患者的胸部CT图像特点,我们引用了双重注意力机制,以通道注意力机制和空间注意力机制为基础进行特征提取,并对两种注意力机制以并联和串联的方式进行试验,提出了一种新的卷积神经网络RSP-Net用以对COVID-19的肺部X-Ray图像进行分类处理。在开源数据集上,实验结果表明,RSP-Net(parallel)具有94.55%的准确率。通过对比实验结果的分析和与其他方法的对比,本文的模型对COVID-19患者的CT图像的分类能力表现良好。与此同时,为了提高识别效率,本文提出的两种方法的网络模型都采用三种分类器进行分类,一层全连接层(Fooling Connected Layer,FC),全局平均池化层(Global Average Pooling Layer,GAP)模块和GAPFC模块。其中,经参数量和计算量比较,选择GAPFC作为分类器的两种网络模型在各方面表现都综合最优。

关键词： 医学影像多标签预测   诊断报告生成   知识图谱   图神经网络  

摘要： 随着医疗领域信息化的快速发展,医疗领域正步入智能化时代,面向医疗领域的图像文本生成模型能减轻医生阅片和撰写诊断报告的工作负荷,有效提高医生的诊断效率。目前,医学影像报告生成研究的主要局限包括:1)倾向于生成语法合理的句子,忽略了医学文本的医学和语义特征,尤其是描述图像的异常发现及其相关知识。2)聚焦于图像的短文本生成,以模板填充的形式描述图像的医学发现,文本信息缺乏多样性,影响医学影像报告的描述能力。为解决上述问题,本文从知识增强的角度对医学影像报告生成展开研究,主要内容包括知识增强的病变标签预测和知识增强的诊断报告生成。详细描述如下: 针对医学影像的标签预测,本文将其处理成多标签分类问题。基于图卷积神经网络的图像多标签分类方法有效建模了病变标签之间的依赖关系,但由于标签共现信息是根据数据集的标签分布情况计算的,过分依赖于标注数据的统计结果。为了挖掘病变标签间的各种显式关系以用于病变标注,本文研究了三种建模医学知识图谱的标签关系并获取其语义信息的方法,即多关系特征聚合、多跳知识聚合以及最短路径特征聚合。最后,将标签融合特征与图像特征输入多标签分类器实现病变预测。在IU X-Ray胸部X影像数据集上的实验结果表明,该方法在AUC等评估指标上相比于ML-GCN模型提升了2.19%,提高了病变识别的准确性,可以更好地辅助影像报告生成研究。 对于医学影像的长文本语义描述,为了充分考虑诊断文本的医学特征,本文以外部医学知识为突破口,在诊断报告生成过程中引入临床知识,提出了知识增强的诊断报告生成模型。知识增强模型通过对外部医学知识图谱的表示学习,并融合视觉特征、文本特征以及知识特征,丰富异常发现的文本表述。基于此,该模型在分层LSTM以及Transformer框架中对文本序列建模,实现医学影像的诊断长文本生成。在IU X-Ray数据集的实验结果表明,该方法在各项评价指标上优于大部分主流模型,尤其是HLSTM+KG模型在BLEU1、BLEU2和ROUGE-L上分别提升3.6%、3.7%和2.2%,验证了知识增强模型能够提高了医学影像文本生成的准确度,丰富诊断报告的医学信息。

关键词： 深度生成模型   医学影像分割   弱监督   循环一致性   标签激活区域转换网络  

摘要： 医学影像产业是我国医疗器械领域中最大的细分领域。近些年来,随着人工智能技术和医学影像技术的迅速发展和大幅度进步,医学影像已经成为了临床疾病诊断、疾病治疗以及现代医学研究中一个必不可少的技术手段。在医学影像辅助诊断领域中,医生或研究人员在对内部组织器官进行定性和定量分析、病情实时监控以及未来治疗规划时,为了能够做出尽可能正确的治疗决策,通常需要了解这种组织器官的一些详细信息,因此生物医学影像已成为疾病诊断和治疗中不可或缺的组成部分,且变得日益重要。由于医学影像临床注释的不充分和不明确性,当前医学影像自动分割方法的发展受到很大阻碍。然而,在临床实践中,粗略的分类标签(如有疾病或正常),而不是精确的像素级分割mask标签,是比较常见和易于获得的。但如何充分利用这些弱的临床标签来推断精确的病灶分割mask在很大程度上还没有进行充分探索。相比于全监督语义分割方法,弱监督语义分割方法所需要的标注信息易于获取,标注成本更低。近些年来出现了很多优秀的弱监督语义分割工作,这些方法在自然图像、医学影像、遥感图像等领域都取得了很好的效果。较弱的监督信号有图像类别标注、边界框标注、手工涂鸦标注以及标记点标注等,不同的弱监督语义分割工作都尝试从不同的角度入手,研究怎样在测试精度和训练数据标注之间做出权衡。在这几种监督信号类型中,图像类别的监督强度是最低的,通过图像类别仅能知道图像中有什么对象,而无法得知哪些像素属于这些类别。但是类别标注的成本是最低的,也是最易于获取的,因此在弱监督语义分割领域涌现出很多仅使用类别信息作为监督信号的工作,我们在正文中对这些工作分别进行了分类和整理。本文提出了一种基于深度生成模型的弱监督的医学影像分割模型,通过类激活图(CAM)引导的循环一致性标签激活区域转换网络来直接生成病灶分割mask。我们的模型以循环生成对抗网络为基础架构,在其中加入CAM模块来生成一个初始的病灶分割区域,即标签激活区域。为了消除CAM引导的分割mask的模糊边界,我们引入了一个互补分支融合模块,只在标签激活的区域上进行语义转换。互补分支融合网络包含三个分支,分别是图像转换分支、病灶mask分支以及重构分支。三个分支的特征图互为补充,在对应通道中进行融合。该模型可以识别像素级的标签不一致区域,同时保持其他位置的语义信息和纹理结构。通过在图像合成过程中转换标签的语义相关区域,精确进行病灶边界分割。此外,生成的病灶mask还通过联合判别策略得到进一步的优化。在BraTS数据集、ISIC数据集以及COVID-19数据集上进行的对比实验和消融实验表明,我们方法的分割性能在各个评价指标上都优于其他的对比弱监督分割方法。此外,我们还在少样本数据集上进行了病灶分割实验,展示了我们的模型可以只使用少量样本数据进行训练就取得良好的分割效果。基于一系列实验进行的分析也展示了我们模型有效性。

摘要： 《实用医学影像杂志》是山西省卫生健康委员会主管,山西医药卫生传媒集团有限责任公司主办的专业学术期刊。本刊为双月刊,双月30日出刊,国内外公开发行,国际标准连续出版物号ISSN 1009-6817,国内统一连续出版物号CN 14-1281/R,邮发代号22-195,定价12元/册。本刊面向医学影像专业及临床各专业学科的广大医务人员,重点反映我国普通放射、CT、磁共振、介入放射、核医学、超声、放疗等方面的新技术、新进展、新成果以及各种影像机械检修、投照及机器应用,同时刊登临床各专业学科医生应用影像技术诊治的新经验、新手段和新技术。

关键词： 情景案例   导学   混合教学   医学影像学   应用  

摘要： 目的：探讨基于情景案例导学的混合教学模式在医学影像学教学中的应用效果。方法：选取本院临床医学专业2018和2019级学生作为研究对象，其中2018级66名学生传统授课为对照组，2019级68名学生采用基于情景案例导学的混合教学模式授课为实验组。t检验分析两组期末理论成绩差异，并开展问卷调查。结果：实验组期末成绩和优秀人数优于对照组（p<0.05）。该种教学方法有助于增强学习兴趣和自主学习，促进知识理解和掌握，能够提高阅片能力，有助于理论和实践融合，增强了医学职业道德和素养。结论：基于情景案例导学的混合教学模式能提高教学质量，教学效果明显。