教学课程资源库 更多>>

关键词： 无监督   生成对抗网络   深度学习   医学影像   图像分割  

摘要： 随着大数据与计算机算力的发展,近年来深度神经网络已经取得了巨大的成功,但是对深度神经网络模型的训练需要有大量的标记数据。于是无监督领域适应技术受到越来越多的研究和关注,领域适应的目的是为了缓解将预先训练好的模型应用到不同领域时需要重新训练的问题,因为这需要大量额外的目标领域的训练数据。尤其是在医疗领域,对数据进行标注需要专家知识,会耗费大量的人力成本。本文针对这一问题提出了一种创新的双策略融合网络(Dual-Scheme Fusion Network,DSFN),从图像级和特征级两个角度进行了源域和目标域的协同对齐,用于在医学图像分割问题中进行无监督领域自适应。特别是,本文在多个层面利用对抗式学习和深度监督机制,对图像的外观进行跨域变换,同时提取域不变的特征。该网络通过一个循环的架构来建立从源域到目标域和从目标域到源域这两种图像级适应方案的连接,这种平衡的联合信息流有助于减少领域差距,将这两种方案的结果进行融合能进一步提高网络的性能。同时,本文通过联合网络的形式同时进行图像分割和图像生成的任务,这两个任务共享一个特征编码器。该特征编码器会同时参与到图像级和特征级适应的过程中,并通过端到端的学习来利用它们的互补优势,以进一步提升网络性能。在大脑肿瘤分割数据集和心脏结构分割数据集上进行实验表明,本文提出的方法与其他最先进的领域适应方法相比,能取得显著的性能改进。同时本文也进行了消融实验,分析了每一个模块的作用,证明了通过本文设计的网络结构,可以将图像级和特征级的适应方式进行结合,共同提高网络性能。

关键词： 集中呈现   交错呈现   观察学习   反馈学习   医学影像  

摘要： 类别学习中,刺激的呈现序列对于学习的效率、学习的内容以及如何学习有非常大的影响。之前的研究已经发现,基于不同学习环境和材料,不同的序列可能对学习有益,常见的呈现序列包括交错呈现和集中呈现,交错呈现即将不同类别的刺激交错呈现,集中呈现是将同一个类别刺激集中连续呈现。而对于哪个呈现序列是最优的,这并不能一概而论,其依赖于中介学习认知系统与类别特征的交互作用。医学影像类别学习是一个比较复杂的过程,在本研究中,将异常图像分为了局灶性病变图像和弥散性病变图像,病变之间的刺激水平差异以自下而上的方式影响的注意力分配,不同类型医学影像的诊断所需的信息在图像上分布不同,这可能导致两种类型的疾病图像和正常图像之间观察行为、学习方式与学习效率的差异。本研究中,我们以不同类型的医学影像为实验材料,探讨不同的学习方式和不同的呈现序列对医学影像分类的影响。在实验一中,两组被试以观察学习的方式对局灶性病变图像和弥散性病变图像进行学习,并以正常图像为参照对象,其中一组在学习过程中以交错呈现的方式呈现刺激,另一组以集中呈现的方式进行学习。在实验二中,两组被试以反馈学习的方式对局灶性病变图像和正常图像进行学习,两组被试学习刺激分别以交错、集中的序列呈现,以探讨在反馈学习条件下,不同呈现序列对于医学影像分类的影响。之后,还对两种不同的学习方式的学习效率进行了对比,探讨不同的学习方式和不同呈现序列对于医学影像分类的影响。实验一的结果发现不同类型病变医学影像的学习效率是不同的,对于弥散性病变图像,被试经过学习成绩得到有效改善,但是局灶性病变图像学习效果不升反降,且没有发现呈现序列的影响;在实验二中,虽然在学习过程中明确观察到两种类型图像的学习成绩有效提升,且交错呈现对于学习的改善更有利。但是这些成绩并没有有效迁移到测试阶段,在测试阶段,正常图像的学习效果有所提升,而局灶性病变图像的学习被阻碍。至于呈现序列,在两种学习条件下,均没有观察到显著的影响,同时,我们也验证了相较于观察学习,通过反馈学习的方式学习医学影像更有优势。由此可见,本研究可以得出如下结论:新手对于不同类型的医学影像的学习效果是不同的,弥散性病变图像和正常图像经过学习,其学习效果明显提升,而局灶性病变图像,经过学习,其学习效率并没有得到很好的改善。对于两种不同的学习方式,通过反馈学习的学习效果要更好一些。虽然并没有发现呈现序列的主要影响及与其他变量的交互作用,但是我们不能否认其对于类别学习的积极影响。哪种呈现序列可以更好地提高学习效率取决于学习内容以及学习过程的编码加工过程,如何通过安排更高效、有优势的呈现序列来提高学习者学习的绩效将是我们接下来继续进行探讨的内容。

关键词： 无监督学习   图像配准   模型解耦   正则项学习   深度学习  

摘要： 图像配准是医学影像处理和智能分析中的重要环节。图像配准的精确与否很大程度上会影响后续的影像处理分析结果。本文围绕基于深度学习的医学影像配准问题展开研究,提出了基于模型解耦和正则项学习的无监督深度学习方法。具体地,首先我们将图像配准这个高度病态的反问题分解成两个较简单的子问题,从而降低模型复杂度。进一步,通过构造两个轻量的神经网络分别逼近这两个子问题的解,并使用交替迭代的训练策略进行求解。其次,我们提出了基于正则项学习的深度学习框架,将正则项以网络的形式进行逼近,借助数据驱动的方法学习更符合实际数据分布的正则约束,避免了因提前设定的先验知识与实际数据分布存在偏差而造成的配准误差,从而实现精度更高且数据自适应的配准算法。最后,将基于模型解耦和正则项学习的算法在大脑核磁共振图像数据集LPBA40和肺部计算机断层扫描图像(CT)数据集DIRLAB上进行图像配准任务的测试。实验结果表明,本文提出的算法较传统学习算法能够获得更好的配准效果。

关键词： 医学影像学研究生   学术型   专业型   教学方法   人才培养  

摘要： 为了满足对不同人才的需求,当前医学影像学研究生的培养模式分为专业型和学术型,然而,当前专业型研究生普遍存在影像专业技能培训不充分、科研能力不强、思想人文教育不足等问题,学术型研究生则存在生源相对较差、缺乏对科研的兴趣、科研能力和创新思维不强等问题。本文分析了这些问题产生的原因,并针对这些问题提出了一些切实可行的研究生教学和培养对策,以期促进医学影像学高层次人才教育的发展。

关键词： 微课   PBL教学法   医学影像   教学  

摘要： 目的:针对医学影像教学中使用微课结合PBL教学法的效果进行探究,有助于医学影像学日常教学质量的全面提升。方法:在医学影像专业规培生中选择60人,通过随机的方式将其分为传统组(n=30)以及教学组(n=30)两组,传统组以传统教学方式进行讲课,教学组则通过微课结合PBL教学法的方式讲述,针对两组教学考核成绩以及满意度进行对比。结果:对两组学生考核样本以及相关数据加以分析,最终发现在问答题、满意度以及名词解释等方面教学组明显更占优势,两组数据存在显著差异,同时具备统计学意义(P<0.05)。结论:医学影像教学中使用微课结合PBL教学法可以取得理想效果,与传统教学方式相比优势更突出,因此在实践中可推广应用。

关键词： 翻转课堂   微信   医学影像检查技术  

摘要： 目的:探究医学影像检查技术教学中采用翻转课堂联合微信教学模式的应用价值。方法:以60例学生进行此项研究,且每位学生均进行医学影像检查技术学习,随机分为两组,即常规教学组和翻转课堂联合微信教学模式教学组,依次为对照组和观察组;以理论知识掌握程度、技术操作水平以及教学满意度等指标进行评价,确定教学方法的应用价值。结果:观察组学生理论知识掌握程度水平较高,且能够熟练掌握操作技术,并且接受联合教学模式,指标数据与对照组相比较,P<0.05。结论:在医学院学生的教学活动中,教师应立足于实际情况,为学生创新教学模式,即翻转课堂联合微信教学模式,对学生理论知识水平提升有重要作用,对操作技能的提高有积极意义,也对传统教学模式的改革有推动作用。

关键词： 医学影像   深度学习   病变区域目标检测   多尺度融合   anchor-free  

摘要： 近年来,计算机辅助诊断系统的应用越来越广泛,它极大地帮助了放射科医生识别病变区域的种类,达到早发现、早治疗的目的。病变区域检测在计算机辅助诊断中占重要地位,检测结果的好坏直接影响到后续的疾病诊断。基于深度学习的病变区域检测方法在医学影像领域有更好的表现,因此,有越来越多的学者进行深入研究。针对目前病变检测方法的局限性,本文提出了一种新的病变区域检测网络架构。该架构能够检测不同部位的病变区域,并且取得较好的检测效果,主要研究内容如下:(1)目前病变检测模型大多采用基于先验框的方法,它会导致正负样本分布失衡以及超参数过多的问题。另外,由于不同部位的病变区域大小和纹理各不相同,单一尺度的网络结构很难精准检测不同的病变区域。为此,提出了基于多尺度特征融合的无锚框医学影像检测算法。首先,将图像输入混合沙漏特征提取网络,获得不同尺度的高分辨率图像,然后将不同尺度的特征图输入增强带权特征融合网络中,使不同层之间的语义信息和空间信息结合更加紧密。在后处理阶段,提出了自中心点到角点的新变换方式来预测边界框,使之更加准确和稳定。实验证明,所提出的模型获得了65%以上的精度以及相对理想的灵敏度,超越了大部分现有的模型,达到了较为领先的水平。(2)医学影像中,部分病变区域目标较小,而现有多尺度模型很少考虑不同尺度特征层之间的关联度,特别地,对小型病变区域的特征提取能力相对较弱。为了更好地检测小目标区域,本文对特征融合结构进行深入探索,提出了适合不同尺度病变区域检测的结构,融合横向特征的同时也考虑纵向特征的关联度,即对相邻层的特征进行加权融合。另外,本文从无锚框检测角度出发,探索了预测框和真值框之间的中心点偏移量对定位效果的影响,提出了一种新的损失函数——增强中心点偏移量损失,对预测框和真值框中心点的偏移量损失进行加强,从而增强小目标的回归效果。通过对包含不同尺度病变区域图像的分析,发现所提出的方法在检测结果上有更大的提升,AP50指标下可以达到66.1%,获得了更高的精度。

关键词： 众包   图像标注   医学影像   计算机辅助诊断   机器学习  

摘要： 随着21世纪全球软硬件研发能力的飞速提升,由此诞生的各式各类医学影像设备逐步被各大医院所引进,如今的医疗患者们在治疗过程中所接触到的医学影像为临床医生诊断疾病和确定治疗方案提供了重要依据,常见的医学影像辅助检测系统如CT(电子计算机断层扫描)、PET(正电子发射型计算机断层显像)、MRI(核磁共振成像)、US(超声成像)等,其显著的提高了临床医生治疗效率,节约了诊疗时间成本。然而,医学影像领域发展迅速,也带来了许多令人困扰的问题,首先,医学影像观察总结需要影像医师具有大量的经验以及专业知识,这无疑是增加了临床医生的学习成本。其次,即使对于经验和知识都非常丰富的医师来说,面对大数量的医学影像的查阅、诊断和报告撰写是非常耗时的,这也增加了临床医生的时间成本。针对上述问题,结合日益活跃群体智能领域的研究与应用,本文提出与实现了一个基于众包思想与原则的医学影像标注及分析系统,主要工作内容如下:(1)实现了一套基于众包机制的医学影像标注方案。本系统融合了众包任务机制和医疗影像的标注及诊断特性,搭建了一个支持医学影像数字化获取、分片存储、众包标注等功能的应用系统平台。(2)制定了“基于角色的权限管理”机制。本系统的权限控制均基于用户的角色,资源的访问权限包与角色所关联,用户具备某角色,也就相应具备了该角色所关联的权限,使得用户、角色和系统权限两两解耦,权限配置和角色配置均具备一定的可重用性。(3)探索了机器学习领域中运用Tensor Flow或者Pytorch导出模型进行医学影像智能诊断,同时支持任务结果导出,支持线下机器学习模型训练。

ISBN: (纸本)9787030677754

关键词： 小样本分割   医学影像   数据增强   生成对抗网络  

摘要： 大数据时代的降临,伴随着医学成像设备的升级,产生了大量的医学影像数据,加重了影像分析医生的负担。因此,容易会出现疾病漏诊误诊的情况,导致诊断结果出现偏差。人工智能技术使计算机辅助医生进行疾病诊断成为可能。辅助诊断不仅减轻了医生负担,还减少了漏诊误诊的可能性。医学影像分割技术,正是辅助诊断的基础。然而,基于深度学习的分割技术需要大量的已标注信息。该需求与当前医学影像标注数据量少、标注数据昂贵、迁移成本高存在矛盾。因此,本文提出了一种基于小样本学习的医学影像分割技术,分别从先验知识的算法、数据、模型三方面展开研究,充分利用已有的标签数据,并使用少量的标签就能使网络完成新类别标签的分割任务。本文主要工作包括以下三点:(1)算法方面:由于数据增强操作对不同的医学影像数据有不同程度的作用,为了利用先验知识优化搜索最优模型,提出了基于迁移学习的小样本增强策略。通过评估各操作对该数据集的效果设置概率;然后使用基于分类网络的自监督学习模块,获得小样本分割的特征提取网络的初始参数;最后将该参数迁移至小样本分割的特征提取网络。在三个小样本数据集的分割任务上证明了该策略可以提升网络分割的精度。(2)数据方面:针对医学影像已标注数据量少的问题,为了通过先验知识扩充训练数据集,提出了一种基于生成对抗网络的医学小样本扩充技术,用于对数据集进行扩充。该方法针对不同任务的目标域,设置了两种框架,并提出了基于任务的分割损失函数。在三个数据集上进行了验证,获得了质量较好的生成数据集和更优的分割评分。(3)模型方面:结合所获得的算法和数据方面的先验知识,为了利用先验知识缩小模型需要搜索的空间,使小样本分割模型在分割新数据样本时不进行微调也能得到较好分割结果,提出了一种面向医学影像原型提取的小样本分割技术。该技术通过多尺度特征提取、多原型融合等方法,在三个数据集上完成了对新类别较准确地分割。