教学课程资源库 更多>>

关键词： 离群点检测   大数据   脑与行为关联分析   医学影像   质控  

摘要： 背景及目的: 高质量的数据是使分析产生可靠结果并得出可信赖的结论的前提条件。随着技术的进步,包括医学影像在内的很多学科领域已步入大数据时代。对数据进行人工检查已无法满足大数据时代所面临的海量数据分析的要求,因此,各种自动化离群值检测方法成为必须。目前国际上针对大样本数据的离群样本点检测如何选择合适的方法尚未形成共识,也缺乏对不同离群点检测方法的系统性比较研究。针对这一问题,本研究利用九种经典的多变量、无监督的离群值检测方法对一套真实的影像遗传学大样本数据集以及一套仿真数据集进行了离群值检测,系统比较了九种方法所检测出的离群样本点的异同,并探究了其对后续脑影像数据和认知行为学数据之间关联分析的影响,旨在为大样本数据分析场景下的离群值检测选择合适的方法提供参考。 材料与方法: 本研究使用的真实数据集为中国健康汉族人群影像遗传学大样本队列数据库(Chinese Imaging Genetics Study,CHIMGEN)中的认知行为学数据和脑结构影像数据。首先,基于CHIMGEN中的八类认知行为学数据,分别利用九种离群点检测算法,包括基于K近邻求和(KNN-SUM)、基于K近邻累加求和(KNN-AGG)、局部离群因子(LOF)、局部距离离群因子(LDOF)、基于连接的离群因子(COF)、自然离群因子(NOF)、基于反向K近邻的离群点检测(INFLO)、基于密度的空间聚类算法(DBSCAN)和孤立森林(i FOREST)进行离群点检测。其次,对每类认知行为学数据的九种方法检测结果在十个离群点比例阈值(0.5%,1%,3%,5%,10%,15%,20%,30%,40%,50%)上进行比较分析。具体地,针对每类行为学数据以及每个阈值,从四个方面对不同方法检测出的离群点进行了比较:(1)不同数量的方法同时检测出的离群点占所有方法检测出的总离群点个数的比例,以及不同方法检测出的离群点的重叠率;(2)基于不同方法(DBSCAN除外)所计算出的样本离群分数之间的斯皮尔曼相关系数;(3)基于不同方法所检测出的离群点在各数据维度之间的各向异性分数以评估不同方法所检测的离群点在数据离群维度方面的异同;(4)利用线性回归方程分别在去除离群点前后进行脑灰质体积影像学指标和认知行为学数据之间的关联分析,以考察基于不同方法检测的离群点对脑与行为关联分析结果的影响。除真实数据集外,我们还产生了五套具有不同维度的仿真数据,进一步考察了数据维度对不同离群点检测方法的影响。 结果: 本研究主要发现以下四个结果:(1)低阈值(即离群值检测比例较低)的情况下,只被一种方法检测出的离群点占总离群点的比例高达50%以上,随着阈值的增大,该比例逐渐降低;(2)KNN-SUM和KNN-AGG方法、KNN-SUM与DBSCAN方法、KNN-AGG与DBSCAN方法检测出的离群点重叠率较高,达到80%以上;(3)真实数据与仿真数据均提示在低维度数据上INFLO方法对样本离群程度的评估和其它方法差异很大,而在高维度数据上NOF方法对样本离群程度的评估和其它方法差异很大;(4)分别针对不同方法所检测的离群点,均表现出将离群点去除后的脑影像-行为关联分析的模型拟合度F值相较于去除前要显著升高,且随着阈值的升高呈现先上升后下降的趋势,但不同方法之间未表现出明显差异。 结论: 基于上述结果,本研究可得到以下三点结论:(1)总体来讲,不同方法所检测出的离群点差异较大,尤其是当离群点检测比例设定较低时;相比较而言,本研究所涉及的九种方法中,KNN-SUM、KNN-AGG与DBSCAN三种方法所检测到的离群点的相似性较高;(2)INFLO方法和NOF方法对样本离群程度的评估会受到量表数据维度较大的影响;对低维数据应尽量避免使用INFLO方法,而对高维数据应尽量避免使用NOF方法。(3)针对不同离群点检测方法所检测出的离群点分别予以去除后,通过线性回归分析所得到的脑影像指标与认知行为数据的关联程度在不同方法之间差异较小,但不论用何种离群点检测方法,去除离群点后脑影像指标与认知行为数据的关联程度均有显著提升,说明大样本数据中的离群点仍会对线性回归分析结果产生不利影响,说明大样本数据质控过程中对离群点进行检测十分必要。

关键词： 脑血肿分割   脑肿瘤分割   深度学习   小波变换   混合现实  

摘要： 脑血肿与脑肿瘤会对颅内正常组织会造成挤压效应,严重损害中枢神经,进而危及病人生命安全。治疗脑部病灶的手段一般为神经外科手术,医生需要在术前阶段对病灶医学影像进行诊断分析,常用医学影像分割技术辅助处理。然而,分割算法仍存在许多挑战与困难。在脑血肿分割中,病灶与正常组织之间边界模糊、灰度信息上表现相似,造成分割结果包含了正常组织,容易发生误诊现象;在脑肿瘤分割中,肿瘤包含浸润水肿部分、肿瘤核与坏疽部分,分割算法难以准确地确定脑肿瘤各个部分的轮廓,而且庞大的多模态数据量会使得分割时长增加,影响医生监测脑肿瘤情况。本文针对目前上述病灶分割算法存在的问题和困难,提出一种水平集脑血肿分割算法框架和结合小波变换的U-Net脑肿瘤分割算法,主要的贡献和创新点为:(1)利用图像金字塔和最小正包围盒算法进行两次Fast Marching脑血肿分割,在不对参数进行多次调整的情况下提高算法运算速度和分割精度,得到粗分割结果;对于过分割部分,利用GMM-EM分类算法保留脑血肿部分,其中,为减少GMM-EM运算时的迭代次数,利用K-Means++算法进行分类中心初始化,降低了GMM-EM的运算用时。对比同类型算法,本文提出的框架在分割效率上有明显提高。(2)在脑肿瘤分割算法中,利用离散小波变换结合Ghost Net的轻量化设计模块,替换U-Net的卷积层,以重用脑肿瘤特征,减少计算量;为避免编码路径的池化下采样过程丢失脑肿瘤的结构信息,利用Haar小波变换替代池化层,将变换后的高频分量对应加入到U-Net解码路径的上采样过程,还原脑肿瘤的结构信息。最后,设计两个神经网络模型分别分割脑肿瘤的整体轮廓和肿瘤核,通过级联策略连接两个网络模型,实现端到端训练。对比目前最佳算法,本文提出的脑肿瘤分割算法仍有一定的竞争力。(3)本文还提出一种用于混合现实配准的标定回路算法,利用SVD算法配准虚拟世界坐标系与现实世界坐标系,从而令医生能够直观地观察到病灶位置信息,以体模实验验证算法实用性和配准精度。研究的分割算法进而用于一套医用光学导航系统开发当中,开展体模实验,模拟神经外科手术过程,验证分割算法的可靠性和实用性。

关键词： 三维医学影像   UNET   多尺度感受野机制   深度监督   损失函数  

摘要： 临床中进行疾病诊断需要对医学影像进行分割研究。基于医学影像分割的技术,是辅助医生对病灶组织外部形态进行观测、诊断以及分析的有效方法。但由于医学图像本身的高度复杂性,依靠人工分析医学图像是低效率的,因此,高效的自动化分割医学影像的应用具有重大意义。目前,基于传统机器学习的图像分割方法达不到业界对分割精度的要求,因此,有学者应用基于深度学习的算法对医学影像进行分割研究。但目前提出的大多数医学影像分割模型,为了改善特征提取能力而极力地增加网络深度,这种方式造成了模型结构臃肿,另外,模型的训练效率往往较低且泛化能力较差。对于当前全卷积神经网络存在的感受野大小固定以及训练过程中深层特征信息损失较严重等问题,本文提出IASPP-UNET(Improved Atrous Spatial Pyramid Pooling Block UNET)模型。本文提出的模型架构在三维UNET(Three-Dimensional UNET,3D UNET)的基础上引入了多尺度感受野与残差机制,并使用了深度分支监督机制,通过对模型结构优化,与原始模型相比就具有更强的特征提取能力与减低了深度信息损失。同时,通过使用Dice损失与Lovász-Softmax损失融合作为新的损失函数,可缓解医学数据类别不均衡的问题,能够更加有效地进行医学影像的分割任务。本文实验对3D医学影像的自动化分割算法进行研究,通过多尺度机制以及多种优化措施提高模型的分割性能,本文主要研究内容包括:(1)阐述了医学影像特点和分割算法研究发展背景,其次,介绍了基于传统的与基于深度学习算法的图像分割技术的共同优缺点;(2)介绍了二维和三维医学图像的基本特点,以及阐述了语义分割模型中广泛应用的编解码结构,提出了针对三维医学数据的图像增强策略、图像预处理方法以及后处理方法;(3)阐述了以3D UNET为基础的编码-解码架构的基本概念,对于当前全卷积神经网络存在的特征感受野适应性不强,不同特征提取能力差异较大,训练过程中细节信息严重损失等问题,本文提出一种医学影像分割架构。该网络模型架构主要功能包括:用于对图像特征进行多尺度特征提取的图像编码器、还有用来生成结合浅层与深层图像特征的残差图像解码器,有效地防止特征信息在整个网络信息传输运行过程中发生丢失以及引入深度监督分支,有助于神经网络模型在编码阶段训练到更好的图像压缩特征,并且对模型整体参数权重起到强大正则化作用;(4)本文在模型本身与深度监督网络之间使用Dice损失与Lovász-Softmax损失融合形成新的损失函数,抑制了医学数据中存在的类别不均衡的现象,以提升网络的分割效果;(5)在本文第四章中对两种医学影像数据进行相关实验与分析,根据实验结果分析可知,前列腺影像的平均像素精度、平均交并比、Dice系数以及豪斯多夫距离分别为94.38%、76.25%、92.23%以及3.76mm,优于当前主流的模型分割结果,证明了本模型的有效性;而左心房影像的分割效果则验证了模型本身的泛化能力。

关键词： 深度学习   肺炎识别   连生网络   目标检测  

摘要： 深度学习在自然语言处理、图像识别领域的应用日益丰富。近年来,大量的研究涉及了医学影像的自动识别与辅助诊断。医学影像的识别成为了深度学习从计算机领域向医学领域延伸的热点和切入点。利用深度学习进行医疗影像的识别与检测,不仅从很大程度上能够缓解医疗资源的紧张,同时还可以避免人为因素导致的误诊、漏诊现象。尤其是在疾病爆发阶段,在面对大量医学影像时,利用计算机辅助医生进行医学图像的诊断,能够大幅提高诊断效率。在新冠肺炎疫情爆发的背景下,大量研究人员尝试从肺部CT图像、X光等新冠肺炎相关的医学影像出发,抓取其中新冠肺炎症状的图像特征,帮助医生进行新冠肺炎的诊断,以缓解医疗资源紧张的问题。目前,利用深度学习进行新冠肺炎CT图像的识别任务当中,存在如下几个难点导致现有模型并不能真正意义上胜任这一任务:(1)医学影像的特征不同于普通图像,难以进行特征的抓取。在肺部计算机断层图像中,除了肺部组织之外,还包括肌肉、骨骼等多种组织,让机器学习包含这些组织的原始图像时,容易造成模型的关注点转移到这些组织上,从而导致识别的准确率难以提升;(2)模型种类多,模型对不同特征的把握程度有很大差异,分类的准确度有很大的差异性和不稳定性,并且对于现有研究来说,整体效果不佳;(3)医学专家利用人工对图像的标注十分耗费时间,而卷积神经网络的输出仅仅是概率标签,缺少对病灶坐标的标注。针对上述问题,本文在新冠肺炎诊断和CT图像中磨玻璃影检测方向进行了研究,具体贡献如下:(1)搜集整理了新冠肺炎计算机断层图像数据,并针对图像的特点,利用基于阈值的肺部实质分割算法,构建了适合深度学习训练的数据集;(2)实验对比了现有经典卷积神经网络模型在新冠肺炎CT数据集上的识别效果,对效果最优的模型进行改进,重构网络结构,调整传统卷积神经网络中通道关系,提出了适合新冠肺炎诊断的网络模型,大幅提升了卷积神经网络识别的效率。同时利用Siamese Network架构优化了训练模型,提高了COVID Net模型在新冠肺炎数据集上的特征提取能力,提高了识别准确率;(3)在Yolo V4目标检测网络架构的基础上嵌入COVID Net结构,改进了其原有特征提取网络Darknet 53,实现了对新冠肺炎中主要影像特征肺部磨玻璃的自动检测。在检测的准确率方面,模型在相同任务上达到了SOTA,有重要的应用价值和研究价值。本文对相关卷积神经网络进行了改进,改良后的模型在新冠肺炎肺部计算机断层图像数据集上的识别的准确度和效率得以提高。本文提出的病灶检测模型,实现了对病灶区域的检测,具有重要的实际意义和临床实践价值。

关键词： 人工智能   医学影像   课程改革   教学模式  

摘要： 人工智能技术在医学影像领域的成功应用对高校的学生培养提出了新的要求,仅凭书本知识和传统教学模式难以培养出掌握人工智能的全面性医学影像人才,文章试从丰富人工智能教学内容、发展智能教学模式、加强学科基础教学、开展科研技能综合能力培养、注重人文价值观塑造等方面进行了探讨,为培养服务卫生健康事业和具备医学科研创新能力的高素质影像人才提供参考。

关键词： 医学影像   手术模拟   人工智能   深度学习   虚拟现实  

摘要： 近年来,深度学习在一些具有挑战性的高难度问题中取得了巨大的成功,这其中就包含深度学习在医学图像分析中的应用。率先提出并采用三维卷积神经网络从核磁共振图像中自动检测大脑微出血。为了减少肺结节自动检测中的假阳性,设计了考虑多级上下文信息的三维卷积神经网络框架,并进一步提出了一种新颖高效的三维神经网络,配备了三维深度监督机制,从而全面解决了三维网络优化难点和医学训练样本不足的挑战。对深度学习的成功应用涵盖了广泛的医学图像模式,包括组织病理学成像、超声成像、MR/CT成像和皮肤镜成像等。同时,虚拟现实在临床中的应用也取得了长足进步,基于虚拟现实的手术模拟成为一种经济且有效的临床培训手段。通过医学成像、运动追踪、物理模拟、触觉反馈和视觉呈现的智能集成来构建逼真的虚拟环境,从而实现提供外科手术专业培训的目标。主要介绍了使用深度学习进行医学图像分析的最新工作,以及开发的基于虚拟现实的一系列手术模拟系统。

摘要： 积极探索计算机辅助诊断在医学影像和医学图像处理中的应用进展对当前持续改善医学影像和医学图像处理机制具有重要的现实意义。本文将结合《医学影像和医学图像处理》一书,分析计算机辅助诊断在医学影像和医学图像处理中的应用进展,探索计算机辅助诊断在医学影像和医学图像处理中的优化建议,以期为当前高质量开展医学图像处理和计算机辅助诊断研究工作提供有效参考。

关键词： 医学影像   图像生成   生成对抗网络   结构损失   区域性特征  

摘要： 肿瘤是人类面临的重大疾病之一,其发病率和死亡率呈逐年上升的趋势,如何实现对肿瘤的个性化精准诊断已成为医学研究的重要问题。计算机辅助诊断(CAD)融合了医学研究和计算机视觉两大领域的研究特点,被广泛应用于医学影像的分类、分割和配准等研究任务中。但是研究发现,由于隐私保护和收集成本的原因,优质的训练数据往往难以获得,限制了辅助诊断模型的性能。基于生成对抗网络(Generative Adversarial Network,GAN)的图像生成方法为医学图像研究中生成训练图像提供了可能的解决方案,其中图像生成质量及生成图像的应用方法是需要研究的关键问题。本文以GAN为研究课题,重点研究基于GAN的医学图像生成方法,旨在解决医学图像数据集中数据稀疏或不平衡的问题,本文主要工作包括:1)针对GAN模型训练中存在模式崩溃和梯度消失的问题,本文提出一种融合多尺度特征的生成对抗模型Multi-GAN,该模型通过改进Sin GAN的生成器结构和损失函数,能够学习医学图像低尺度下的结构特征和高尺度下的纹理特征,有效的提升了生成图像的质量。实验结果表明,通过Multi-GAN生成的恶性乳腺钼靶图像可以有效弥补INbreast数据集中良恶性数据不平衡的问题,提升分类模型的预测性能,实现了0.92的AUC值和85.5%的分类准确率,比传统数据增广方法提升了0.15的AUC值。2)针对GAN模型中生成图像与真实图像间的结构不一致性问题,本文提出了一种融合区域性特征的生成对抗模型FP-GAN。该模型的循环一致性机制保证了生成图像与真实图像间的结构一致性,并且,通过向模型中添加先验的区域特征辅助生成器学习,能够生成高质量的医学图像及相应的感兴趣区图像(ROI)。实验结果显示,该方法有效提升了生成图像的质量,并且同其他方法相比,在峰值信噪比(PSNR)、均方误差(MSE)、结构相似性(SSIM)和豪斯多夫距离等多个图像评估指标上取得了较好的结果。在BRATS 2017数据集上验证试验表明,该方法生成的图像可以有效辅助机器学习模型的训练,提升预测模型的泛化性能,相比经典模型cycle GAN生成的图像,能够提升4%的分类准确率。本论文研究结果表明基于GAN的图像生成方法能够有效扩展医学影像数据集的数据量,一定程度上缓解医学研究中数据规模小、数据集不平衡、数据质量差等问题,提升医学影像模型的性能。

关键词： 阿尔茨海默症   轻度认知障碍   医学影像   选择性多聚腺苷酸化   早期诊断  

摘要： 阿尔茨海默症(Alzheimer’s disease,AD)是一种典型的神经退行性疾病且病因尚不完全明晰,患病之后AD患者的日常生活因认知功能受损、记忆障碍等受到严重损害,且患者及其家庭的生活方式、生活质量以及工作方式均会因此受到严重影响。轻度认知障碍(mild cognitive impairment,MCI)被认为是痴呆和AD在疾病进程中临床上可检测到的前驱阶段,AD患者精准的早期诊断尤其是MCI患者是否会进展为AD的个性化预测以及AD发病机制的研究对于AD病程的早期干预和治疗至关重要。 为了探究AD患者的早期诊断,本文从三个方面展开研究。第一,针对ADNI数据库中收集到的154位AD患者和133位健康被试的结构MRI影像数据及AV45-PET影像数据集进行了回顾性研究:根据神经心理学量表CDR的得分将数据分为AD和健康被试两组,随后分别获得结构MRI影像和AV45-PET影像的皮层及皮层下特征;接下来基于特征选择之后得到42个的多模态特征构建十折交叉验证的SVM早期诊断模型,且所构建模型在训练集和测试集的AUC分别达到了0.892和0.750。第二,利用从ADNI数据库收集到的164位有纵向结构MRI影像数据的MCI患者进行了回顾性分析研究:首先,根据患者神经心理学量表CDR的纵向得分变化,将MCI患者划分为纵向时间内恶化为AD的MCI患者和未恶化为AD的MCI患者两组;随后对所有结构MRI影像数据进行预处理、分割灰质密度图像,并划分纵向图像块;应用具备判别能力的字典学习框架对MCI患者的图像块进行区分从而避免对感兴趣特征区域的分割;然后,将患者的图像块中被归类为更严重萎缩的图像块的比例作为其特征输入到SVM中,之后用四折交叉验证预测未知患者,预测平均准确率和AUC分别为0.973和0.984。第三,采用ADNI数据库54位健康被试及55位AD患者的WGS数据以及AV45-PET影像,回顾性地探究AD患者的选择性多聚腺苷酸化(alternative polyadenylation,APA)、APA差异基因以及淀粉样蛋白代谢之间的关系:首先,根据AD患者和健康被试的SNP数据中的坐标信息,将参考基因组中对应坐标的碱基进行替换得到每个AD患者或健康被试的全基因组序列;之后提取14号染色体上基因的3’端序列并利用独立样本T检验获得AD和健康被试两组的APA差异位点并得到APA差异基因;同时计算AV45-PET影像皮层各脑区和皮层下结构的标准吸收率;随后通过GO和KEGG富集对APA差异基因进行功能注释和通路分析,并对APA差异基因的表达数据与标准吸收率做相关分析。 本文的研究表明单独使用结构MRI影像进行AD患者和健康被试的分类可以达到良好的效果,多模态医学影像的使用有助于AD早期诊断模型性能的提高;应用纵向结构MRI影像及字典学习框架进行MCI患者进展的预测可以达到更好的预测效果,且p MCI患者脑萎缩的区域在整个大脑中所占的比例可能更大;SNP介导的APA差异位点所属的APA差异基因与AD患者不同脑区的淀粉样蛋白代谢可能存在相关关系。

关键词： 脊柱畸形   医学影像   深度学习   深度神经网络   回归网络  

摘要： 脊柱畸形是危害青少年的常见疾病,最新统计数据显示,我国脊柱畸形的患者超过300万,脊柱畸形在青少年人群中的发病率高达百分之二十。脊柱发生畸形的程度越小,越容易被矫正,所以早期发现和治疗是至关重要的。脊柱畸形的临床诊断、随访以及手术治疗方案的确定在很大程度上取决于脊柱排列参数,包括冠状位排列(Cobb角)和矢状位排列(即胸椎后凸角,腰椎前凸角,骶骨倾斜角)。医学上这些参数的测量通常都是由专业的医生使用基于医院的PACS(Picture Archiving and Communication System,图像存档和通信系统)的内置工具进行测量的。参数测量是一个手动且耗时的过程,随着病例数量的急剧增多将会导致医生的工作压力急剧增大,从而有可能增大测量不准的风险,测量结果呈现出可避免的测量者内部和测量者之间的差异,因而研究高准确度高效率的脊柱弯曲角度自动测量技术意义重大。本文在矢状位上的弯曲角度自动测量以真实的临床脊柱X-ray图像的手机拍照光学图像为实验数据。矢状位上胸椎部分的椎骨区域受胸部肋骨等影响,X-ray图像呈现伪影,椎骨形状不明显,针对上述问题本文先对脊柱区域进行了定位,将背景区域滤除;之后通过对比多种图像分割方法,设计出适用于此应用的图像分割网络得到椎骨图像;最后考虑到在脊柱畸形的情况下,椎骨形状呈现出明显的不规则多边形,为解决此问题,设计了一个基于深度神经网络和集成学习的自适应回归网络计算矢状位的弯曲角度,从而完成矢状位上排列参数的自动测量。本文同时对冠状位上的弯曲角度自动测量进行了研究,不同于矢状位的图像,冠状位X-ray图像中的每—个椎骨区域清晰可见。本文针对此图像特点采用关键点检测技术进行脊柱角点的检测。利用基于VGG、ResNet的结构分别作为图像特征提取器,引入图像的热图,构建关键点检测网络模块,最后设计自适应的角度回归神经网络完成冠状面弯曲角度的自动测量。通过对比实验分析,上述方法和技术使得脊柱弯曲角度的自动测量准确高效,达到了预期效果。