教学课程资源库 更多>>

关键词： 医学影像学   医学影像设备学   教学过程  

摘要： 医学影像设备学是医学影像学专业学生必须要学习的一门课程。这门课程对学生的逻辑思维有较高的要求,相比较其他的学科课程而言,这门课程的知识较为抽象,需要学生在课下花费较多的时间来进行复习。同时,这一门课程的课时设置较少,因此在教学上存在着一定的难度。倘若教师无法使用较为科学合理的教学模式来进行医学影像设备学的教学,那么教学效果是无法达到预期目标的。本文将对相关专业的医学影像设备学课程教学进行深入的研究与分析。

摘要： (以姓氏笔画为序)为保证本刊发表文章的学术质量,本刊采用双向匿名审稿制度。编辑部本着专业对口的原则,邀请相关领域专家审稿。2021年度共有190位专家参与本刊审稿,特此志谢。

关键词： 计算机视觉   细粒度图像识别   注意力机制   医学影像   特征提取  

摘要： 细粒度图像识别(亦称:细粒度识别)是一项区分同一类别下的不同子类别物体的图像识别任务。这一任务具有着广泛的应用价值。例如,在商品零售领域,如何智能地区分包装相似的不同品牌、类型商品;在医学影像领域,如何区分疾病的良恶性及不同亚型;在智慧城市领域,如何精准识别并统计汽车、行人;等等。与此同时,细粒度图像识别也面临诸多技术挑战。细粒度识别的对象来自于同一大类别下,辨识信息隐藏在局部区域,这需要我们对辨识性目标进行精准的定位;细粒度识别的物体区分信息十分细微,这要求特征提取必须灵敏且鲁棒;细粒度识别面向复杂应用场景,这要求模型要有抗干扰能力,同时应灵活、轻量。鉴于细粒度图像识别苛刻的任务难度以及重要的应用价值,本文围绕细粒度图像识别的关键技术开展系统性研究,主要工作列举如下:1.目标定位研究目标的精细定位可以为识别系统提供精准的输入数据,这是细粒度识别的基础。通常来说,目标定位任务可以分为两种:一种是关键点的定位,另一种是区域的定位。对于关键点定位研究,传统方法使用卷积神经网络的层层叠加提取关键点特征,这样的方法忽视了关键点之间的全局结构依赖,同时对畸形关键点定位能力差。针对此问题,本文首先提出一种基于局部区域依赖关系的检测方法,采用Faster RCNN实现畸形关键点的临近组织的定位。其次提出一种融合局部与空间依赖的分割方法。采用U-Net捕捉关键点的局部纹理特征,并设计一种轻量化的非局部模块捕捉关键点的全局结构特征。最终本文结合儿童发育性髋关节脱位诊断任务,对畸形关键点的定位取得了良好性能,继而实现了可靠的临床诊断。对于局部区域定位研究,传统方法采用目标检测实现,这样的方法需要精细且庞大的专业标注,限制了方法的可应用性。针对此问题,本文提出一种基于区域自一致性的弱监督定位方法,可以在不依赖精细标注的情况下,自主地定位关键区域。最终本文结合儿童骨龄评估任务,实现了自动的骨骼关节区域定位,继而实现了精准的骨龄评估。2.特征提取研究基于输入数据提取精细的视觉特征,是细粒度识别的关键环节。首先,本文提出了一种基于局部间约束的特征提取方法。根据区域在注意力和识别的一致性优化特征提取器,进而将全局特征与多个区分性区域特征拼接,得到精细且全面的视觉特征。第二,传统注意力机制对局部区域均采用孤立的特征提取方法,将局部特征学习任务视作孤立分类任务,此过程忽视了全局特征对局部特征的约束。针对此问题,本文设计一种全局-局部相关性约束,使用知识蒸馏方法将全局知识传递到局部,在局部特征提取的过程中引入全局知识的约束。第三,本文进一步探索了细粒度识别任务的数据增广方法。传统数据增广方法对全局图像施加噪声,然而,细粒度图像识别更注重对局部区域的特征学习。针对此问题,本文设计一种局部区域扰动的数据增广方法,对图像的若干局部区域进行信息擦除,有效地提升了网络特征提取能力和泛化能力。3.特征优化研究对提取到的特征进行优化增强,可以改进识别效果,是细粒度识别的进一步提升。特征提取器提取的原始特征是存在大量冗余和噪声干扰的,这对细粒度识别的分类器造成了困扰;同时,当前通过注意力机制优化特征的方法设计模型复杂计算量大。针对此问题,本文设计一种轻量化的软注意力方法,对区分性特征进行强化,对噪声进行抑制。为了保证注意力的区分性,本文设计基于单独注意力强化后的识别损失;为了保证注意力的多样性,本文设计注意力隐属性,使注意力具有语义歧义性,保证不同子注意力的多样性。基于区分性和多样性的视觉注意力,本文方法有效地对原特征图进行了优化,从而促进识别精度进一步提升。同时,大量的对比实验也证明了,本文方法在提升精度同时,仅仅带来微弱的计算开支,充分保证了方法的实际应用价值。最终,本文根据所提出方法,在细粒度识别的科学任务上进行了论证,并结合儿童骨科医学影像分析实际应用上进行检验。本文对细粒度识别关键技术进行了系统的、有针对性的研究,并在科学研究和实际应用上取得一定成果。

关键词： 结直肠息肉   医学影像   病灶识别   轮廓背景先验   显著性检测   深度特征  

摘要： 结直肠息肉是一种常见的结肠疾病，随着时间的推移可能会发展为结直肠癌，严重威胁人类健康。切除息肉是预防结直肠息肉恶化为癌症最有效的方法，但医生首先需要从数量庞大的医学影像中判断有无息肉并确定息肉的位置，长时间工作医生会因视觉疲劳而增加息肉漏诊的概率。因此，用于息肉识别的计算机辅助检测系统对于提高检测效率、缓解医生压力有重要意义。显著性检测是常用于图像识别的计算机辅助检测方法，分为传统目标检测方法和基于机器学习或深度学习的方法。传统目标检测使用特征或先验知识，方法简单耗时短，但难以在相似肠壁背景中精确识别息肉目标;机器学习可实现高准确率但需要大量标签数据集，而医学图像的标注需要具备较强的专业知识，难以获取如此大量的有标签数据。为了解决在数据量较少的肠道图像中实现精确识别息肉的问题，本文提出了传统显著性检测结合机器学习算法的显著性息肉检测方法。　　本文首先提出了基于轮廓背景先验的显著性息肉检测方法，该方法致力于寻找新的适合于肠道息肉场景的背景先验知识，在提取先验知识时，通过对比图像中肠壁轮廓与息肉轮廓的差异，设计了一种基于凹凸性的轮廓筛选方法，将肠壁褶皱轮廓区域定义为背景先验。此外，采用多连通区域中心高斯模型来增强前景、抑制背景同时增强多息肉的检测效果。实验结果表明，相较于主流的显著性检测算法，本文算法能更快地检测出息肉区域，同时能够有效检测到多个目标息肉。　　进而，本文提出了基于深度特征的Adaboost分类器方法，完成了对肠道息肉图像的精确识别。此方法用传统显著性检测得到的显著图作为标签图，以超像素块为单位划分正负样本，省去了繁琐的人工标注环节并解决了训练数据集不足的问题。为了改善低层次特征在目标与背景相似场景中表现欠佳的问题，提出了超像素卷积神经网络(Superpixel Convolutional Neural Networks，SCNN)提取深度特征，获取了更具代表性的语义信息。然后用多核SVM(Support Vector Machine)为弱分类器，以Adaboost迭代算法训练这些弱分类器，得到了性能更高的分类器。实验结果证明，本方法得到的测试数据集的显著图与人工标注的标签图相差不大，通过消融实验也证明了加入深度特征及Adaboost迭代算法对肠道息肉检测的有效性。

关键词： 虚拟仿真教学   医学影像技术   医学影像设备   实践教学  

摘要： 医学影像设备是医学领域内影像技术学的专业核心,操作性与实践性非常强,实践教学在医学影像设备里面一直是相关专业技术课程开展的瓶颈。当前,运用虚拟仿真教学平台可以完善医学影像设备教学,增加学生实践操作训练的机会,充分发挥虚拟仿真技术在教学领域内的优势,从而助力培养高素质的人才。文章分析医学影像设备与虚拟仿真教学平台,平台功能、设备使用评价等。

关键词： 边缘区域学习   超像素边界   医学影像分割   距离变换  

摘要： 临床医学实践中,为了制定治疗方案、准确诊断病情,需要利用医学影像设备对病人进行扫描检查,得到医学影像后交给医生诊断。这种方法十分依赖人的主观判断,而且需要医生具备出众的能力和丰富的临床经验。近几年随着深度学习的兴起,借助深度学习分割病灶、辅助诊断成为推动临床医学分析的有效手段。因医学图像通常具有边缘模糊、灰度不均匀、存在噪声和伪影等特点,实现高准确率的病灶或器官分割仍是一个难点。本文期望从增强器官边缘区域学习的角度出发,探究提升分割算法精度的可行性。总的来说,本文的主要研究与贡献如下:第一,提出一个基于多输入的超像素边界辅助分割算法。提出了一个新颖的分割框架,利用超像素提供的外观特性来指导分割。提出的分割框架通过额外的自下而上的分支扩展了经典的编码器-解码器分割网络,以从超像素边界图像中提取有效信息;同时提出并研究了一系列注意力模块,以探索如何有效地将超像素边界信息融合到主分割分支中。第二,提出了一种基于多标签学习的超像素边界监督学习算法。首先在编码器-解码器网络结构中融入空洞空间金字塔池化模块模块,作为本方法展开的基础框架;然后将超像素边界与原标签同时作为监督信号约束网络训练,从而挖掘超像素边界中隐含的语义信息。即从多标签监督学习的角度出发,提出了一种基于超像素边界图像监督的算法,以用于医学影像分割。第三,提出了一种基于距离变换的两阶段分割医学图像的方法。以左心房边缘为目标区域进行距离变换,得到的距离图可以作为学习权重图,以此让网络更加关注靠近器官边缘的区域。训练总共分为两个阶段,一阶段导出两条分支,分别进行粗略左心房分割与距离图预测,将二者的输出合并投入第二阶段训练,第二阶段得到精确的分割结果。

摘要： 《医学影像学杂志》由中华人民共和国科学技术部、中华人民共和国新闻出版总署批准,山东省医学影像学研究所、山东省医学影像学研究会共同主办的国内外公开发行的全国性学术期刊,国内统一连续出版物号:CN37-1426/R,国际标准连续出版物号:ISSN 1006-9011,月刊。本刊设有以下栏目:专家述评、论著、实验研究、研究生园地、综述、短篇论著、病例报告、QA、QC、临床教学、病例讨论、国内外学术动态等。

关键词： 腮腺肿瘤   CT图像   深度学习   迁移学习   图像去噪  

摘要： 腮腺肿瘤良恶性的分类之所以十分重要,是因为分类结果将直接影响对于手术方式及其预后的选择,同时也决定了对于腮腺肿瘤的治疗效果。当今社会科技发展迅猛,单纯由医生诊断的方式也逐步转变为医生与计算机辅助诊断相结合,这样也大大提高了疾病的诊断率。又因为腮腺肿瘤的病理类型十分复杂,良性腮腺肿瘤患者和恶性肿瘤患者的计算机断层扫描（CT）影像也非常相近,部分临床医生可能由于经验不足而误判,影响手术治疗效果及预后。深度学习技术为当前热门技术,将其应用于腮腺肿瘤良恶性的诊断中,能够很好的避免由于医生经验不足造成的误诊。能否对于疾病进行准确诊断,将直接影响患者能否被很好的救治。医生每天面临繁重的治疗任务以及大量的医疗数据,对医生的能力也是巨大的考验。对于经验不足或者身心疲惫的医生,从大量的医学数据中准确地提取出有效信息,也是极具考验性的。而机器学习恰好能够弥补医生工作的不足,更好的辅助医生来胜任这项工作。机器学习技术非常擅长处理大量的数据,其处理结果能够为医生的诊断提供重要的参考价值。计算机辅助诊断的优势就在于减轻了医生繁重的工作量,同时也不会以为人为因素而产生诊断偏差。医学影像数据里存在着大量的无效信息和干扰因素。为了准确进行疾病诊断,必须要精确找出医学影像中的有效信息。因此,本文主要基于深度学习技术去挖掘医学影像中的可用信息,使其能够更好地服务于辅助诊断的过程。本文首先介绍了研究背景及意义,探讨国内外研究现状的同时也分析了传统方法的缺陷性。其次介绍了机器学习算法的理论基础,例如特征提取,图像分类,并重点研讨了常见迁移学网络模型和卷积神经网络模型。本研究采用深度学习的方法来解决腮腺肿瘤良恶性分类问题。这项研究是采用VGG16,Inception V3,Res Net和Dense Net共四个经典的预训练模型运用迁移学习的方法对腮腺CT图像分类,同时使用改进的卷积神经网络模型对腮腺CT图像分类实验。实验结果表明,其分类性能优于其他四种迁移学习方法,可有效诊断腮腺肿瘤良恶性。同时也说明深度学习技术可以应用于医学影像诊断。为了进一步提高诊断的准确度,本文对图像去噪方法是否能够提高分类准确率进行了探索性研究。实验结果表明选用合适的去噪方法会对分类准确度有一定的提高,但是并不明显。

关键词： 医学影像技术   人才培养   产教融合   课程设置  

摘要： 根据医学科学的飞速发展和新时代对医学技术人才的要求,对医学影像技术类人才的需求越来越大。通过调查研究新乡医学院与其他院校的办学条件的差异,对新开设的医学影像技术专业进行探索研究,特别针对入学教育、课程设置、师资队伍建设、优化资源和综合能力五个方面进行分析。在不断地学习和实践的基础上探索出适合学校发展的人才培养模式,为社会培养出合格的复合型医学影像技术专业人才。

关键词： 注意力机制   生成对抗网络   直肠癌   医学影像   KRAS基因突变  

摘要： 直肠癌作为全球第三大癌症之一对人类的生命安全造成了巨大的隐患。直肠癌的治疗方案在临床上根据是否存在KRAS基因突变被划分为两种:是否使用靶向药进行治疗。因为有研究证实发生KRAS基因突变的直肠癌患者对靶向药的治疗方案具有较强抗性。因此,能够准确判断病人的KRAS基因状态是一项非常必要的工作。传统的基因检测方法主要包括活检和术后样本的病理学检测,这被视为基因突变状态检测的金标准。但是活检与术后样本的取样过程会对患者的身体造成伤害,且活检是随机取样,可能会因为取样位置不同导致结果不稳定。随着近年来深度学习的发展,基于人工智能与图像处理预测直肠癌患者KRAS基因状态变成了一个可能的研究方向。本文主要基于直肠癌核磁共振数据与最新的深度学习方法试图探索一种利用医学图像数据提高直肠癌KRAS基因状态预测准确率的方法。针对以上所述的问题,本文基于直肠癌患者的T2加权核磁共振数据开展了一些基于深度学习方法预测KRAS基因突变状态的研究:(1)基于注意力机制的卷积神经网络预测KRAS基因突变状态卷积神经网络所提取的深度特征较影像基因组学所提取的手工特征来讲搜索的特征空间范围更大,更容易发现人们所没有发现的隐含特征。我们尝试结合深度学习建立基因突变与直肠癌患者核磁共振数据之间存在的关联性,并最终提高模型预测KRAS基因突变状态的能力。本文在第3章提取了一种基于交叉通道注意力的多分支卷积神经网络,它可以通过学习不同图像模态之间的共同特征,降低模型过拟合的概率,提高模型预测KRAS基因突变的性能。此外,我们针对多分支模型提出了分支间损失,用来约束不同分支的神经网络共同关注数据中具有共性的影像特征,避免模型发生过拟合。最终,本文所提出的模型在合作医院采集的直肠癌MRI数据上达到了88.92%的正确率,性能方面比其他模型具有更大的优势。(2)基于形状统计模型与生成对抗网络预测KRAS基因突变状态充分利用影像学医师的标注数据非常重要。为了充分利用标注数据,本文在第4章提出了基于形状统计模型的生成对抗网络生成新的自带标注的直肠癌病灶数据。形状统计模型主要是为了建立我们所提取到的直肠癌病灶轮廓的通用模型,这样就可以根据该模型生成更多新的符合规律的病灶轮廓,进而生成有效的直肠癌病灶数据。但是,此时生成的病灶数据受限于模型生成对抗网络训练的不稳定性和模型参数量过大,病灶数据的尺寸只有64×64。因此,本文进一步提出了多阶段的生成对抗网络将病灶数据放大到实际病灶图像的大小。随后,我们通过UNet分割网络对生成对抗网络所生成的数据进行分割训练,并保存该网络的模型权重作为分类网络的预训练模型。最终,我们所提出的分割促进分类的模型切实将直肠癌KRAS基因突变的预测正确率提高到90.11%,这说明本文提出的方法是有效的。