教学课程资源库 更多>>

关键词： 阿兹海默症   磁共振成像   正电子发射断层扫描成像   深度学习   多模态  

摘要： 随着我国阿兹海默症患者数量的增长,阿兹海默症患者的诊断成为了受社会关注的热点话题。医学影像学检查作为阿兹海默症诊断过程中必要的辅助检查,在辅助阿兹海默症诊断和筛查轻度认知障碍方面具有重要作用。阿兹海默症的影像学诊断研究目前仍在发展阶段,探索阿兹海默症分类技术能够为影像学诊断研究的发展提供支持。目前,基于医学影像学的阿兹海默症分类技术存在分类识别率不高、识别算法不稳定的情况,且由于数据集的不统一,不同算法难以定量对比。因此,本文围绕基于多模态医学影像的阿兹海默症分类技术展开研究,为阿兹海默症辅助诊断提供依据,主要工作包括:(1)构建了多模态影像数据集。针对大部分数据集可能存在数据分布不一致性和数据泄漏的问题,基于影像诊断建议和经验,制定了相对完备的数据集划分策略,并采用该划分策略,构建了无泄漏的训练集和测试集。同时,为了进行定性对比,采用通用的数据集划分方法构建了对比的训练集和测试集。(2)设计了基于MRI影像的3D跨阶段残差分类网络。针对MRI影像的分类网络存在预测不稳定和准确率不高的情况,结合残差模块和局部跨阶段结构,构建了跨阶段残差模块。跨阶段残差模块能够在减少网络计算的基础上,丰富网络的特征组合,增加网络的学习能力。通过堆叠跨阶段残差模块,并采用Mish函数作为激活函数,构建了基于MRI影像的3D跨阶段残差分类网络。实验表明,3D跨阶段残差网络能够有效地提升基于MRI影像的分类准确率,在分类结果的鲁棒性上表现良好。(3)设计了基于PET影像的3D特异性区域融合分类网络。针对PET影像学诊断方法,提出了基于PET影像的3D特异性区域融合分类网络。首先对PET分类网络进行特征可视化,然后通过聚类算法和非极大值抑制方法对特征图谱中高激活的特异性区域进行标定。接着设计3D特异性区域融合分类网络,将特异性区域特征进行融合,最终得到分类结果。实验表明,3D特异性区域融合网络在各个分类任务上表现良好,且识别准确率达到了PET分类方法的前列。(4)探究了三种基于多模态影像的阿兹海默症分类方法。针对多模态医学影像的特点,设计了三种不同融合方式的多模态分类算法。在图像级融合分类算法中,先将MRI和PET影像配准到标准化模板上,再进行图像级加权融合,最后通过分类网络进行分类。在特征级融合分类算法中,分别采用不同的卷积网络提取特征,采用线性映射的方式将MRI特征和PET特征映射到相同的语义空间中,再经过注意力机制融合两种模态特征,最后通过过全连接层进行分类。在决策级融合分类算法中,采用稀疏概率融合的方式融合两种模态的预测概率,最终得到分类结果。实验表明,基于多模态影像的阿兹海默症分类算法识别率均高于基于单模态的分类识别率,且决策级融合分类算法表现最优。

摘要： 《中国医学影像学杂志》是由国家卫生健康委员会主管、中国医学影像技术研究会和北京医院主办的全国性专业学术期刊,是中国科学引文数据库(CSCD)核心库来源期刊、《中文核心期刊要目总览》收录期刊、中国科技核心期刊、《我国高质量科技期刊分级目录》临床医学领域医学影像学方向。办刊宗旨:贯彻党和国家的卫生工作政策,坚持理论与实践、普及与提高相结合的方针,反映我国医学影像学领域的重大临床和科研工作进展,

关键词： 生存分析   影像组学   影像基因组学   机器学习   深度学习  

摘要： 目的:肿瘤是危害人类的健康的重大疾病。生存预测对于肿瘤患者的个性化诊疗具有重要意义。人工智能技术的兴起为生存预测建模提供了新契机。基于影像-基因多组学的智能预后模型是目前的前沿研究课题。本课题结合影像-基因组学和机器学习/深度学习方法,针对肌层浸润性膀胱癌、髓母细胞瘤和脑胶质瘤建立生存预测模型,并验证其相较于现有临床预后模型的增量价值。材料和方法:1.纳入210例肌层浸润性膀胱癌患者,其中训练集105例,验证集105例。采用机器学习方法,建立基于扩散加权成像(Diffusion-Weighted Imaging,DWI)和的影像组学标签,并生成影像-临床预后诺模图,在模型校准、鉴别、重分类和临床有用性等方面评估影像组学标签的增量价值。2.纳入166例髓母细胞瘤患者,包括训练集83例,验证集83例。其中17例患者收集RNAseq测序数据。采用机器学习方法,建立基于多参数磁共振成像(Nuclear Magnetic Resonance Imaging,MRI)序列构建影像组学标签。采用影像基因组学分析方法,识别与影像组学特征相关的关键分子通路,并在公开数据集中验证通路基因的预后价值。3.纳入多中心的1556例脑胶质瘤患者,划分为训练集935例,验证集156例,外部测试集一194例,外部测试集二150例和TCIA公开数据测试集121例。构建基于注意力机制的DeepRisk深度卷积神经网络,该网络以未分割的原始图像作为输入,输出病人的生存风险。基于DeepRisk风险评分,建立影像-临床预后诺模图,评估DeepRisk风险评分的增量预后价值,并开展DeepRisk模型与传统深度学习模型的性能对比研究。结果:1.针对肌层浸润性膀胱癌,影像组学标签与无进展生存期显著相关(Hazard Ratio[HR]=1.85,95%Confidence Interval[CI]:0.96,3.56,P=0.01),是独立于传统临床特征的预后因素(P<0.001)。相较于临床预后诺模图和影像组学标签,影像-临床预后诺模图在模型校准、鉴别、重分类和临床有用性等方面都具有更好的表现。2.针对髓母细胞瘤,影像组学标签与总生存期显著相关(HR=4.36,CI=1.66,11.43,P=0.01),且与无进展生存期显著相关(HR=2.46,CI=1.06,5.72,P=0.02),是独立于传统临床特征的预后因素(P<0.001)。相较于传统临床预后诺模图和影像组学标签,影像组学-临床预后诺模图能够更好地预测总生存期(C-Index=0.762)和无进展生存期(C-Index=0.697),且具有更好的校准和分类精度(NRI:OS:0.298,P=0.022;PFS:0.252,P=0.026)。影像基因组学分析得到9个与影像组学特征相关的通路,包括WNT信号通路、P53信号通路、PI3K/AKT信号通路等,这些通路与肿瘤预后有关。TCGA分析结果显示,通路基因的平均表达量具有显著的预后价值(HR=0.63,CI=0.38,1.06,P=0.02)。***模型与总生存期具有显著性的关联(HR=13.48,CI=9.52,37.91,P<0.001),是独立于传统临床特征的预后因素(P<0.001)。DeepRisk模型取得了与传统Res Net模型可比拟的预测精度,说明DeepRisk可以利用未分割的原始MRI实现准确的生存预测。将DeepRisk模型纳入临床诺模图后,得到的深度学习诺模图在模型校准、鉴别、重分类和临床有用性等方面都获得了更好的预后性能。结论:1.基于DWI的影像组学标签是肌层浸润性膀胱癌患者无进展生存期的独立预后因素。结合影像组学标签、临床分期以及其他临床分子病理因素,可以更好地预测个体无进展生存期,证实了影像组学标签的增量预后价值。2.基于多参数MRI序列的影像组学标签是髓母细胞瘤患者总生存期和无进展生存期的独立预后因素,且与关键通路显著相关。结合影像组学标签和其他临床分子病理因素,可以更好地预测个总生存期和无进展生存期,证实了影像组学标签的增量预后价值。***能够从脑胶质瘤患者的多参数MRI序列中学习并聚焦到病灶区域,DeepRisk风险评分在脑胶质瘤的生存预测中是独立的预后因素,且相对于传统的临床和分子病理风险因素具有增量预后价值。

关键词： 医学影像   物理渲染   体绘制   加权追踪   生成对抗网络  

摘要： 医学影像体绘制技术在行病情诊断、疾病预防和科学研究等领域中具有重要作用。近年来,医学影像体绘制迎来了新的发展,研究人员将已在电影特效、动画视觉等领域中广泛应用的物理渲染技术引入体数据的三维可视化,通过对体数据进行光线追踪,生成更加逼真的渲染效果。本文设计和实现了基于物理渲染的医学影像体绘制系统,该系统通过对体数据进行基于光线追踪的体绘制,实现了物理渲染的效果。本文主要工作如下:(1)针对目前医学影像传统体绘制仅考虑光线传播方向的能量发射和吸收,使用局部渐变阴影模型对散射效果进行建模,导致绘制效果及绘制精度不佳的问题,论文研究了基于物理渲染的医学影像体绘制技术。论文设计了加权追踪的发射、散射、零碰撞交互概率,并基于加权追踪实现了对医学影像体数据的物理渲染体绘制。为了提高绘制速度,论文采用帧差法背景去噪及细化包围盒方法对体数据进行预处理以加快加权追踪的速度。实验表明,论文提出的数据预处理方法对体绘制速度有明显的提升;论文建立的加权追踪模型在细节表现和图像清晰度方面也优于目前公认的Woodcock追踪方法。(2)针对基于加权追踪的物理渲染体绘制在迭代初期因采样量不足会带来图像噪声的问题,论文设计了基于生成对抗网络(Generative Adversarial Network,GAN)架构的体绘制生成对抗网络(Volume Rendering Generative Adversarial Network,VRGAN)。该网络生成器采用了卷积神经网络框架的对称结构,并加入密集连接块以增加网络深度;判别器由五个具有批归一化和带泄露整流函数(Leaky Rectified Linear Unit,LRe LU)激活的卷积网络组成;网络损失函数由判别损失、图像损失、特征损失和移动损失以不同权重结合而成。实验表明,本文提出的VRGAN网络可以有效改善体绘制初期的绘制结果,同时能够加快体绘制生成清晰、稳定图像的速度。(3)论文设计和实现了基于VC++平台的加权追踪物理渲染体绘制系统。该系统主要包括体数据的读取、基于图形处理器(Graphics Processing Unit,GPU)的加权追踪、基于VRGAN的体绘制、传递函数调节、光源位置设置和用户交互等功能。

关键词： 医学影像   计算机科学技术   数字图像   DR图像处理  

摘要： 在现代社会的不断发展过程中,由于科学技术的不断更新,人类社会逐渐进入到数字化时代,逐渐成熟的计算机科学技术也使社会生活和发展变得更加方便。在医学领域,数字图像处理技术的全面应用,使医学整体的技术,尤其是医学影像方面的发展有了很大的提高。将各类数字图像处理技术充分融合到医学影像领域,可以促进医学影像领域的深入发展。在数字图像处理技术的众多种类当中,DR图像处理技术是在医学影像领域应用最为广泛的,尤其是对于医学影像学的教学而言,在DR图像处理技术应用之后,医学影像学的教学难度有明显的降低。因此,为了促进医学影像学教学研究的深入,就需要充分认识到DR图像处理技术的重要性。

关键词： 医学影像   数据挖掘   肝癌   临床决策支持  

摘要： 【目的】本文围绕肝癌临床决策中存在的实际问题,以影像数据挖掘方法为基础,弥补传统方法的不足,提高肝癌临床决策支持能力和患者管理效率。第一,通过机器学习影像组学方法揭示灰阶超声影像特征与原发性肝癌和转移性肝癌的潜在联系,提高术前患者病理亚型预测能力。第二,通过机器学习影像组学方法揭示增强CT影像特征与肝细胞性肝癌患者病理分级之间的潜在联系,提高术前病理分级预测精度和效率。第三,通过机器学习影像组学方法揭示增强CT影像特征与肝细胞性肝癌患者早期复发的潜在联系,提高术前肝癌患者危险分层能力。【方法】本文综合应用机器学习、图像处理及数据挖掘等多种方法,通过构建多种机器学习模型,探索影像特征与肿瘤生物行为之间的潜在联系。第一,回顾性收集114名经病理确诊为原发性肝癌或转移性肝癌患者的临床数据和灰阶超声数据,所有患者肝切术后或肝穿刺一周内做肝脏彩超。对病灶进行手工分割和特征提取,采用5-折交叉验证和网格搜索策略分别构建五种机器学习模型以预测原发性肝癌和转移性肝癌。第二,回顾性收集297名经病理确诊为肝细胞性肝癌患者的临床数据和增强CT数据,然后对病灶进行分割和特征提取。应用递归特征消除法进行特征筛选,最后构建极限梯度提升算法术前预测肝细胞性肝癌病理分级。第三,回顾性收集297名经病理确诊为肝细胞性肝癌患者增强CT影像数据和临床数据,所有患者至少随访1年。分别应用软件ITK-SNAP和Pyradiomics对病灶进行手工分割和特征提取。应用机器学习影像组学方法构建肝细胞性肝癌早期复发预测模型。【结果】通过机器学习影像数据挖掘方法分别验证了影像特征与肝癌病理分级、病理亚型及早期复发之间的潜在联系,弥补了传统临床指南预测能力不足的弊端,提高了预测精度和效率,为肝癌临床决策支持提供新的视角。第一,五种机器学习模型均能够预测原发性肝癌和转移性肝癌。其中,逻辑回归算法取得最好表现,AUC为0.816±0.088。第二,应用机器学习影像组学方法可以术前预测肝细胞性肝癌病理分级。单独应用临床特征构建机器学习模型时,模型的AUC为0.6698,应用影像特征和临床特征构建模型时,模型的AUC为0.8014。第三,影像组学特征能够术前预测肝细胞性肝癌早期复发。融合动脉期影像特征、静脉期影像特征和临床特征训练机器学习模型获得最好表现,AUC为0.8300,仅利用静脉期影像特征构建模型时表现最差,AUC为0.6238。【结论】第一,与传统临床方法相比,影像组学方法提高了术前预测精度和效率,提升了肝癌患者的临床决策支持能力和决策效率。第二,可以通过影像组学方法术前预测肝细胞性肝癌的病理分级、肿瘤细胞来源及患者早期复发。第三,影像组学方法为肝癌临床决策支持提供了新的方向,为患者术前治疗方案制定、危险分层及患者科学化管理提供了新思路。【创新与不足】本文创新点如下:(1)应用超声组学方法术前预测原发性肝癌和转移性肝癌,并且利用多个机器学习算法构建模型。与传统临床方法相比,提升了术前预测效率和精度。(2)应用增强CT影像组学方法术前预测肝细胞性肝癌病理分级。相对于传统分析方法而言,该方法提高了预测精度,以非侵入方式揭示了增强CT影像特征与肝细胞性肝癌之间的潜在联系,为术前制定患者治疗方案提供新思路。(3)利用机器学习影像组学方法预测肝细胞性肝癌患者术后早期复发,获得比传统方法更好的模型表现。本文不足如下:第一,该研究为单中心研究。第二,该研究没用应用多模态影像。

摘要： 《中国医学影像学杂志》是由国家卫生健康委员会主管、中国医学影像技术研究会和北京医院主办的全国性专业学术期刊,是中国科学引文数据库(CSCD)核心库来源期刊、《中文核心期刊要目总览》收录期刊、中国科技核心期刊、《我国高质量科技期刊分级目录》临床医学领域医学影像学方向。办刊宗旨:贯彻党和国家的卫生工作政策,坚持理论与实践、

关键词： MATLAB＿GUI界面   医学图像处理   医学影像技术   数据仿真  

摘要： 《医学图像处理》课程是医学影像技术专业的必选课程，可以在学习相关专业知识的基础之上帮助学生掌握医学图像处理的基本实践能力，并通过对医学图像进行处理与分析来解决医学影像技术的专业问题。本文针对《医学图像处理》课程中的实践课程作了初步的探索，基于MATLAB软件的GUI设计界面从教学内容和教学方法介绍了《医学图像处理》课程的教学探索，并详细分析了课程建设的效果，可使医学影像专业的学生扎实掌握医学影像方面的基础知识，更生动直观地辅助学生进行医学影像处理能力，提高了学生的学习兴趣及动手操作能力。

关键词： 鼻咽癌   文本结构化   BiLSTM   自注意力机制   知识树   机器学习  

摘要： 医学影像报告作为电子健康记录的一部分,包含了患者大量的健康信息,然而报告中大多是自由文本,内容质量取决于医生的主观判断和经验。医学文本结构化需要结合医学知识、人工智能、自然语言多方面的技术,对数据挖掘提出了巨大的挑战。本论文在国内外文本结构化的研究基础上,根据鼻咽癌MRI中文报告的特点,对医学实体识别、关系抽取以及结构化方法进行探究,总结出一套可行的鼻咽癌MRI报告结构化方法。本论文的主要工作有以下几点:第一,我们与具有专业医学知识背景的临床工作者探讨分析了鼻咽癌MRI报告的描述特点,总结了一套适用于影像文本的结构化模板,并从影像报告中提取出医学实体和关系进行标注。第二,现有的语义编码网络未能充分考虑中文象形字的特点,因此,我们提出了基于BiLSTM的字结构特征融合编码网络。实验表明该网络的性能在命名实体识别任务中超过了基准模型,准确率均超过了 97%。第三,我们人工提取了五个特征用于实体关系抽取,对比多个机器学习模型并选择最优模型作为实体关系抽取模型。同时,我们还以语义编码网络的实体向量作为关系抽取模型的输入,探究实体向量的有效性。实验表明,实体向量在关系分类中是有效的,并且要优于人工提取的特征。最后,我们根据命名实体识别和关系抽取的结果,提取了鼻咽癌MRI文本的结构化信息。最终得到的提取率为84.74%,准确率为89.39%。与此同时,我们还绘制了鼻咽癌知识树,验证了文本结构化方法的有效性。综上所述,本研究在现有的医学文本结构化的基础上,提出了基于自注意力的字结构特征融合技术,该网络架构能够捕获字词中的特征关系。希望通过文本结构化为临床决策支持以及数据管理和建设提供一种可行性方法。

关键词： 医学影像   深度学习   多模态   脑肿瘤   心血管疾病  

摘要： 医学影像是研究临床疾病的重要工具,它对于疾病的早筛、治疗以及后续的康复、监测和管理都起着不可替代的作用,但是传统的人工医学影像诊断方法仍存在着诸多问题,如医患两方供需不平衡、医院人员负担重;医学影像诊断主观性强、经验要求高等。随着深度学习在图像领域的快速发展,近些年来许多深度学习方法也逐渐用于医学影像的处理和分析,进而辅助医生进行自动诊断,提高工作的效率。但是考虑到医学识别任务的复杂性和医学影像小样本量的特点,当下主流研究一—单模态影像研究仍存在些许不足,因为单一模态的影像往往无法全面地、准确地表达相关病理信息;而多个不同模态的影像能够从不同方面反映病变部位的相关信息,弥补数据稀缺和单一信息视角的劣势,因此,基于多模态影像数据,用深度学习的方法进行疾病早筛,对于提高医学任务识别的准确率,辅助医生进行决策诊断具有重要的意义。本文研究围绕多模态医学影像展开,主要进行了两组基于多模态医学影像的疾病分类实验。第一组实验采用BraTS2020 3D形式的MRI脑肿瘤数据集,MRI影像分四种模态T1,T1c,T2和Flair,不同模态下脑肿瘤的表现形式也不同。本实验采用肿瘤增强方式对3D影像进行2D切片处理,提高数据的泛化能力;接着用直方图均衡化技术对切片影像进行处理,增强肿瘤区域的对比度;然后本实验采用端对端的方式,利用卷积神经网络建立多个通道的特征提取网络,分别提取不同模态影像下的病理特征信息并将提取到的特征进行拼接融合,最后将拼接特征与全连接神经网络连接,用于训练、分类。结果表明,本文采用的实验方法达到了 95.82%的AUC指标,不仅远高于四个单模态影像的分类性能指标,也比目前本文所知道的最优方法高2.6%。第二组实验数据来自深圳市南山医院的真实数据集,涉及四种同源模态的心脏超声影像和异源模态的电子病历五种数据。医院数据十分珍贵但也存在着明显的缺失问题。首先,本实验先对整体实验数据进行了筛选,最终选取了5个模态信息都较为完整的9060条数据;其次,本实验又对彩超影像数据中各个模态的影像数据进行了进一步的筛选、填补,同时处理彩超数据中的结构化数据,再以个人唯一标识(PID)关联电子病历,合并成新的电子病历数据;然后本实验采用训练好的多通道卷积神经网络对彩超影像中四个不同的模态影像进行特征提取和拼接,将得到的超声影像特征再通过PID与新的电子病历数据进行归并,最后采用XGBoost算法对归并特征进行分类预测。结果表明,本文采用异源模态的医学数据结合的方法达到了 0.8575的AUC指标,高于同源多模态超声影像数据融合所达到的0.8339AUC指标,更是远高于五种单模态医学数据各自所达到的AUC指标。医院的真实数据一般很难获取,存在着手续流程、隐私安全等诸多限制,但是用医院的真实数据进行仿真实验更能直接反映深度学习在临床应用上的表现,有着很强的理论意义和实践参考价值。本文研究反映出多模态医学影像乃至多模态医学数据存在着巨大的数据挖掘潜力,用深度学习方法挖掘不同模态的医学数据所蕴含的不同病理信息,能够更加高效率地、全面地、准确地描述病情,辅助医生进行决策诊断,这将为未来的智能医学大数据平台建设奠定坚实的基础。