教学课程资源库 更多>>

摘要： 《实用医学影像杂志》由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,中国标准连续出版物号为ISSN 1009-6817,CN 14-1281/R。内容包括普通放射、CT、磁共振、超声、介入放射、核医学等学科。栏目设有:专论、论著、短篇论著、综述、讲座、经验介绍和病例报告等。它是医学影像界同行学习和交流的理想园地,欢迎广大医学影像工作者和研究人员踊跃投稿。1来稿要求a)总体要求:论点明确,材料可靠,数据准确,结构严谨,文字精练,重点突出,具有鲜明的科学性、新颖性、实用性。b)文章篇幅要求:论著一般勿超过5 000字,短篇论著一般勿超过3 500字,综述和讲座一般勿超过4 000字,病例报告等一般以1 000字以内为宜。

关键词： 深度学习   图像分割   目标检测   医学影像  

摘要： 二十世纪后叶开始,癌症就逐渐成为导致死亡率升高的主要因素,放射治疗是治疗癌症的重要手段。在制定放射治疗计划的过程中,准确的勾画出有被放射风险的健康器官是避免治疗后出现不良影响的关键。传统的人工勾画由经验丰富的医生进行。但是,由于受疲劳程度的影响,人工勾画耗时且容易出错。在这个背景下,为了更好的满足临床应用的需求,本文设计了优化的U-Net图像分割网络和融合检测-分割的图像分割网络,主要完成的工作如下:1.设计了优化的U-Net图像分割模型。在U-Net网络结构中,增加Inception结构、残差结构和挤压激励结构,利用各个子模块去获得更多的图像特征信息。解决了U-Net网络对图像分割获得的结果精确度较低的问题。2.设计了融合检测-分割结构的图像分割模型。利用两步走网络,先对图像进行目标检测,再对获得的检测区域进行针对性图像分割。采用三维卷积操作,将CT图像数据与人体解剖学特征进行对应,进一步增强图像特征信息的获取能力。解决了小区域器官的辨识度低,分割效果差的问题。不论是利用本文构建的数据集,还是公开数据集进行测试,获得的图像分割精确度都得到了提升。3.构建了PKU3数据集。按照临床应用的需求,构建了头颈部区域CT图像器官分割数据集,数据集包含19个器官组织。以影像信息与标签信息两种形式保存。解决了医学图像领域中,数据稀缺和标注稀缺的问题。4.结果评估与比较。在PKU3数据集上,采用优化的U-Net分割网络模型获得的平均DICE系数和平均95%豪斯道夫距离分别为78.226%和8.789mm。采用融合检测-分割网络模型获得的平均DICE系数和平均95%豪斯道夫距离分别为80.382%和6.876mm。与当前其他算法相比,结果表明本文的分割算法具有较高的图像分割精确度。

关键词： 生源   就业预期   高校教育   医学影像专业  

摘要： 目的:生源因素对就业情况有重要影响,影响大学生就业预期与需求。医学影像专业大学生关键在于难以找到一份符合自身就业预期的工作。通过探析大学生的生源地因素,引领大学生树立正确的就业观,运用理性就业的科学教育方法。方法:通过对医学影像专业学生相关问题的问卷调查,获得生源地因素和就业预期的普遍情况,分析数据结果。结果:整体就业预期较高,倾向于东部与出生本地就业。结论:通过探析大学生的就业预期,结合生源地因素,合理指导、对待就业,更好地找到符合自己的选择。

关键词： 医学影像   深度学习   分割算法   注意力机制   多尺度特征  

摘要： 医学影像分割是临床医学影像学分析过程中最重要的任务之一。随着医学影像与深度学习技术的快速发展，基于深度学习的医学影像分割技术在医学影像分割任务中发挥出越来越重要的作用。U-Net作为一种目前比较广泛应用于医学影像分割的深度学习方法，取得了很好的医学影像分割效果。然而，由于医学影像具有有效标注数据较少、器官组织及其肿瘤病灶的大小差异、无关背景数据干扰等特点，当前的深度学习分割算法仍然难以满足临床医学影像分割的精度要求。因此，提出能够提高医学影像分割精度的深度学习算法具有重要的研究意义。　　为了获得更加精准的分割性能，本文基于深度监督机制、多尺度特征融合与注意力机制，提出了两种新的基于U-Net的改进算法。所提的方法很好地改进了U-Net的分割性能，对具有不同大小目标有较好的鲁棒性，获得了很好的分割精度提升。主要的研究成果有：（1）针对有效标注数据较少时模型难以收敛的问题，本文先后在U-Net基础上引入基于解码重建分支和额外扩张路径的深度监督机制以提高模型在较少标注数据时的收敛性能与分割鲁棒性;（2）针对分割网络中的特征语义差异性问题，本文先后在U-Net基础上引入基于并联多尺度模块和梯形多尺度模块的特征融合结构，以提取多尺度特征来解决特征语义差异性问题，同时增强模型对不同大小的分割目标的特征信息的学习能力，从而提高了医学影像分割模型的分割精度;（3）针对医学影像中背景信息干扰问题，本文在U-Net基础上引入一种新的多维注意力模块，以实现对输入特征图中重要相关的特征信息的自适应捕捉和对干扰信息的抑制。从而保留微小分割特征同时突出与分割目标相关的重要特征，提高网络的特征学习能力。　　本文首先提出了基于深度监督的多尺度U-Net模型，该模型由解码重建分支、并联多尺度和U-Net框架构成，在肾脏和胰腺CT数据集上，相比较原始U-Net模型，该方法获得了更好的分割性能表现;为了进一步提升对微小前景目标的分割精度，本研究提出了基于多维自注意力机制和多尺度卷积的双重监督分割网络。该网络由双重上采样解码路径、多维自注意力模块和梯形多尺度卷积模块构成。相比较当前的医学影像分割网络，在肾脏、胰腺和肝脏CT数据集上，该方法均获得了很好的分割性能提升。本文研究结果表明，本文所提出的两种新的分割模型在深度监督机制、多尺度特征和注意力机制三个方面改进对于实现更好的分割性能都是有效和必要的。

关键词： 伪健康图像生成   医学影像病灶分割   对抗训练   图像翻译   无监督异常分割  

摘要： 近年来,以深度卷积神经网络为代表的深度学习算法在图像识别、检测、分割领域取得了令人瞩目的效果。在医学影像病灶分割任务中,以U-Net为代表的全卷积神经网络在脑、肝、心脏、肾等多个部位以及超声图像、磁共振图像等多种形式影像上取得了接近乃至超过人类专家的性能,但是其仍受限于依赖大量的高质量图像-标签对、难以应用于缺少含病灶图像场景、缺乏可解释性以及泛化性能差等问题无法很好地应用于实际临床场景。本文通过挖掘健康图像、像素中的健康知识,生成伪健康图像的方式并将其嵌入病灶分割任务,以提高模型的泛化性以及可解释性。具体地,在不同的数据条件下,本文分别提出如下两种病灶分割方案。针对拥有含病灶图像及其分割标签条件下的伪健康图像生成以及病灶分割任务,本文提出生成任务与分割任务对抗的伪健康图像生成框架,通过“欺骗”不断强化的分割器来提升生成图像的视觉健康程度。同时提出了针对该任务的改进残差损失与加权交叉熵损失来进一步提高生成图像的视觉质量。最终将得到的伪健康图像嵌入到分割模型解决病灶对比度低、边界模糊的问题。在两个公开数据集(BraTS和LiTS)上的大量实验验证了本文提出方案以及多个模块的有效性。同时也通过实验证实了将伪健康图像嵌入到分割模型能够提高分割性能。对于含病灶图像匮乏条件下的伪健康图像生成以及无监督异常分割任务,本文利用了医学影像中丰富的多模态信息。具体地,由于成像过程的差异,不同模态的异常信号对比度存在差异。本文利用具有弱对比度的模态图像生成具有强对比度的模态图像对应的伪健康图像,并通过对比生成图像与真实的具有强对比模态图像之间的差异检测出病灶。在实验阶段,本文在两个公开数据集(BraTS和ISLES)验证了提出模型的有效性。

关键词： 人工智能   深度学习   迁移学习   医学影像   生成对抗网络  

摘要： 近年来,人工智能在诸多领域都取得了重大进展,如生物医学、智能交通、智能家居等。医学图像处理是生物医学领域热门的研究方向之一,随着人工智能技术的飞速发展,尤其是深度学习的兴起,该问题有了新的解决方案。应用深度学习技术解决常见的医学图像处理问题已经取得了一定的进展,但仍存在以下挑战:1)医学图像的获取耗时长、花销大,某些图像的获取甚至会对人体产生伤害,如何避免这些限制获得充分的医学图像辅助医生诊断?2)目前基于深度学习模型生成的医学图像并不清晰,如何改进当前的网络模型进而生成高质量的医学图像?3)部分方法对实验数据集的要求很高,如成对匹配的数据、标签完备的数据等,如何改善方法以降低网络模型对数据的强依赖性?4)现有模型生成的医学图像时常会出现“条形影痕”(伪影),以致生成图像质量不高,如何解决伪影问题?针对以上诸多挑战,本文开展了如下的研究工作:首先,针对高精度医学图像的生成问题,本文基于深度学习网络模型的理论构想,提出了一种基于多级残差的深度模型Res VNet&PatchGAN。该模型的生成网络接收一个随机的噪声,通过这个随机噪声生成一张完整图像,判别网络用于判断一张张图像是否为“真”。与此同时,为了进一步提高生成图像的质量,该模型增加了多级残差与子块生成式对抗网络模块,以此提升Res VNet&PatchGAN模型的信息传输效率。此外,该模型还通过随机裁剪、数据增强等手段进一步提高生成图像精度及模型鲁棒性。最后,通过高精度的网络模型生成医学图像,可以减少病人的检测时间以及检测中的伤害。其次,针对数据集的苛刻要求以及在模型生成图像时所产生的伪影,本文提出了一种基于迁移学习与深度学习的网络模型(Dual3D&PatchGAN)。就网络模型的细节而言,该模型主要采用了生成式对抗网络、3D卷积、子块-生成对抗网络等模块,并通过将原始二维的网络模型修改成三维,生成网络每次生成一个小的三维块,进而解决二维的网络模型生成的图像有条形“影痕”问题。由于Dual3D&PatchGAN模型是基于迁移学习而建立的网络模型,所以该模型对数据集的要求没有那么高,也不需要图像一一配对,仅需要选取两个域中质量较好的图像即可,这在临床医学中更有实践意义。就实验结果来看,Dual3D&PatchGAN整体优于其他模型的结果。

关键词： 缺血性脑卒中   人脑氧摄取分数   左心室肥厚   左心室后壁厚度自动测量   医学影像  

摘要： 随着社会经济和文化的不断进步,人类的生活习惯也在不断改变,人们生活饮食的多样性和不平衡性、作息习惯的不规律性及随意性等引起的心脑血管疾病（Cardiovascular and Cerebrovascular Disease,CCVD）已成为我国城乡居民致死率最高的疾病,并呈现逐年上升趋势。该疾病带来的高致残和高致死风险,已对人类的身体健康形成严重威胁,成为全球性的重大公共卫生问题。突发性和隐蔽性是心脑血管疾病高致死率、高致残率的主要原因。到目前为止,医学影像是临床诊断心脑血管疾病最有效的工具,医学影像的高精度可以帮助发现心脑血管疾病的根源,对心脑血管疾病的准确诊断及治疗具有重要意义。因此,研究心脑血管疾病的医学影像相关技术,对提高心脑血管疾病的预防和诊断效率,通过准确的诊断和有效治疗,从而降低心脑血管疾病的发病率及死亡率具有十分重大的意义。本文以提高心脑血管疾病的诊断效率和准确率为目的,主要基于心血管疾病左心室肥厚的医学影像和脑血管疾病缺血性脑卒中的医学影像两个影像数据层面,研究了心脑血管疾病医学影像的相关技术。在脑血管核磁共振影像数据层面,研究了基于功能性核磁共振数据的人脑氧摄取分数测量方法;在心血管超声心动图影像数据层面,研究了左心室后壁区域定位及左心室肥厚自动测量及辅助诊断方法。本文主要的研究工作如下:（1）考虑到利用血氧水平依赖效应,可以实现运用核磁共振图像测得人脑氧摄取分数（Oxygen Extraction Fraction,OEF）,本文研究了基于梯度自旋回波（GEESE）序列的OEF两室模型。在基于GE公司的3.0T磁共振系统平台上,实现了能够同时测量T2和T2*信号的GESSE序列。将图像信号处理与生物医学核磁共振理论相结合,利用数学公式量化核磁共振图像的灰度值,并利用GEESE序列提取出受到磁化偏移影响的核磁共振信号横向弛豫变化系数,根据该变化系数建立了人脑氧摄取分数测量数学模型。（2）在分析了功能核磁共振成像信号和其信号噪声分布特点的基础上,将频域分析的理念引入功能核磁共振成像（Functional MRI,f MRI）图像分析,提出了一种基于贝叶斯估计的自适应小波阈值的功能性核磁共振数据去噪方法,对人脑核磁共振图像数据进行分析和去噪,并对核磁共振人脑OEF测量的后处理过程进行去噪优化。通过在MATLAB上进行一系列模拟仿真实验,可以验证运用本文方法优化后得到的人脑核磁共振图像去除了更多的噪声信号,测得的人脑OEF值更加接近正电子发射计算机断层显像（Positron Emission Tomography,PET）测量的金标准,提出的算法提高了OEF的测量精度,其有效性得到了验证。（3）针对心脏超声心动图中左心室区域需要医生基于医学知识和临床经验来定位的现状,提出了一个基于卷积神经网络的左心室后壁区域定位模型。该模型由两个卷积层、两个池化层、两个全连接层和一个softmax回归层组成。将从合作医院获得的样本图像进行筛选、裁剪、分类和标记,然后对建立的基于卷积神经网络的左心室目标区域定位模型进行训练。为了避免卷积神经网络训练学习中出现的过拟合问题,又在全连接层加入Dropout层并进行了验证。根据专业影像科医生的判断,本文搭建的基于卷积神经网络的左心室区域定位模型有效定位率高,完全满足实际临床需求。（4）考虑到影像科医生需要手动截取超声心动图中左心室舒张末期帧,并手工选点测量左心室后壁厚度的繁琐性、主观性,本文研究了基于图像处理的左心室肥厚自动测量及辅助诊断方法。首先研究了产生超声图像噪声的来源,在保留超声心动图心室壁边缘细节特征的基础上,研究了一种非局域均值滤波和开运算相结合的方法,并利用该方法对超声心动图进行去噪。随后为了有效提取左心室后壁完整轮廓,研究了一种基于人工先验知识的最大类间方差法阈值分割。完成了目标区域的图像预处理之后,再进行左心室后壁厚度的计算。并根据医学左心室后壁厚度测量规则,对比提取出视频中左心室舒张末期帧,测得该帧的左心室后壁厚度作为最终输出结果。样本的测试结果得到了影像科医生的认可,且本方法减少了医生人工手动选取左心室舒张末期帧及左心室后壁上下边缘点时产生的主观误差,提高了检测准确度。对于医生未手工测量患者左心室后壁厚度时,该方法后台自动测量超声心动图,可以有效规避漏筛漏查风险,提升了诊断过程中的自动化水平。

关键词： 《实用医学影像杂志》   医学影像  

摘要： 《实用医学影像杂志》由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,中国标准连续出版物号为ISSN 1009-6817,CN 14-1281/R。内容包括普通放射、CT、磁共振、超声、介入放射、核医学等学科。栏目设有:专论、论著、短篇论著、综述、讲座、经验介绍和病例报告等。它是医学影像界同行学习和交流的理想园地,欢迎广大医学影像工作者和研究人员踊跃投稿。

关键词： 无监督域自适应   医学影像分割   深度学习   自监督学习   生成对抗网络  

摘要： 医学影像分割是计算机辅助诊疗应用中的关键任务。随着深度学习技术的飞速发展,基于深度学习的医学影像分割方法已经取得了显著的成效。然而,医学影像分割任务中由于数据的获取设备、标准等差异性,来自不同中心、不同设备的影像之间往往存在严重的领域漂移问题,从而导致分割模型在不同域数据上的性能下降。为了解决这一问题,医学影像中无监督域自适应研究逐渐兴起。尽管近期的无监督域自适应工作在医学影像分析领域已经取得了一定成果,但仍然存在着巨大挑战,例如,无监督域自适应中常使用图像翻译技术(即图像风格迁移)减小两个域图像之间的差异。然而图像翻译可能改变原图的语义信息,造成网络域自适应性能恶化。为了应对这一挑战,现有的技术要么将图像翻译模型与域自适应分割模型分离,使图像翻译模块不影响域自适应分割模型的训练;要么通过极大代价的双向学习过程对其进行纠正。在本研究中,我们提出了一种新的无监督域自适应方法可以有效地校正图像翻译误差,且相较于其它的纠正方法更加简便。首先,本文提出了一种简单且有效的结合图像对齐和特征对齐的基线模型。在基线模型基础上,我们提出了一种有效的自改进域自适应(SIDA)方法。该方法通过引入两个自监督任务(图像翻译程度预测任务和对比学习任务),以保证翻译后图像和其特征表示之间的语义一致性,提高图像翻译模块对于分割网络的有效性和鲁棒性。本文在无监督域自适应胰腺分割(CT-MRI)任务中进行了充分的研究和分析,证明了所提出的SIDA的有效性及相较于目前其他先进算法的性能优越性。

关键词： 数据驱动算法   深度学习   图像分割   医学图像诊断   图像配准  

摘要： 近年来,数据驱动型算法逐渐成为了计算机医学影像分析方法的主流。目前的数据驱动算法主要侧重于学习输入数据与输出结果之间的映射关系,未能有效利用高层次的知识信息。在医学影像分析领域,高层次知识包括医生多年总结的诊断经验、人体器官形状知识、解剖特征点位置知识等,这些医学知识对于影像分析具有重要参考价值,却很难通过数据驱动型算法直接学习得到。本论文通过融入医学知识来提升医学影像分析算法的性能,在图像分割、影像诊断和图像配准三个方面进行了探索,初步取得了的良好效果。论文的具体工作内容如下:(1)融入解剖知识的低剂量小鼠Micro-CT图像分割。小鼠Micro-CT影像在临床前的癌症研究中被广泛使用。从小鼠Micro-CT中分割主要脏器是测量药物代谢、定位肿瘤病灶的先行步骤。目前小鼠Micro-CT影像大多采用低X射线剂量,造成软组织器官边界模糊,完全依靠图像本身信息难以实现准确分割,须借助器官解剖知识来提升分割精度。本章设计了一个二阶段深层监督全卷积网络,将器官形状和位置信息作为解剖知识融入深度学习网络。实验验证本章方法对主要脏器的平均分割精度Dice指标达到0.84,各器官的精度比传统方法提升了18%～26%。(2)融入医生诊断知识的非小细胞肺癌PET/CT影像诊断。肺癌影像的深度学习诊断是近年来的研究热点,现有算法大多从影像数据本身学习具有诊断价值的特征,却忽略了医生多年积累的临床诊断知识。本章将医生总结的7类肺癌淋巴结良恶性特征融入算法,首先设计了融合PET和CT的双模态影像特征的深度神经网络,然后将医生总结的特征通过全连接层与图像特征进行融合。本章方法对于非小细胞良恶性判别的敏感性为0.86,曲线下面积(Area Under the Receiver Operator Characteristic Curve,AUC)为0.96,比人类医生诊断敏感性提升了13.8%。(3)融入解剖特征点知识的肝癌核磁图像配准。肝癌手术在随访过程中,经常需要把手术前后的核磁图像进行配准,以便对比观察病灶区域的变化。传统的图像配准算法注重优化两幅图像之间的灰度相似性测度,不能有效地配准医生所关注的解剖特征点。本章将肝脏血管分叉点作为约束条件加入到点云匹配算法中,使血管分叉点的配准平均误差达到1.02mm,比传统的基于灰度的配准方法的平均误差减少了13.51mm。本文通过将医学知识融入现有的医学影像分析算法,有效提升了图像分割、配准和诊断的性能。本研究为医学知识与数据驱动型算法的结合做出了初步的积极探索。