教学课程资源库 更多>>

关键词： 医学影像处理   图像分割   图像分类   深度学习   神经网络  

摘要： 为缓解我国医疗资源长期短缺的社会矛盾,满足人民日益增长的医疗需求,基于深度学习的医学图像辅助诊断研究已成为智慧医疗中的重点发展领域。为更好地解决医学影像中多模态成像、多时间点采集、病灶空间异质性等难点,本文以深度学习技术为核心,以解决临床问题为导向,以设计全自动辅助诊断算法为目标,深入开展了多项医学影像中分割与分类模型的研究与应用,研究详情如下:本文首先提出了一个基于深度学习的肝癌消融术疗效评估全自动框架,该框架以多期CT影像中肝脏、肝癌肿瘤和消融区的自动三维分割模块为核心,还包括消融治疗的自动配准模块和消融手术治疗效果自动评估模块。在独立测试集上,该方法对多期CT影像中的肝脏分割Dice系数均可达95%,对术前静脉期CT影像中肿瘤分割的Dice系数为72.27%,对术后静脉期消融区域分割的Dice系数为89.06%。结果表明,该框架有望用于肝癌患者消融手术的全自动临床评估。随后,本文提出了一个适用于不同深度学习分割模型的自动后处理模块。在生成对抗网络(GAN)的基础上,提出标签分配生成对抗网络(LAGAN),以完成传统深度分割模型概率图的标签分配。随后,应用LAGAN完成CT影像中的结直肠癌肿瘤分割,并探讨其与不同深度学习网络相组合时的性能表现。LAGAN将FCN-32s对CT影像中结直肠癌肿瘤分割的Dice系数从81.83%提升至90.82%,将U-net分割的Dice系数从86.67%提升至到91.54%。结果表明,LAGAN是一种灵活且稳定的后处理模块,并可与不同深度分割网络自由组合,并实现CT影像中结直肠癌肿瘤的分割任务。为解决深度学习网络在分类任务中可解释性差的问题,本文最后提出了一种可解释性引导的集成卷积神经网络(CNN),以完成扩散张量成像(DTI)中脑胶质瘤真假复发自动分类。首先,构建三个典型的单分类模型。随后,利用上述网络所有卷积层中的特定类别梯度信息来突出DTI扫描中的病灶相关区域。影像医生在其中选择出与分类问题高度相关的卷积层。最后,利用所选层的抽象特征构建多尺度集成CNN。该集成网络对脑胶质瘤真假复发的分类准确率达到90.20%,对各单分类网络提升特异度均在20%以上。结果表明,该网络能够提升单分类CNN的模型可靠性和分类准确性。综上所述,本文针对不同的应用场景与医学影像数据类型,特异性地改进了现有的深度学习分割与分类模型。本文提出的研究思路及框架具有较强的通用性,对未来更多的深度学习医学影像辅助诊断建模具有积极的参考意义。

关键词： 医学影像诊断   图像分割   目标检测   三维可视化  

摘要： 随着医学影像检查例如X线摄影、计算机断层扫描(CT)等被广泛运用,影像检查所产生的海量数据在辅助医生提升诊疗准确性的同时也加重了医生工作负担。为了提高医生的工作效率和水平,国内外都相继研发了很多医学影像辅助诊断系统。但是国内目前所使用的系统仅包含了常见的二维图像浏览功能,缺乏三维重建后处理技术,虽然国外部分软件具备了相应功能,但是价格昂贵,且往往与检查设备相绑定,不利于除放射科外其他临床科室使用。同时,虽然现在很多学者将深度学习用于病灶检测,但大多停留在算法研究阶段,还没有应用于实际软件中。因此,针对以上问题本文对医学影像辅助诊断系统中需要的目标检测、图像分割以及三维可视化技术进行了研究,并在实验室现有的医学影像浏览软件基础上,设计实现了乳腺肿块自动检测、肺实质分割与三维可视化以及牙种植模拟三个新的功能模块。完成的主要工作如下:1.利用YOLOv3模型为目标检测框架,设计实现了基于深度学习的乳腺肿块自动检测模块,为便于目标检测模型的在线训练优化,进一步提升检测准确性,设计了利用新标注数据集对模型优化训练的Windows图形用户界面(GUI),并将病灶检测的验证指标进行了可视化,可以辅助研究人员进行临床评价研究。2.通过研究分析对比传统的区域增长算法和深度学习U-Net分割算法,实现了多种方法的肺实质自动分割,并结合体绘制三维可视化技术设计实现了肺实质分割结果的三维重建功能,从而可以有效辅助医师确定肺结节大小和位置,制定手术规划。3.为有效模拟种植体手术过程,基于计算机图形学原理并结合三维可视化技术,在***可视化平台上设计实现了牙种植模拟模块。首先利用曲面重建完成了对面部颌骨位置的全景图生成和牙槽神经管勾画;进而利用碰撞检测技术设计实现了种植体与神经管的自动碰撞检测,以防止种植体植入过深造成神经管损伤,从而可以有效辅助医生确定牙种植手术方案。本文中所新添加的三个功能模块,在一定程度上弥补了图像后处理技术在国内医学影像辅助诊断系统应用上的不足。可以有效地促进医疗影像领域向着更高效、更智能、更精准的方向发展。

关键词： 医学影像分割   表征学习   多尺度表征   孪生网络  

摘要： 对医学影像中器官、组织等目标进行分割,在医学诊断、治疗和预后中起着重要的作用,构建精确且鲁棒的医学影像自动分割系统有着深远的研究意义。然而,建立大型有标注医学数据集需要高水准医学专家知识,并且密集的点标注会耗费大量时间。而在无标注医学影像数据上,应用自监督学习以提升分割性能已经得到深入的研究和发展,但是以往的研究大多设计代理任务训练,很少关注医学影像本身在潜在空间上的表征学习,同时忽略了医学分割目标的尺度多样性。论文针对这一问题,将自监督孪生网络表征学习中现有的全局、局部或密集表征进行有效结合并在医学影像领域实施,提出了多尺度表征一致性的自监督医学影像分割算法。具体而言,论文主要进行了以下研究:首先,对医学影像孪生网络范式自监督所需的差异视图生成展开研究,针对现有对齐方法的适用范围有限和运算复杂度过高的问题,提出了画布匹配,能获得更丰富复杂的空间增强视图的同时高效获取密集的位置对应信息。其次,对现有的孪生网络表征提取进行研究,设计多尺度表征提取孪生网络,通过各尺度对应的卷积形式投影层和预测层获得多尺度投影表征与预测表征。其中,为了解决密集尺度的表征运算带来过大的隐层张量的问题,提出了嵌入预采样,保证了训练的高效进行。最后,对多尺度表征的学习损失进行研究,针对医学影像目标尺度上的仪器、个体差异和缩放差异的问题,提出了表征一致性损失来自动匹配表征间的最佳尺度,以学习尺度不变性。同时为了解决视图边缘上下文信息缺少的问题,提出中心度权重降低视图边缘表征的影响。论文在RibFrac数据集和Medical Segmentation Decathlon中多个三维CT数据集上采用无标注数据实施了多尺度表征学习,并在范德堡大学医学中心的具有挑战性的多器官分割Beyond the Cranial Vault数据集上进行下游分割实验性能验证。通过改进独立性分析和标注力度分析,并与现有的先进的医学分割网络以及多种不同尺度表征学习方法进行对比实验,验证了论文提出的多尺度表征一致性的自监督医学影像分割的有效性和鲁棒性。

关键词： 深度学习   鲁棒性算法   领域自适应   语义分割   病灶检测  

摘要： 深度卷积神经网络在传统图像任务上取得了重大突破,在医学影像领域同样获得了广泛的关注与研究。医学影像分析是早期疾病筛查和后期诊断治疗中必不可缺的环节。然而,从不同医学中心采集的数据具有分布差异性,且获取大量有标签的医学影像数据是十分困难的,因此,我们针对域迁移和弱监督这两大问题,提出基于领域自适应的医学图像分割算法和基于弱监督学习的医学图像检测算法,为医学影像的智能化分析提供帮助。本文的主要工作总结如下:针对数据域迁移和弱监督问题,我们提出基于领域自适应的医学图像分割算法,从数据分析、算法研究和算法优化等方面逐步实现具备高分割准确率、强鲁棒性的分割系统,该系统由数据模块、分割模块、判别模块和抗噪模块四个子模块构成,支持训练、预测两种工作模式。具体而言,我们提出了一种同行监督的交叉去噪框架CD-Net,从特征提取的网络结构、模型训练的损失函数以及训练策略等方面对基础框架进行了深度优化,以解决域迁移和噪声标签问题,实现目标区域的高精度分割。在两个眼底图像数据集REFUGE和Drishti-GS上的结果表明,所提方法与其他同类方法相比,在视觉结果和量化结果上都表现优异,其中在无噪声数据集上视杯和视盘的Dice分割准确率分别达到了 0.953和0.894,在严重噪声数据集上视杯和视盘的Dice分割准确分别达到了 0.930和0.836。进一步地,针对弱监督数据中的小样本不均衡问题,我们提出基于弱监督学习的医学图像检测算法,从数据预处理、特征分析和病灶检测三个模块实现检测系统,同时提出了 PoC策略来解决小样本不均衡问题,所设计的孪生网络框架PoC-SiameseNet能够捕捉图像的深度不对称特征,进而准确、有效地识别癫痫病灶。在PET图像数据集上的结果表明,与其他方法以及不同经验医生的评估结果相比,所提的病灶检测方法表现优异,其中基于特征分析方法的AUC、准确率、敏感度、特异性指标分别达到0.89、0.82、0.84和0.80,基于深度孪生网络的图像块检测达到了 0.93的预测准确率。

关键词： 器官分割   深度学习   形状变化   异质区域   模糊边界  

摘要： 医学影像成像技术的推广使得利用医学影像进行疾病的筛查、病情的诊断等操作日益常见,这给临床医学带来方便的同时还带来了愈发繁重的阅片需求。在这种背景下运用计算机手段进行自动阅片已经成为了研究热点。器官分割在进行器官影像的阅片时经常作为基础步骤,分割的精度对后续的筛查诊断等操作影响很大,因此进行精确的器官分割意义重大。本文的研究方向是使用深度学习方法进行医学影像中的器官分割任务。虽然已经有很多以往的工作致力于提升器官分割任务的精度,且已经取得了很大的进展,但其精度仍受限于一些共有的问题。本文所关注的问题主要概括为以下三个方面:1)器官的形状变化很大,因此对整体形状缺乏感知容易带来分割的错误;2)器官类别内部的差异大,存在一些同类但外在表现差异很大的区域,即异质区域。异质区域经常会引起误分割;3)器官边界模糊,边界附近容易有分割错误的像素,且经常出现边界不完整,分割结果标签溢出等现象。针对上述问题,本文提出了以下三点解决思路:1.本文首先提出一个适应器官形状的全局上下文提取模块。具体来说,为了在卷积神经网络中增加对器官整体形状的感知,本模块从空间和通道两个维度提取特征图的全局上下文信息,并将全局信息用于指导可变形卷积的偏置学习。这种方式学到的可变形卷积偏置能够得到具有器官整体信息的卷积采样位置,从而适应器官的形状变化;2.针对异质区域问题,本文提出了辅助异质区域分割的类别特征提取模块。由于异质区域与其类别的整体统计特征差异较大,但与所在影像内同类别像素的特征有相关性,因此本模块通过提取输入影像中的类别统计信息并与网络特征图进行融合,从而指导分割结果的微调。实验证明本模块能够纠正异质区域处的错误预测;3.本文还提出了针对模糊边界的模型增强算法。首先,由于边界附近区域容易出现分割误差,因此本文提出了针对模糊边界的损失函数,训练的中后期对边界附近像素施加更高的损失权重,从而纠正边界附近的像素级分割误差;为了对抗模糊边界对分割结果结构的干扰,本文提出了针对边界模糊的结构特征提取模块,在网络特征提取过程中保留更多影像中的局部结构信息,从而优化网络在边界附近的分割结构。本文的方法在两个公开的器官分割数据集上进行了实验验证,分别在美国国立卫生院胰腺分割数据集和日本放射技术学会胸片分割数据集上基于基础网络的结果得到了 9%和1%左右的精度提升,且在后者上取得了三个目标器官上目前最好的分割结果。在上述两种不同种类、不同成像方式、不同数据维度的数据集上的应用不仅展示了本文方法性能上的优势,还体现了本文方法具有在不同器官分割任务上进行拓展的能力。

摘要： 《实用医学影像杂志》(ISSN 1009-6817,CN 14-1281/R)是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的面向国内外公开发行的科技期刊。本刊面向医学影像专业及临床各专业学科的广大医务人员,重点反映我国普通放射、CT、磁共振、介入放射、核医学、超声、放射治疗等方面的新技术、新进展、新成果以及各种影像机械检新机械检修、投照及机器应用,

关键词： 图像插值   帧间插值   光流估计   视频插帧   多项式拟合   医学影像  

摘要： 在高速发展的数字化时代,数字图像早已成为视觉信息的主要传输媒介,人们对其质量的要求也逐渐提高。因此,近年来数字图像处理技术,特别是图像增强技术得到迅速发展,在多个领域得到广泛应用。例如,为了使视频更加流畅,需要对视频进行补帧以提高帧率,从而满足人眼视觉暂留特性的需要;为了分析大气和地面状况,需要对遥感卫星图像进行放大去模糊处理;为了侦破案件,需要对监控影像进行高分辨处理;为了更准确地定位病灶,需要对医学影像进行分割、超分辨率重建操作等等。这些提高图像清晰度、分辨率的图像处理过程都需要用到图像插值技术。图像插值是指利用图像已知采样点估计未知采样点像素值的过程,旨在将低分辨率图像变成相应的高分辨率版本以改善图像的视觉效果。按照分辨率增强的方向不同,插值过程可以在图像序列的空间域和时间域中进行。经典的插值算法关注于空间分辨率的增强,将单幅低分辨率图像变成高分辨率版本。在时间域进行的分辨率增强技术又称为帧间插值,旨在将低帧数的图像序列变成高帧数版本以使图像序列变化更加自然流畅,在帧率转换、生物医学成像等领域中被广泛使用。在视频处理领域,为了充分利用有限的带宽,通常以低分辨率视频流进行传输,因此需要在接收端使用插值算法转换成对应的高分辨率视频流以带来更流畅的视频播放体验。在医学影像重建任务中,受制于成像设备固有的物理局限性和长时间扫描带来的潜在危害性,成像数据的层间分辨率明显低于层内分辨率,给后期分析处理及临床诊断带来了挑战。如何充分地利用已知数据采样点生成新的中间图像仍是一个亟待解决的问题。为此,本文对序列图像帧间插值技术进行了研究,针对视频插帧和医学图像层间分辨率提升应用领域,提出了下列两种改进算法:1.提出了基于光流估计的序列图像帧间插值方法。该方法利用相邻两帧的配准信息生成一个新的中间帧,并对插值得到的中间帧进行修复。首先,引入CLG-TV光流估计模型计算连续两幅图像间的像素运动,得到图像间像素级的对应关系。其次,参考目标图像的插值位置缩放速度矢量,通过计算速度场生成插值图像。最后利用序列图像的帧间非局部自相似性,修复光流估计造成的像素缺失现象。在视频和CT图像数据集上的定量和定性实验结果表明,与其他经典方法相比,该方法生成了高质量的中间帧图像,在一定程度上提高了视频帧率和医学图像的层间分辨率。2.提出了基于空间几何多项式拟合的图像间插值方法。鉴于医学图像处理系统对高可靠性和实时性的要求,为提高层间插值运算效率,本文提出了基于空间几何多项式拟合的图像层间插值方法。首先,利用采样公式对已知图像序列上的像素点反向采样,在以待采样点为中心的3×3×3的空间域范围局部地构造三元二次多项式空间几何体。然后,将构造的多项式空间几何体加权平均得到单位空间几何体,将所有的单位空间几何体拼合。最后,对其重采样生成新像素以插值中间图像。该方法避免了光流计算的复杂过程,提高了算法的运行效率,生成的插值结果获得了令人满意的定量和定性指标。此外,该方法可实现在两幅连续图像间插值生成任意数量的中间图像,从而有效提高了医学图像序列的轴向分辨率。

关键词： 分级存储   数据迁移   医学影像   数据生命周期管理  

摘要： 随着信息技术的发展,更快更好的信息化服务开始在各行业领域中发挥出更为显著的作用。对于大家所共同关注的医疗领域,服务信息化亦是必然的发展趋势。信息化进程的加速与医疗场景下数据激增所带来的问题两者之间需要依靠合理的技术手段进行平衡。在医疗行业,医学影像数据占比最为庞大,在硬件设备更新换代和技术升级的同时,也将带来更加复杂的数据存储模式,更加多样的数字传输方式以及更加难以沟通的信息孤岛。对于大型医院来说,医学影像文件有数据量大,保存时间长的特点。而目前国内的大部分医院对医学影像的传统存储模式大都对拓展性有着诸多限制,面对复杂的网络存储环境,其访问性能和可用性难以得到充分保障,进行设备升级所带来的成本负担也较高。对于医疗服务云平台而言,这为进行院内外信息共享,提供远程诊断服务与业内专家会诊都带来了不便。现有存储策略不科学导致的存储成本的激增,需要新的存储解决方案。承接上层医疗服务云平台系统,论文重点研究了医学影像存储管理过程所面临的的数据分级、数据迁移、统一调度等关键问题并给出解决方案,将医学影像的存储方案设计为“在线”-“近线”二级存储模式,提出了基于多因子综合反馈的价值评定模型,设计并实现了基于医学影像的分级存储管理系统。本论文从系统的需求分析、系统的设计与实现、系统的测试等几个维度来展开详尽说明。主要内容有:以信息生命周期管理技术为依据,以影像产生时间、近期访问频次、存储设备负载为主要粒度,进行数据区分,以提出的数据价值评定模型为标准设置策略实现医学影像数据在两级存储方式间的自动迁移,将不同热度的数据文件存储在不同级别的存储引擎之中,达到控制存储成本的目的;系统承接上层医疗云服务平台,完成医学影像分级存储管理的相关功能,为使用者提供统一的数据访问接口。同时针对数据分级存储与迁移可能带来的数据管理、数据完整性、安全性问题,提出合理解决思路。

关键词： 图像分类   医学图像   深度学习   坐标注意力机制   空洞卷积  

摘要： 医学影像是影像科医生诊断疾病的重要手段。影像科医生通过对患者活体组织的医学影像的分析与比较,判断疾病情况。然而,诊断准确率依赖于影像科专家的水平和精力和医疗设备水平。近年来,人工智能技术在计算机视觉、自然语言处理等领域有着出色的表现。人工智能技术应用于医学影像引起了临床专家和人工智能专家的关注。端到端的深度学习方法是人工智能技术的一种。相比传统图像处理技术,深度学习方法被证明具有强大的特征表示能力,在图像分析领域有着优异的成绩。为了提升疾病诊断正确率和缓解医护人员压力,应用深度学习方法定量分析医学影像辅助放射科专家诊断疾病。自新型冠状病毒肺炎(coronavirus disease 2019,COVID-19)爆发以来,很多受灾国家或地区的疫情尚未得到有效控制。应用智能方法减少漏诊、误诊,并且提供安全的诊断环境是研究及时发现、隔离、治疗患者能有效阻止病毒的扩散,因此研发智能高效的诊断手段是当务之急。利用深度学习方法在医学影像中检测感染者是一种安全有效的途径。针对医院硬件设备较差以及医学图像特征较少的现象,提出下述两种轻量的自动识别COVID-19医学影像的智能方法。(1)面向COVID-19胸部XR图像识别的深度学习方法DD-CovidNet。由于XR图像具有同一类别样本特征相似度高且不同类别样本特征变异性低的特点,提出特征信息敏感的双路径多尺度特征融合(dual-path multi-scale fusion,DMFF)模块和密集空洞深度可分离卷积(dense dilated depthwise separable,D3S)模块,分别提取浅层特征与深层特征。基于此,提出一种轻量级卷积神经网络模型DD-CovidNet识别COVID-19胸部XR图像。方法在2个数据集上进行验证。实验结果表明,DD-CovidNet模型对COVID-19识别的灵敏度为96.08%,精度与特异性均为100.00%,且具有较少的参数量与较快的分类速度。同其他模型相比,DD-CovidNet模型的检测速度更快,检测结果更准确。(2)面向COVID-19胸部CT图像识别的深度学习方法PC-CovidNet。COVID-19胸部CT图像的整体特点为双肺多发斑片状渗出影为主,大部分病例呈磨玻璃影,部分严重者表现为局部肺实变。针对上述特点,提出强.感知的并行通道混洗(parallel channel shuffle)PCS模块。PCS模块分为PCS-D模块与PCS-S模块,PCS-D模块用于特征分辨率降维。在PCS-D模块与PCS-S模块中引入坐标注意力机制(Coordination Attention Mechanism,CA),得到PCS-D-CA模块和PCS-S-CA模块。基于PCS模块,提出一种轻量级卷积神经网络模型PC-CovidNet检测COVID-19胸部CT图像。PCS模块中引入最大模糊池化,缓解下采样导致的锯齿效应,增强模型的鲁棒性;引入通道混洗操作,关联通道信息,提升模型性能且降低计算成本;引入CA,关注特征的通道信息与坐标信息,提升模型分类效果。方法在开源数据集COVID-CT上进行了验证,实现了 92.31%的整体分类准确率以及92.48%的COVID-19的灵敏度。

关键词： 医学影像   独立诊断中心   发展战略  

摘要： 我国2013年以后,出台了一系列有关鼓励独立医学影像诊断中心发展的相关政策,促进了我国独立医学影像诊断中心的发展和进步,提升了医疗影像的科技进步能力,促进我国医疗行业的发展。自国家出台政策以来,我国独立医学影像诊断中心逐渐增多,新的独立医学影像诊断中心也在不断成立并投入使用,大力发展了我国的医疗事业,缓解了我国大量患者的就医难、看病难等问题,减轻了公立医院的接诊压力,减少了看病费用,独立医学影像诊断中心的发展对于病人和医生来说都具有十分重要的现实意义,但是国内有关独立医学影像诊断中心发展战略的理论研究较少,研究医学影像诊断中心发展战略,对促进我国独立医学影像诊断中心的发展和进步有着十分重要的现实意义。基于这样的背景,本文以北京LY独立医学影像诊断中心为研究对象,立足当下,着眼其未来的发展战略和灵活的多层次商业模式。本文首先对我国目前的医疗环境的背景和意义进行了介绍,查阅并整理了国内外研究现状,发现现阶段研究中存在的不足,引出本文的创新之处,同时对本文相关的概念和分析工具进行了阐述,界定了第三方医学影像平台的概念,整理了企业发展战略的层级划分,以及本文的分析工具,为后文提供理论基础。之后分析了我国独立医学影像诊断中心的发展现状,以及独立医学影像诊断中心成立的原因,利用PEST模型分析了其政治、经济、社会和技术环境,利用波特五力模型分析了独立医学影像诊断中心的外部竞争环境,利用SWOT模型分析了北京LY独立医学影像诊断中心的优势、劣势、机遇和挑战,对北京LY独立医学影像诊断中心的战略发展环境进行了内外部整体分析。最后通过介绍独立医学影像诊断中心市场发展规划的定位,制定出北京LY独立医学影像诊断中心的总体发展战略。作为一个年轻的医学影像诊断机构,北京LY独立医学影像诊断中心在最近几年有了显著的成长,但同时也面临着一些发展中问题。本文通过对北京LY独立医学影像诊断中心发展规划的研究,有助于北京LY独立医学影像诊断中心更好的发展,希望通过本论文的研究,能为同行业其他企业的发展提供有益的参考。