教学课程资源库 更多>>

摘要： 南昌一脉阳光医学影像诊断中心是一脉阳光影像医院集团布局在江西的省会级旗舰中心。致力服务于江西省内各级各类型医疗机构,服务于广大有影像检查需求的人群。设备配置·GE Discovery PET-CT 710 ·PHILIPS 64排CT·GE SIGNA Pioneer 3.0T磁共振·联影40排CT uCT530·柏斯双板落地DR iDR3600PET/CT肿瘤筛查PET/CT能早期发现肿瘤。在实体肿瘤刚刚长到很小的情况下,PET/CT就能给予明确的诊断结果和临床建议。优于目前其他的影像手段。

关键词： 小样本分割   医学影像   数据增强   生成对抗网络  

摘要： 大数据时代的降临,伴随着医学成像设备的升级,产生了大量的医学影像数据,加重了影像分析医生的负担。因此,容易会出现疾病漏诊误诊的情况,导致诊断结果出现偏差。人工智能技术使计算机辅助医生进行疾病诊断成为可能。辅助诊断不仅减轻了医生负担,还减少了漏诊误诊的可能性。医学影像分割技术,正是辅助诊断的基础。然而,基于深度学习的分割技术需要大量的已标注信息。该需求与当前医学影像标注数据量少、标注数据昂贵、迁移成本高存在矛盾。因此,本文提出了一种基于小样本学习的医学影像分割技术,分别从先验知识的算法、数据、模型三方面展开研究,充分利用已有的标签数据,并使用少量的标签就能使网络完成新类别标签的分割任务。本文主要工作包括以下三点:(1)算法方面:由于数据增强操作对不同的医学影像数据有不同程度的作用,为了利用先验知识优化搜索最优模型,提出了基于迁移学习的小样本增强策略。通过评估各操作对该数据集的效果设置概率;然后使用基于分类网络的自监督学习模块,获得小样本分割的特征提取网络的初始参数;最后将该参数迁移至小样本分割的特征提取网络。在三个小样本数据集的分割任务上证明了该策略可以提升网络分割的精度。(2)数据方面:针对医学影像已标注数据量少的问题,为了通过先验知识扩充训练数据集,提出了一种基于生成对抗网络的医学小样本扩充技术,用于对数据集进行扩充。该方法针对不同任务的目标域,设置了两种框架,并提出了基于任务的分割损失函数。在三个数据集上进行了验证,获得了质量较好的生成数据集和更优的分割评分。(3)模型方面:结合所获得的算法和数据方面的先验知识,为了利用先验知识缩小模型需要搜索的空间,使小样本分割模型在分割新数据样本时不进行微调也能得到较好分割结果,提出了一种面向医学影像原型提取的小样本分割技术。该技术通过多尺度特征提取、多原型融合等方法,在三个数据集上完成了对新类别较准确地分割。

关键词： 卷积神经网络   脑肿瘤分割   V-Net   Spring框架  

摘要： 在癌症发病率和死亡率逐年攀升的今天,人们对健康问题越发关注,对于提升肿瘤检测及时性和准确率的希望也越发迫切。随着现代计算机技术的迅速发展,卷积神经网络成为国内外专家学者的研究热点,将其的研究成果应用于医疗领域,帮助医生对肿瘤做出高效而准确的诊断,这具有着重要的社会意义和实用价值。由于不同身体部位和不同检查方式中的肿瘤具有不同的形态,本文针对核磁共振成像的脑胶质瘤进行了分割模型的研究,并搭建Web系统使医生可以方便的直接使用模型,系统还加入了病人影像浏览标记、诊断结果打印、系统留言等功能,方便医生在临床上直接使用该系统进行医疗工作。本文主要贡献如下:1、本文研究了脑胶质瘤MRI分割的相关理论和方法,通过对基于CNN的U-Net模型和V-Net模型的研究,结合BraTS19数据集进行分析,设计了针对BraTS19数据集的预处理过程并提出了基于V-Net的分割模型BraTS19-3DVNet。实验证明本文的BraTS19-3DVNet模型表现优异,能够满足大部分场景和环境下对脑胶质瘤分割速度和精度的需求。2、本文结合医生在临床中的诊断过程,完成了系统的需求分析和系统设计,确认了系统的业务需求、用户需求、功能需求、非功能需求、软件架构、功能模块和数据库方案,主要将系统分为身份认证、系统管理、病人数据管理、病人影像分析、诊断管理和留言管理六大功能模块。本文使用Spring Boot作为系统实现框架,根据每个功能模块的设计完成系统功能实现和测试,并对系统整体进行性能测试,最终实现一个高效、可靠、便捷的Web系统。医生可通过该系统对病人的脑胶质瘤的形状、大小和边界做出快速而准确的判断,提高诊断的效率和准确率。此外,系统为卷积神经网络模型在医疗领域的实际应用提供了较好的参考。

关键词： 医学影像   网络病例库   软件的设计与应用   网络平台  

摘要： 目的：设计与开发一个医学影像病例齐全并且操作简单的医学影像病例库App，作为同行医生学习交流的平台，提高医生的影像诊断水平。方法：根据以往的“医学在线”网络平台的经验和类似软件功能进行分析与设计，构建App系统框架并开发App。系统主要功能模块包括系统功能的设计、数据库设计等。结果：医学影像病例库App运行，满足了影像学医生阅片的需求。医学影像App上线后，收集了5 000余病历资料，且病例上传量在持续增加中，日浏览量高达1000多次，结果反响良好，用户满意度高。讨论：医学影像病例库App总体来说，影像病例齐全，操作简单且实用，提供了医学影像相关专业知识的整合平台，为同行医生学习交流提供便捷平台，有利于同行医生积累、分享相关专业知识。

关键词： 医学影像质量控制   磁共振图像   DR胸片   卷积神经网络  

摘要： 高质量的医学图像是准确诊断与治疗的基础,而影像质量的评估与控制,是高质量影像的保证。目前影像科日常的影像质控主要靠高年资放射科医生主观评价。由于人工评估图像质量受主观性影响、劳动强度大,医院对有效、客观的影像质量评估系统一直都有很大的需求。近年来深度学习在计算机视觉领域发展迅猛,卷积神经网络模型在图像的目标检测和分类问题上也取得了重大突破。本文在这些工作的基础上,利用卷积神经网络对医学图像质量控制中的两个问题了进行研究:一是头颈部磁共振图像中的鼻咽部图像质量控制;二是DR(Digital Radiography)胸片的图像质量控制。本文提出一种全自动对头颈部磁共振图像中鼻咽部区域的图像质量评估的方法。我们首先使用YOLOv3检测网络精准地提取出头颈部磁共振图像中鼻咽部区域,作为质量评估的分类网络的输入;然后使用基于残差网络和挤压激励层的深度学习分类网络模型对鼻咽部的图像质量进行评估。从实验结果可以看出,该算法可以准确地识别质量较差的头颈部磁共振图像,有助于提升磁共振检查的质量,帮助医生更好地进行诊断。人体摆位、姿势、异物、设备参数等多种条件都会影响DR胸片的质量。针对这一问题,我们实现了全自动的DR胸片图像质量评估。我们提出了两种解决方案:一种利用了基于图块的两步卷积神经网络;另一种利用了多标签分类网络。实验结果表明,两种方案的模型都可以准确地对部分影响图像质量的因素进行评估。本文进一步将训练好的模型集成到软件中,实现了对DR胸片图像质量的自动监控。在获得相应的授权和配置后,该软件与医院的PACS系统联机工作可帮助医院实时判断DR胸片的质量,有助于提升拍片合格率,更好地为临床诊断服务。

关键词： 深度学习   医学影像分析   跨模态合成   生成对抗网络  

摘要： 融合计算机断层扫描成像(CT)、磁共振成像(MRI)、正电子发射断层扫描成像(PET)等多模态医学影像数据可以提供疾病特征的互补信息。但在实际的临床分析或辅助诊断应用中,由于成像成本高,辐射危害、成像设施缺乏等缘故,往往会缺乏某些必需的模态影像数据。由于可作为充足多模态医学影像数据的低成本来源,为临床研究或是计算机辅助诊断提供巨大价值,医学影像的跨模态合成研究已经成为了医学影像分析领域的主流研究方向之一,但它也面临诸多挑战。深度学习的兴起为解决这些挑战提供了新的方法,基于深度学习的医学影像跨模态合成极具研究前景与研究价值。由于传统机器学习方法的性能在很大程度上依赖于人工制作的特征质量以及领域专家所具有的先验知识,其应用范围十分有限。本文设计了一种用于医学影像跨模态合成的对抗性U型神经网络模型,它具有强大的特征自适应提取能力和学习能力,在扩张子网络和收缩子网络之间添加的跳跃连接可以确保网络有更大的感受野,对抗性训练策略的应用则可以有效提高目标域影像的合成质量。另一方面,本文探讨了不同正则化方法在影像合成上的性能,使用实例正则化代替常用的批量正则化以取得更好的结果。生成对抗网络相比其余卷积神经网络具有更卓越的生成能力,但考虑到传统生成对抗网络在缺乏先验引导的情况下易忽略隐层向量输入以及二维合成模型在三维医学影像合成上的局限性,本文提出了一种三维双向映射生成对抗网络以对医学影像的跨模态合成进行进一步研究。首先,在生成对抗网络中引入了隐层空间和目标域影像之间的双向映射机制,以增强跨模态映射的精准性和特征匹配性;其次,构建了由三维密集连接U型网络组成的生成器结构,以最佳地保留三维影像的空间结构特征;再次,设计了由对抗损失、Kullback-Leibler散度约束、重建损失和感知损失组成的混合损失函数,以提高三维模型的训练效率;最后,先通过大量的消融实验和对比实验展示了提出方法的优良性能,再通过合成影像在阿尔茨海默症分类实验和数据增强实验的良好效果,进一步证明了本文提出方法在医学影像跨模态合成研究上的优越表现。

关键词： 深度学习   3D医学影像   U-net   对抗训练机制  

摘要： 医学影像为发现病变、精准诊断、个性化治疗提供重要的依据。在临床中,医学影像对医生的辅助诊断也具有重要参考意义。对于手术前对特定的复杂的病灶的分析,往往需要对影像中的病灶部位进行标注。利用手工分割影像中的病灶,既费时又费力,而基于深度学习的自动分割算法能够较好地解决这一问题。为了提高模型的分割性能,本文主要进行了以下两点研究:(1)原始U-net网络由于多个卷积和下采样的堆叠,容易造成特征丢失的问题。为了让语义网络学习到更多精细的特征,拥有更好的非线性表达能力,本文对原有的3D-Unet网络进行改进,提出了Mutations Res 3D-Unet。通过将两个3D-Unet级联,使得第一个U-net网络的编码部分与第二个U-net网络的解码部分结合,延伸整体网络的深度,从而构成一个新的编码器-解码器结构。同时为了解决深度网络中的特征累积问题,本算法将每一个子U-net模块中的卷积和修正线性单元(ReLU)替换为Recurrent Residual Block模块。为了验证本文提出算法的性能,在BraTS 2018数据集上进行了验证,实验表明Mutations Res 3DUnet在脑肿瘤数据完整肿瘤区域、核心肿瘤区域、增强肿瘤区域的Dice指标分别为0.9103、0.8650、0.8562,并且相对于原始3D-Unet的Dice 0.8775、0.8170、0.8380有较为显著的性能提升,验证了本算法的有效性。(2)传统的卷积算子的输出特征图往往只能提取到输入特征图的局部信息,而全局信息容易造成忽视。为了将全局信息融入到输出的特征图中,本文将分割网络的上采样操作替换为基于全局聚合模块的上采样Residual Blocks模块。同时为了让网络能够在更少的数据集中达到不错的分割效果,在第三章的基础上引入对抗训练机制。将分割网络的输出结果和金标准数据输入到判别器网络中,利用判别器网络判别输入的是金标准数据还是分割结果,并以此修正分割网络的分割结果。本文使用BraTS 2018 75%的训练集进行训练,并在测试集上进行了验证。脑肿瘤的完整肿瘤区域、核心肿瘤区域、增强肿瘤区域的Dice指标分别为0.9164、0.8698、0.8647,通过与现有的脑肿瘤分割算法对比表明本算法具有较强的竞争性。

摘要： 《中国临床医学影像杂志》被中国科学引文数据库(Chinese Science Citation Database,CSCD)核心库收录(2021—2022年)。感谢编委、作者、读者等关心支持我刊发展的专家、学者和机构!我刊将继续不忘初心、砥砺前行,办精品期刊、促学科发展。据中国科学院文献情报中心官网报道,经过中国科学引文数据库(CSCD)定量遴选、专家定性评估,2021—2022年度中国科学引文数据库收录来源期刊1 262种,

关键词： 医学影像技术   实验室建设   理论结合实践   自主学习  

摘要： 实验教学是医学教学中的重点、难点,实验室建设和规划是学院需要面对的问题。为此,以医学影像技术专业实验室为例,按照对本专业学生的知识和技能要求,阐述了实验室的建设必要性以及建设和管理。实验室建设效果显著,通过理论结合实践,不仅提高了学生的实践动手能力,还提高了学生的自主学习能力,使其初步具备独立操作医学影像设备的检查能力。

关键词： 医学伦理   医学影像   医学影像学检查  

摘要： 随着科技的发展,医学影像学检查方法不断更新和涌现,根据医学伦理的理论,对医学影像学检查方法的选择及医学影像学检查整个过程中的每一个细节都进行详细分析和探讨,从医学伦理的角度诠释医学影像学检查的工作细节,科学、合理和规范地使用医学影像学检查。