教学课程资源库 更多>>

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。

关键词： 医学影像分割   特征上下文信息   空间神经注意力   域鉴别器   残差组  

摘要： 医学影像分割可以获得丰富的解剖结构和病理信息,是辅助诊断、治疗和术后评估的关键。由于医学影像结构复杂,如肿瘤边界模糊,形状不规则等,使得精确的三维脑肿瘤轮廓具有挑战性。因此,基于深度学习的图像分割方法被认为是实现医学图像分割过程中不可缺少的工具,解决了很多难题。然而,生物医学图像分析领域的医疗放射图像主要通过不同的放射仪器获得,如心脏图像可以由X光片、CT和MRI等多种方式获得,由于不同的成像物理原理,不同模式的数据分布不匹配,使得已建立的网络模型可能表现不佳。因此,针对上述提到在医学图像分割中存在的问题,本文主要展开以下研究:(1)针对实际医学图像出现的结构复杂而难以实现准确分割的问题,本文提出了一种基于MAC-IOUC-3DSFCNN的医学图像分割方法,并在脑肿瘤数据集上进行了验证。首先,通过在经典3DU-Net模型中加入三维残差组以进一步加深网络结构,获得更抽象的特征,还引入适配块,用于适配特征映射,从而促进特征信息双向流动。然后,引入Haar-Like特征和多模态信息以构建上下文框架,以获得更准确的3D脑肿瘤病灶区结构。最后,提出一种改进的IOU约束损失函数,解决不平衡数据问题,以进一步提高网络模型的3D分割性能。实验结果表明,MAC-IOUC-3DSFCNN可以在噪声大、边界不清晰的条件下实现医学脑肿瘤图像的精准分割。(2)针对实际医疗诊断中,由于不同的成像物理原理,不同模式的数据分布不一致问题,提出一种基于UMDA-SNA-SFCNN的跨模态医学图像分割方法,并在跨模态心脏数据集上进行了验证。首先,在传统的对抗领域自适应网络结构中加入空间注意力机制来突出重要区域,抑制无关区域,从而减少不同领域对齐过程中出现的负迁移,提高分割精度。然后,在对抗领域自适应学习中加入多层域鉴别器,连接多层特征和分割掩码,从而实现特征域的细粒度对齐。最后,在公开数据集上进行大量实验验证。实验结果表明,该方法优于一些传统的领域自适应方法,实现了不同数据分布的无监督分割。

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： 数据脱敏   隐私保护   个性化匿名   相似性攻击  

摘要： 医学影像数据蕴涵着巨大的医疗价值,但也包含了大量的患者敏感信息,如果未经脱敏处理直接发布或共享原始医学影像数据,将不可避免地造成患者隐私泄漏。数据匿名化技术通过隐匿和泛化等匿名化操作对数据集进行处理,使得数据元组无法关联到具体个体,从而降低隐私泄漏的风险。针对数据匿名化领域中的个性化隐私保护问题,本文对PE(α,k)模型进行改进,提出一种IPE(α,k)模型,使其不仅能够满足个性化的隐私保护需求,而且能够避免相似性攻击。同时,本文提出一种基于聚类-合并-分裂的个性化匿名算法,该算法能够在实现IPE(α,k)模型基础上,进一步减少信息损失,保留更多的数据可用性。基于所提出的个性化隐私保护模型及匿名算法,本文设计并实现了一个支持医学影像异构数据脱敏的系统。系统支持数据管理者、数据消费者和系统管理员三类用户,并提供元数据管理、数据脱敏、脱敏数据的权限配置及访问等功能。本文首先分析系统需求,描述系统的核心功能和性能指标;然后对系统进行概要设计,明确系统的工作流程、接口以及关键数据结构;随后详细设计每一个子系统及其模块并给出具体实现;最后,本文通过系统测试验证了医学影像脱敏系统满足预期设计。

关键词： 脊髓空洞症   Chiari畸形   PFD   儿童   医学影像学  

摘要： 目的Chiari 畸形(Arnold-Chiari malformation,ACM/CM),又称为小脑扁桃体下疝畸形,该疾病治疗方案至今尚无统一标准。尤其对于临床少见的青少年儿童患者,考虑到手术治疗可能会对患者术后生长发育造成不良的影响,因此选择手术及治疗方案时更需谨慎。本研究探讨分析儿童Chiari畸形1型合并脊髓空洞的临床特点及影响预后的相关因素。对象和方法本研究纳入了郑州大学第一附属医院于2016年1月至2020年6月期间收治的有详细临床资料的合并脊髓空洞症的小于18岁45名Chiari畸形1型(CM-1)患者,分析包括以下内容:经过不同治疗方案后患者的脑脊液流体动力学改变、下疝改善程度、临床症状改善情况、手术时间长短、术中出血量及住院总时间等,这些可能是影响Chiari畸形患者预后效果的相关危险因素。结果本组病例平均总病程(即自首次出现症状到症状消失或最后一次随访之前)为40.0月,从诊断到治疗的平均潜伏期21.9月,平均随访时间为12.4个月。其中25例接受颅后窝减压术式(Posterior fossa decompression,PFD)或颅后窝减压+硬脑膜成形术式(Posterior fossa decompression with duraplasty,PFDD)(A 组),随访时间6月-36月,平均随访时间13.2月,术后所有患者的脊髓空洞体积,在影像学上显示均有不同,平均减小86.12%,有效改善率96.0%;7例接受PFD+经后路寰枕融合内固定术式(B组),随访时间5月-21月,平均7.5月。影像复查显示脊髓空洞体积有不同程度的减小且呈与随访时间的延长呈正相关趋势,其中1例脊髓空洞减小不明显,2例无明显变化,平均45.35%,有效改善率71.4%。6例接受脊髓空洞分流及神经粘连松解切断术式(C组),随访时间4月-20月,平均10.0月,影像复查显示多数患者脊髓空洞体积减小,平均88.44%,改善率83.3%;此外,有7例患者选择接受保守治疗(D组),随访时间7月-32月,平均19.0月,影像复查显示所有患者脊髓空洞体积均有不同程度的增大,平均312.3%,改善率为0。结论对于儿童CM-1合并脊髓空洞患者,手术治疗时机、手术治疗方式、术中减压是否充分、重建颅后窝和颅颈连接部稳定性以及探查四脑室底闩部有无假膜形成等对于脑脊液流体动力学的改变是影响患者预后的关键因素。因此,临床医师应根据Chiari畸形患儿的具体情况进行个体化评估并采取不同的外科术式精准治疗,从而达到临床疗效最佳化。

关键词： 多模态医学影像   磁共振成像   影像生成   病灶分割   生成对抗网络  

摘要： 多模态医学影像可以反映人体不同组织的不同视觉特征,已成为人工智能、生物医学、计算机科学等学科的主要研究对象。基于多模态医学影像的病灶分割可应用于疾病诊断、术前方案、智能医疗和医学大数据分析等研究领域。近年来,随着深度学习算法的快速发展,基于深度神经网络的多模态病灶分割已取得了较大进展。然而,受扫描时间、采集成本等因素的影响,临床上有效的多模态影像数据样本少,因此不利于以数据驱动的人工智能算法在该领域的应用。与此同时,因为病灶是复杂的生理现象,且病灶影像表征具有特异性、不稳定性、异质性等特征,所以病灶分割的准确性、普适性较低。本文针对临床多模态影像数据缺乏和多模态病灶分割准确率较低两个问题,从理论研究和算法应用角度出发,以脑肿瘤和脑卒中的多模态磁共振成像(Magnetic Resonance Imaging,MRI)为研究对象,以循环一致生成对抗网络(Cycle-consistent Generative Adversarial Networks,Cycle GAN)为基础网络,提出了三种多模态医学影像生成及病灶分割算法,并应用于现有的公开竞赛数据集,实现了多模态影像生成和高精度脑部病灶分割。本文的主要研究工作如下:(1)提出基于感知循环一致性的生成式多模态影像生成与分割网络(Perceptual Cycle-consistent Generative Cross-modality Segmentation,PerCycle GAN-CMS)。首先,提出基于感知循环一致生成对抗网络(Perceptual Cycleconsistent Generative Adversarial Networks,Per-Cycle GAN)的脑肿瘤多模态影像生成算法。Per-Cycle GAN以Cycle GAN为基础网络,增加感知一致性损失,构建新网络,生成高质量的新模态影像。感知一致性损失在多层语义级上约束生成影像与目标影像的映射关系。其次,将Per-Cycle GAN与级联各向异性卷积神经分割网络级联,构建Per-Cycle GAN-CMS,实现脑肿瘤病灶分割。将PerCycle GAN-CMS算法应用于Bra TS2015(Multimodal Brain Tumor Segmentation Challenge 2015,Bra TS2015)数据集。实验表明,(a)本文提出的Per-Cycle GAN的多模态生成性能优于Cycle GAN。Per-Cycle GAN在四种情况下生成影像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)、结构相似性(Structural Similarity Index,SSIM)和均方误差(Root Mean Square Error,RMSE)三项客观指标均可满足临床应用需求,即:T1→Flair(23.859,0.867,17.315)、Flair→T1(24.546,0.896,16.421)、T1→T2(25.544,0.902,14.196)、T2→T1(24.206,0.908,17.328)。(b)本文提出的Per-Cycle GAN-CMS算法的分割效果高于单个输入模态时的分割指标。以真实T1+生成Flair为例,Per-Cycle GAN-CMS算法的Dice系数(0.679)、敏感性(0.678)、Hausdorff95距离(19.487)优于真实T1的Dice系数(0.633)、敏感性(0.612)、Hausdorff95距离(19.674)。由此可见,本文提出的Per-Cycle GANCMS可以强化病灶细节信息,提高生成模态质量,提升病灶分割客观精度。(2)提出基于双尺度感知循环一致性的生成式多模态影像生成与分割网络(Dual-scale Cross-modality Perceptual Cycle-consistent Generative Cross-modality Segmentation,Dual CMP-GAN-CMS)。首先提出基于双尺度感知循环一致生成对抗网络(Dual-scale Cross-modality Perceptual Cycle-consistent Generative Adversarial Networks,Dual CMP-GAN)的脑肿瘤多模态影像生成算法。Dual CMPGAN以Per-Cycle GAN为基础网络,在生成器中引入空洞残差模块,从而充分保留图像细节结构和上下文信息。其次,构建双尺度图像块判别器,通过判别不同大小的图像块优化生成器,使得网络能表征多尺寸病灶。最后,将Dual CMPGAN与级联各向异性卷积神经分割网络进行级联,构建Dual CMP-GAN-CMS,实现脑肿瘤病灶分割。将

关键词： 医学影像   深度学习   辅助诊断   数据增强   多模态融合  

摘要： 伴随着人们生活水平的大幅度提高,人口老龄化的加剧,人们对生命健康越来越重视,同时对医疗服务的需求稳步增长。日益增长的医疗服务需求,使得医疗行业的从业人员需要在有限的资源、精力以及时间下为患者提供高质量的医疗服务水平。临床医生作为医疗活动的主要参与者,其需要对患者大量的数据进行高效整合,进而对患者的疾病状态做出精准的诊断和评估。随着工作量的不断增加,临床医生需要整合的数据越来越多,很容易出现诊断失误。基于深度学习的辅助诊断模型,以医学影像数据为输入,通过各种数据处理手段和深度学习方法,输出对疾病的诊断和评估建议,能有效的降低医生负担、提升医疗质量和效率。近年来,基于深度学习的辅助诊断模型已经在医学影像临床场景中取得了长足的进步,然而基于深度学习的辅助诊断模型还未能在临床场景中进行大规模的应用,究其原因就是医学影像临床场景与基于深度学习的辅助诊断模型之间存在不匹配问题。这些不匹配问题,根据医学影像临床场景的特点可以总结为三个方面:数据量的不匹配问题、数据模态的不匹配问题以及可接受度的不匹配问题。为了应对上述的三个不匹配问题,本文在目标临床场景中,通过各种现有以及改进的方法和框架,建立了具有针对性的基于深度学习的辅助诊断模型,并在多个数据集上验证了模型的有效性和普适性。本文的主要内容和创新点可总结为以下三个方面: (1)应对数据量不匹配的辅助诊断模型 为了应对医学影像临床场景与基于深度学习的辅助诊断模型在数据量上的不匹配问题,以医学影像分割为临床场景,提出了一种新的数据增强方法:剪拼增强。剪拼增强方法利用了现有方法未曾考虑过的医学影像相对于自然图像独有的特点。使用U-Net作为基于深度学习的辅助诊断模型的分割网络。为了评估使用剪拼增强方法的辅助诊断模型性能,在多个分割数据集上对模型的性能进行了验证。这多个分割数据集覆盖了多种数据模态(MRI,CT和X光)、多个器官(肺、腹部器官、视网膜血管和大脑)、多个扫描平面(冠状和轴向平面)、以及多个维度(2D和3D)。实验结果表明,剪拼增强能有效解决医学影像临床场景与基于深度学习的辅助诊断模型在数据量上的不匹配问题,并且在和传统的数据增强方法一起使用时,效果更佳。 (2)应对数据模态不匹配的辅助诊断模型 为了应对医学影像临床场景与基于深度学习的辅助诊断模型在数据模态上的不匹配问题,使用多模态数据融合分析的方法将临床场景中的多种模态数据进行融合,进而进一步提升模型对疾病状态的诊断和评估能力。以自闭症的初筛为目标临床场景,通过f MRI数据的预处理、特征工程以及稀疏自动编码器的深度学习框架完成了对MRI数据、f MRI数据以及临床参数数据三种模态数据的融合分析。在f MRI的预处理阶段,提出了一种改进的预处理方法,其能更好将T1加权MRI的空间配准信息、空间标准化信息融合到f MRI数据当中,然后从预处理之后的f MRI数据中通过特征提取得到功能连接。使用稀疏自动编码器将功能连接和临床参数进行融合,得到融合特征,同时稀疏自动编码器还起到了特征降维的作用。最后将融合特征输入到分类器中对疾病进行最终的诊断。实验结果表明,最优超参数组合模型能很好解决数据模态不匹配问题,显著提升了模型对疾病的诊断和评估能力,同时融合的数据模态越多,模型的效果越好。在子临床场景上的表现说明,该辅助诊断模型具有较好的普适性。 (3)应对可接受度不匹配的辅助诊断模型 为了应对医学影像临床场景与基于深度学习的辅助诊断模型在可接受度上的不匹配问题,从而降低基于深度学习的辅助诊断模型在临床场景中的应用阻力。我们选择利用CT对新冠肺炎进行诊断和评估作为目标临床场景,利用模型的可解释性、模型的可靠性以及人机大战来提升临床医生对模型的了解,从而提升模型的可接受度。实验结果表明,在考虑应对可接受度不匹配问题的情况下,模型依然取得了不错的性能。模型的可解释性让临床医生了解到模型运作的根据与自己诊断的根据大体一致;模型的可靠性可以将辅助诊断模型与临床医生的合作方式标准化,从而让医生知道如何对待模型输出的结果;人机大战让临床医生有了和辅助诊断模型深入交流的机会,从而了解辅助诊断模型的优势与劣势。以上的这些方法都能很好的提升辅助诊断模型在临床医生心中的可接受度。

关键词： 多模态医学图像配准   下腹部   生成介质模态   深度学习   微分同胚  

摘要： 图像配准是医学影像处理中常用的技术,大量应用于医学的各个领域,包括病灶检测,疾病诊断,手术规划,手术导航和疗效评估等。随着多种医学影像技术的蓬勃发展,从反映解剖结构的形态学成像到反映器官组织的功能性成像,不同模态的医学影像从不同的角度承载着丰富的医学诊断信息,将多种模态的图像进行融合处理,能够为临床治疗提供丰富的功能互补信息。而多种模态的图像融合的基础是将这些图像进行配准。因此,多模态医学镜像的配准技术逐渐地成为了研究的重点。然而,传统的多模态医学图像配准方法存在着局限性,限制了其在实际的临床场景中的使用,包括适应性差与配准时间过长的问题。近年来,深度学习在图像处理领域展现出的强大功能使其成为了研究图像问题的主流方法。在医学中,深度学习在器官分割,肿瘤检测等任务上有均有出色表现。考虑以上的现状,本文基于深度学习提出了一种网络模型用于解决多模态医学图像的配准。同时,考虑到直接将多模态图像进行配准的困难度,本文提出了一种生成介质模态的方法来保证多模态图像之间的配准的有效性。本文的主要贡献如下:(1)提出生成介质模态的新方法SCG-TPL。针对有挑战性的下腹部的m Dixon MR序列生成能够模拟CT图像的一种介质模态,即合成CT图像。SCG-TPL是基于补丁学习框架,将知识杠杆迁移模糊c均值聚类(KL-TFCM)作为框架的全局模型以获得初步的分类结果,因为KL-TFCM能合理克服不同样本间的个体差异;将半监督模型Lap-SVM作为框架的局部模型以进行精细分类。结果表明,SCG-TPL仅需少量的人工成本就能带来较低的时间开销,能能够在仅需m Dixon MR序列的情况下针对下腹部产生出质量良好的合成CT图像。(2)针对多模态医学图像配准提出一种基于介质模态的深度网络M-i VM。该网络能对MR和CT图像进行配准。M-i VM是一种改进的微分同胚配准网络模型,该模型分为配准网络模块和空间变换模块。配准网络模块的结构为U-net网络,目的是生成一个配准场。空间变换模块是一个变形的空间变换网络结构,目的是根据配准场对待配准图像进行变换插值后得到最终的配准图像。结果表明,M-i VM不仅能精确地实现多模态图像间的配准,同时能降低配准的时间,提高配准的效率。

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： 医学影像数据   SSM框架   JPEG2000算法   分布式存储  

摘要： 当前,我国医疗资源分布失衡,80%的医学影像诊断资源都集中在城市大医院中,导致了大医院人满为患、基层医院无人问津的恶性循环。因此,为了缓解基层“看病难、看病贵”的问题,本文设计了一种分布式区域协同医学影像信息系统,解决了远程诊断过程中“传输难、存储难”的问题,实现了远程医疗数据高速传输、分布式医学影像数据存储、基层医院影像诊断人才培养等目标。本文完成的主要工作包括:1.针对医学影像数据高速传输的需求,系统采用SSM(Spring、Spring MVC、Mybatis)框架和JPEG2000压缩算法,实现医学影像数据的无损压缩和有损压缩,提高数据传输速度约2.5倍;同时,系统实现了对医学影像数据进行精准化存储和快速调阅,提升数据调阅速度3.2倍左右,实现了医生远程快速调阅影像数据的目标。2.针对医学影像数据分布式存储的需求,系统采用Fast DFS(Fast Distributed File System)分布式文件系统进行数据存储。在原有系统架构的基础之上,增加了Redis缓存模块,解决热文件读取效率问题;同时考虑到Fast DFS分布式文件系统遇到大容量医学影像数据时,传输速度慢以及存储效率低等问题,设计了大文件分块模块,提高了系统存储性能,解决了远程诊断过程中“存储难”的问题。3.针对基层医疗信息化人才和影像诊断人才培养的需求,系统设计并实现了远程会诊、数据统计、影像诊断视频库等功能,利用网络随时随地对医学影像数据进行检索、调取和浏览,加快培养基层急需的医疗信息化人才及影像诊断医生骨干队伍。本文设计的分布式区域协同医学影像信息系统,包含医学影像数据高速传输、医学影像数据分布式存储、远程会诊、数据统计等功能,能够有效提高医学影像数据的传输速度和存储效率,实现了区域内医学影像数据资源的共享,加强了基层医院医疗信息化人才队伍的建设,在一定程度上缓解了基层“看病难、看病贵”的问题,具有重要现实意义。