教学课程资源库 更多>>

关键词： 供给侧改革   医学影像技术   复合型人才  

摘要： 经济的增长推动了医疗事业的发展,使得医院对各医学影像技术专业人才提出了更高的要求,只有确保学生符合医院的要求,提升自身竞争能力,才能在供给侧改革背景下更好地就业。基于此,通过分析地方医院对影像技术专业人才的需求情况,才能构建出相应的人才培养方案,为高职院校培养出符合医院要求的高素质影像技术专业人才奠定良好基础。

摘要： 本刊为影像学杂志,要求所有稿件均需附有典型的影像学图片。未附图片的稿件本刊拒收,直接退稿。本刊目前只接收网站在线投稿,不接收其他方式如纸质、电子邮件投稿。本刊网址:http://***或http://***初次投稿时需在网站上进行个人信息注册,注册时尽量将个人信息添全。其中姓名、单位、通讯地址、邮编、电子邮箱地址、个人移动电话号码为必添项目,本刊拒收以上信息不全的稿件。

摘要： 专业名称:医学影像技术专业分类:医学技术类适合人群:有耐心、性格平和,物化生知识基础不错,对医学影像设备有兴趣的人1医学影像技术和医学影像学有什么区别?毛团两者最直接的区别就是毕业时领取的学位证书。医学影像学是医学学位,医学影像技术是理学学位。需要特别注意的是,如果同学们未来想当医生,请一定要看清所选择专业的名称——执业医师考试的报名前提之一是必须要有医学学位。我见过太多的学妹学弟,懵懵懂懂领了新课本,听了第一堂课,签了专业知情书后,才意识到自己学的并不是医学学位的专业,想转专业也转不了,悔不当初。

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、