教学课程资源库 更多>>

关键词： 医学影像分割   深度学习   形状感知U-net网络   一致性感知生成对抗网络  

摘要： 医学影像分割是计算机辅助诊断的重要步骤之一。相比于传统的手动分割,基于深度学习的自动化分割方法能够精准快速的获取病变特征信息,不仅能够减少医师的工作压力,而且能够有效提升临床诊断效率。然而深度学习方法也存在诸多的问题和挑战。深度学习模型对数据具有依赖性,而由于高质量的医学影像数据采集比较困难,手动据标注过程极其耗时,医师主观判断容易受影响等等原因,现有的标准化数据集数量较少,无法较好的满足深度学习模型的训练需求。针对上述问题,本硕士课题主要完成了如下工作:1.本文提出了一种形状感知U-net网络模型,该网络中具有形状感知模块和形状感知金字塔池化模块,形状感知模块能够有效提取影像数据中的特征信息,并且减少不相关区域的干扰,形状感知金字塔池化模块可以更好地处理病变区域边界混淆问题。在脊髓型颈椎病病变分割实验中,该模型取得了比现有分割网络更好的性能表现。2.本文提出了一种一致性感知生成对抗网络。模型中新提出的相似性连接模块,能够利用注意力机制操作捕获病变区域之间的依赖关系,提升模型的分割精度。该模型中的辅助判别器,能够激励判别器学习有效特征,解决判别器在训练中的特征遗忘性问题。模型中采用了一种一致性变换策略,该策略充分利用数据的自监督信息,并鼓励分割网络对无标注数据做出一致的预测,同时利用设计的损失函数,提高模型半监督分割性能。在开源脑卒中病变数据集评估了所提出的方法,该模型对比其他先进方法取得较好的分割性能。在半监督分割实验中,该模型仅使用五分之二的标注数据,取得了与U-net相似的分割性能表现。

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、北京医院主办的学术性期刊,是中国科学引文数据库(CSCD)核心库来源期刊、中国中文核心期刊、中国科技核心期刊(中国科技论文统计源期刊)、中国科协《临床医学领域高质量科技期刊分级目录:医学影像学》、

关键词： 医学影像   胃印戒细胞癌   迁移学习   图像识别   Unet编码块   临床诊断  

摘要： 胃癌是我国高发癌种之一，其中胃印戒细胞癌(Signet-ringCellCarcinoma)是胃癌的一种组织学亚型，属于高度恶性肿瘤，具有侵袭力强、病程进展快的特点。胃印戒细胞癌的精准诊断对患者治疗方案的制定具有重要指导意义，基于现有医学影像难以诊断胃印戒细胞癌，临床上通过穿刺活检确诊胃印戒细胞癌，费时费力且存在采样误差等缺陷，缺乏快速且无创的诊断工具。深度学习能够基于CT(ComputedTomography)影像提取肿瘤定量特征，进而开展肿瘤的无创诊断，但由于胃癌病灶形状不规则，深度学习模型的精度受到病灶周围无关组织的影响。针对上述挑战，本文在迁移学习机制下建立了一个非侵入性的人工智能模型，开展了胃印戒细胞癌的诊断和术后化疗疗效预测分析。具体的，本文的创新工作包含以下三个方面:1）开展了基于窗位窗宽参数的CT图像预处理研究;2）提出了基于Unet编码块迁移学习构建胃印戒细胞癌深度学习模型的方法;3）建立了胃印戒细胞癌多层次特征融合诊断模型。本文的主要工作和贡献如下:　　1、针对CT影像中包含大量噪声信息的问题，本文开展了基于窗位窗宽参数的图像预处理研究。该方法创新地将临床医生的先验知识应用于数据，排除了图像中无关组织的影响，提高了图像的对比度。在此基础上，本文针对每个CT影像数据提取了448个预定义特征，并基于显著特征建立了一个胃印戒细胞癌影像组学诊断模型。模型的AUC(AreaUndertheReceiverOperatingCharacteristicCurve)值在测试集（257名患者）中达到0.700，相较于单特征模型，精度提高了4.8％。　　2、针对深度学习模型会纳入病灶感兴趣区域外无关组织信息的问题，本文提出了基于Unet编码块迁移学习构建胃印戒细胞癌深度学习诊断模型的方法。创新包含以下内容:首先，本文采用Unet模型作为语义分割网络，训练了一个病灶分割模型;然后，在Unet编码块结构基础上附加三个全连接层，将其作为深度学习诊断模型。深度学习模型的参数使用Unet编码块权重进行初始化，然后通过微调得到稳定的胃印戒细胞癌深度学习诊断模型。该策略为模型引入了病灶空间注意力机制，使得胃印戒细胞癌深度学习模型能够提取到肿瘤的特异性信息。该模型在测试集上的AUC值达到0.716，相对于影像组学模型和随机初始化的深度学习模型，精度分别提高了2.3％和1.7％。@3、针对于预定义特征难以全面刻画肿瘤异质性的问题，本文建立了融合预定义特征、深度学习特征和显著临床因子的融合诊断模型，在胃印戒细胞癌精准诊断问题上具有良好的性能。融合模型的AUC值、敏感性和特异性分别为0.786、77.3％和69.2％，所有指标显著优于影像组学模型、深度学习模型和临床模型。此外，大量的实验验证了融合模型的鲁棒性。进一步的研究结果表明，融合模型与病理确定的胃印戒细胞癌标签在预测总生存期方面具有一致的性能。更重要的是，在经过病理学证实的晚期胃印戒细胞癌患者中，模型能够筛选出可从化疗中获益的患者。　　综上所述，本文提出了基于迁移学习机制的深度学习模型和融合多层次特征建模方法。基于该方法构建胃印戒细胞癌非侵入诊断模型，模型在胃印戒细胞癌诊断和化疗疗效评估方面具有良好的性能。相关方法本人以第一作者发表于IEEEJournalofBiomedicalandHealthInformatics(中科院二区，影响因子:5.223)，以共同第一作者在本领域国际主流期刊发表一篇SCI论文。

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。

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。

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： 第三方医疗机构   运营管理   指标体系   效果评价  

摘要： 目的:研究以第三方医疗机构--重庆市医学影像诊断中心为例,对重庆市第三方医学影像诊断中心服务现状进行描述性分析,针对机构的运营服务情况构建实施效果评价指标体系,并依据指标体系对其运营管理的实施效果进行评价,探讨其运营管理的内外环境影响因素,提出发展对策与建议,为进一步推动第三方医疗市场发展提供参考依据。方法:指标体系构建:结合指标设计的实用性、可操作性、系统性的原则,基于“结构-过程-结果”的评价体系,通过德尔菲法专家咨询,建立第三方医学影像诊断中心运营管理的评价指标体系。现场调查:在指标体系基础上,收集重庆市第三方医学影像诊断中心运行数据,同时设计“重庆市第三方医学影像诊断中心患者调查问卷”对患者进行调查。深入访谈:对重庆市的第三方医学影像诊断中心工作人员、政府相关部门人员、监管机构人员按照访谈提纲进行访谈。结果:建立了第三方医学影像诊断中心运营管理的评价指标体系,共计27个,其中3个一级指标,6个二级指标,18个三级指标。通过分析,重庆市第三方医学影像诊断中心政策推进比较稳健,且对第三方医学影像诊断中心的的接受程度逐步加强,从2017的日均诊断量142例增加到2019年的日均323例。但是从人力配置上,当前重庆第三方医学影像诊断中心最缺乏的是放射医师和超声医师,而护士和超声助理相对容易达标。从设备配置上分析,重庆第三方医学影像诊断中心设备达到了国家的基本要求,且朝更加先进的设备靠拢,如PET-CT等设备的出现,表现出了超越三甲综合性医院的潜力,在满足客户需求的同时,朝高端化和个性化的服务方向前进,也说明了投资方在设备方面的投入的决心。在政策支持上,先后优化审批流程、实施结果互认、引进先进技术等方面,给第三方机构留有空间。在社会支持方面,给与了绿色通道、消毒灭菌、医废处理、信息技术以及市场营销等方面的大力扶持。在医疗质量保证方面,人员资质、设备管理、环境管理、警示管理、防护管理、辐射管理、计量检测管理、业务能力等方面均能满足基本要求。在信息化建设方面:重庆市第三方医学影像诊断中心目前均具备较为完善的医学影像系统(PACS),均可以实现影像数据电子化采集、传输、存储、查询、诊断、报告、综合信息管理。随着信息技术的完善,医生能更快更稳定的传输影像数据并进行诊断。在健康服务方面,各机构的营业数据,反映了第三方医学影像诊断中心在客户拍片、远程阅片、医学诊断、托管医院等方面所做的工作均在与日俱增。重庆市第三方医学影像诊断中心开始凸显一些成效,但也存在一些问题,比如:重庆市第三方医学影像诊断中心的组织服务能力有提升但仍存不足,如对人才引进的倾斜、对大型设备配置数量的倾斜、对多点执业政策的梳理等,都存在薄弱环节。在区域性的信息互通方面未将多家机构串联,导致患者诊断结果不能共享。另外,在社会效益方面:在规定时间内做出影像诊断的达标率只有64.95%;“机构-客户之间信息沟通途径这几个指标”的目标值只有79.58%;“投资方认可机构的运作模式只有64.75%的评分,政府认可机构的作用为75.82%的认可等,体现了第三方医学影像诊断中心的组织服务能力不足、医患互应性较差,社会效益后劲乏力等问题。结论:本文通过建立的第三方医学影像诊断中心运营管理的评价指标体系,并结合重庆市实体机构的现状进行效果分析发现在结构维度有着第三方医学影像诊断中心的薄弱点,针对第三方医学影像诊断中心组织服务能力不足,建议政府创造条件,给与政策支持等提升第三方医学影像诊断中心服务水平,包括:引进社会资本投入服务领域、创新培训方式提升服务水平、转变健康观念树立服务意识、规范流程强化医疗服务质量等。针对第三方医学影像诊断中心医患互应性较差,建议一是建立政府主导下人才供给机制,二是完善第三方医学影像诊断中心品牌,三是加强集团化与连锁化保障体系建设。针对第三方医学影像诊断中心社会效益后劲乏力,一是借助信息化技术手段以及大数据等资源完善第三方机构的合理建设,二是利用企业管理灵活机制探寻患者就医需求空间,三是推进分级诊疗提升第三方医学影像诊断的细分市场。

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。