教学课程资源库 更多>>

关键词： 伪健康图像生成   医学影像病灶分割   对抗训练   图像翻译   无监督异常分割  

摘要： 近年来,以深度卷积神经网络为代表的深度学习算法在图像识别、检测、分割领域取得了令人瞩目的效果。在医学影像病灶分割任务中,以U-Net为代表的全卷积神经网络在脑、肝、心脏、肾等多个部位以及超声图像、磁共振图像等多种形式影像上取得了接近乃至超过人类专家的性能,但是其仍受限于依赖大量的高质量图像-标签对、难以应用于缺少含病灶图像场景、缺乏可解释性以及泛化性能差等问题无法很好地应用于实际临床场景。本文通过挖掘健康图像、像素中的健康知识,生成伪健康图像的方式并将其嵌入病灶分割任务,以提高模型的泛化性以及可解释性。具体地,在不同的数据条件下,本文分别提出如下两种病灶分割方案。针对拥有含病灶图像及其分割标签条件下的伪健康图像生成以及病灶分割任务,本文提出生成任务与分割任务对抗的伪健康图像生成框架,通过“欺骗”不断强化的分割器来提升生成图像的视觉健康程度。同时提出了针对该任务的改进残差损失与加权交叉熵损失来进一步提高生成图像的视觉质量。最终将得到的伪健康图像嵌入到分割模型解决病灶对比度低、边界模糊的问题。在两个公开数据集(BraTS和LiTS)上的大量实验验证了本文提出方案以及多个模块的有效性。同时也通过实验证实了将伪健康图像嵌入到分割模型能够提高分割性能。对于含病灶图像匮乏条件下的伪健康图像生成以及无监督异常分割任务,本文利用了医学影像中丰富的多模态信息。具体地,由于成像过程的差异,不同模态的异常信号对比度存在差异。本文利用具有弱对比度的模态图像生成具有强对比度的模态图像对应的伪健康图像,并通过对比生成图像与真实的具有强对比模态图像之间的差异检测出病灶。在实验阶段,本文在两个公开数据集(BraTS和ISLES)验证了提出模型的有效性。

摘要： "中国学术期刊影响因子年报(2020版)"于2020年12月29日由中国科学文献计量评价研究中心发布。《中国医学影像技术》杂志在期刊综合类的相关数据为:1影响力指数(CI值):433.079;2总被引:4216;3影响因子:1.152;4他引影响因子:0.978;5 5年影响因子:0.859;6即年指标:0.122。

关键词： 缺血性脑卒中   人脑氧摄取分数   左心室肥厚   左心室后壁厚度自动测量   医学影像  

摘要： 随着社会经济和文化的不断进步,人类的生活习惯也在不断改变,人们生活饮食的多样性和不平衡性、作息习惯的不规律性及随意性等引起的心脑血管疾病（Cardiovascular and Cerebrovascular Disease,CCVD）已成为我国城乡居民致死率最高的疾病,并呈现逐年上升趋势。该疾病带来的高致残和高致死风险,已对人类的身体健康形成严重威胁,成为全球性的重大公共卫生问题。突发性和隐蔽性是心脑血管疾病高致死率、高致残率的主要原因。到目前为止,医学影像是临床诊断心脑血管疾病最有效的工具,医学影像的高精度可以帮助发现心脑血管疾病的根源,对心脑血管疾病的准确诊断及治疗具有重要意义。因此,研究心脑血管疾病的医学影像相关技术,对提高心脑血管疾病的预防和诊断效率,通过准确的诊断和有效治疗,从而降低心脑血管疾病的发病率及死亡率具有十分重大的意义。本文以提高心脑血管疾病的诊断效率和准确率为目的,主要基于心血管疾病左心室肥厚的医学影像和脑血管疾病缺血性脑卒中的医学影像两个影像数据层面,研究了心脑血管疾病医学影像的相关技术。在脑血管核磁共振影像数据层面,研究了基于功能性核磁共振数据的人脑氧摄取分数测量方法;在心血管超声心动图影像数据层面,研究了左心室后壁区域定位及左心室肥厚自动测量及辅助诊断方法。本文主要的研究工作如下:（1）考虑到利用血氧水平依赖效应,可以实现运用核磁共振图像测得人脑氧摄取分数（Oxygen Extraction Fraction,OEF）,本文研究了基于梯度自旋回波（GEESE）序列的OEF两室模型。在基于GE公司的3.0T磁共振系统平台上,实现了能够同时测量T2和T2*信号的GESSE序列。将图像信号处理与生物医学核磁共振理论相结合,利用数学公式量化核磁共振图像的灰度值,并利用GEESE序列提取出受到磁化偏移影响的核磁共振信号横向弛豫变化系数,根据该变化系数建立了人脑氧摄取分数测量数学模型。（2）在分析了功能核磁共振成像信号和其信号噪声分布特点的基础上,将频域分析的理念引入功能核磁共振成像（Functional MRI,f MRI）图像分析,提出了一种基于贝叶斯估计的自适应小波阈值的功能性核磁共振数据去噪方法,对人脑核磁共振图像数据进行分析和去噪,并对核磁共振人脑OEF测量的后处理过程进行去噪优化。通过在MATLAB上进行一系列模拟仿真实验,可以验证运用本文方法优化后得到的人脑核磁共振图像去除了更多的噪声信号,测得的人脑OEF值更加接近正电子发射计算机断层显像（Positron Emission Tomography,PET）测量的金标准,提出的算法提高了OEF的测量精度,其有效性得到了验证。（3）针对心脏超声心动图中左心室区域需要医生基于医学知识和临床经验来定位的现状,提出了一个基于卷积神经网络的左心室后壁区域定位模型。该模型由两个卷积层、两个池化层、两个全连接层和一个softmax回归层组成。将从合作医院获得的样本图像进行筛选、裁剪、分类和标记,然后对建立的基于卷积神经网络的左心室目标区域定位模型进行训练。为了避免卷积神经网络训练学习中出现的过拟合问题,又在全连接层加入Dropout层并进行了验证。根据专业影像科医生的判断,本文搭建的基于卷积神经网络的左心室区域定位模型有效定位率高,完全满足实际临床需求。（4）考虑到影像科医生需要手动截取超声心动图中左心室舒张末期帧,并手工选点测量左心室后壁厚度的繁琐性、主观性,本文研究了基于图像处理的左心室肥厚自动测量及辅助诊断方法。首先研究了产生超声图像噪声的来源,在保留超声心动图心室壁边缘细节特征的基础上,研究了一种非局域均值滤波和开运算相结合的方法,并利用该方法对超声心动图进行去噪。随后为了有效提取左心室后壁完整轮廓,研究了一种基于人工先验知识的最大类间方差法阈值分割。完成了目标区域的图像预处理之后,再进行左心室后壁厚度的计算。并根据医学左心室后壁厚度测量规则,对比提取出视频中左心室舒张末期帧,测得该帧的左心室后壁厚度作为最终输出结果。样本的测试结果得到了影像科医生的认可,且本方法减少了医生人工手动选取左心室舒张末期帧及左心室后壁上下边缘点时产生的主观误差,提高了检测准确度。对于医生未手工测量患者左心室后壁厚度时,该方法后台自动测量超声心动图,可以有效规避漏筛漏查风险,提升了诊断过程中的自动化水平。

关键词： 《实用医学影像杂志》   医学影像  

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。

关键词： 无监督域自适应   医学影像分割   深度学习   自监督学习   生成对抗网络  

摘要： 医学影像分割是计算机辅助诊疗应用中的关键任务。随着深度学习技术的飞速发展,基于深度学习的医学影像分割方法已经取得了显著的成效。然而,医学影像分割任务中由于数据的获取设备、标准等差异性,来自不同中心、不同设备的影像之间往往存在严重的领域漂移问题,从而导致分割模型在不同域数据上的性能下降。为了解决这一问题,医学影像中无监督域自适应研究逐渐兴起。尽管近期的无监督域自适应工作在医学影像分析领域已经取得了一定成果,但仍然存在着巨大挑战,例如,无监督域自适应中常使用图像翻译技术(即图像风格迁移)减小两个域图像之间的差异。然而图像翻译可能改变原图的语义信息,造成网络域自适应性能恶化。为了应对这一挑战,现有的技术要么将图像翻译模型与域自适应分割模型分离,使图像翻译模块不影响域自适应分割模型的训练;要么通过极大代价的双向学习过程对其进行纠正。在本研究中,我们提出了一种新的无监督域自适应方法可以有效地校正图像翻译误差,且相较于其它的纠正方法更加简便。首先,本文提出了一种简单且有效的结合图像对齐和特征对齐的基线模型。在基线模型基础上,我们提出了一种有效的自改进域自适应(SIDA)方法。该方法通过引入两个自监督任务(图像翻译程度预测任务和对比学习任务),以保证翻译后图像和其特征表示之间的语义一致性,提高图像翻译模块对于分割网络的有效性和鲁棒性。本文在无监督域自适应胰腺分割(CT-MRI)任务中进行了充分的研究和分析,证明了所提出的SIDA的有效性及相较于目前其他先进算法的性能优越性。

关键词： 数据驱动算法   深度学习   图像分割   医学图像诊断   图像配准  

摘要： 近年来,数据驱动型算法逐渐成为了计算机医学影像分析方法的主流。目前的数据驱动算法主要侧重于学习输入数据与输出结果之间的映射关系,未能有效利用高层次的知识信息。在医学影像分析领域,高层次知识包括医生多年总结的诊断经验、人体器官形状知识、解剖特征点位置知识等,这些医学知识对于影像分析具有重要参考价值,却很难通过数据驱动型算法直接学习得到。本论文通过融入医学知识来提升医学影像分析算法的性能,在图像分割、影像诊断和图像配准三个方面进行了探索,初步取得了的良好效果。论文的具体工作内容如下:(1)融入解剖知识的低剂量小鼠Micro-CT图像分割。小鼠Micro-CT影像在临床前的癌症研究中被广泛使用。从小鼠Micro-CT中分割主要脏器是测量药物代谢、定位肿瘤病灶的先行步骤。目前小鼠Micro-CT影像大多采用低X射线剂量,造成软组织器官边界模糊,完全依靠图像本身信息难以实现准确分割,须借助器官解剖知识来提升分割精度。本章设计了一个二阶段深层监督全卷积网络,将器官形状和位置信息作为解剖知识融入深度学习网络。实验验证本章方法对主要脏器的平均分割精度Dice指标达到0.84,各器官的精度比传统方法提升了18%～26%。(2)融入医生诊断知识的非小细胞肺癌PET/CT影像诊断。肺癌影像的深度学习诊断是近年来的研究热点,现有算法大多从影像数据本身学习具有诊断价值的特征,却忽略了医生多年积累的临床诊断知识。本章将医生总结的7类肺癌淋巴结良恶性特征融入算法,首先设计了融合PET和CT的双模态影像特征的深度神经网络,然后将医生总结的特征通过全连接层与图像特征进行融合。本章方法对于非小细胞良恶性判别的敏感性为0.86,曲线下面积(Area Under the Receiver Operator Characteristic Curve,AUC)为0.96,比人类医生诊断敏感性提升了13.8%。(3)融入解剖特征点知识的肝癌核磁图像配准。肝癌手术在随访过程中,经常需要把手术前后的核磁图像进行配准,以便对比观察病灶区域的变化。传统的图像配准算法注重优化两幅图像之间的灰度相似性测度,不能有效地配准医生所关注的解剖特征点。本章将肝脏血管分叉点作为约束条件加入到点云匹配算法中,使血管分叉点的配准平均误差达到1.02mm,比传统的基于灰度的配准方法的平均误差减少了13.51mm。本文通过将医学知识融入现有的医学影像分析算法,有效提升了图像分割、配准和诊断的性能。本研究为医学知识与数据驱动型算法的结合做出了初步的积极探索。

关键词： 医学影像  

摘要： ~~

关键词： 医学影像   深度学习   端到端模型   对称配准   医学影像工程  

摘要： 医学影像配准是医学影像分析领域中的重要问题。医学影像配准的主要任务是将来自不同成像设备或不同时间、深度、视角的图像对应像素进行关联,并转换为同一坐标系的过程。医学影像配准技术在医学影像分析中占据重要地位,医学影像成像设备中也越来越多的集成了医学影像配准算法,先进的医学影像配准算法被集成至医学影像工程设备中,进一步提升了影像工程设备的智能型应用水平。目前,医学影像配准技术被广泛应用于计算机辅助诊断、计算机辅助治疗、手术导航、放射治疗计划以及检查治疗效果等领域。开展医学影像配准方面的研究,对于提升医学影像设备的智能化程度,具有至关重要的临床价值和现实意义。国内外学者在医学影像配准领域做了大量的工作,并取得了显著的成绩。早期的图像配准方法主要分为特征点匹配方式和强度匹配两种方式,经过多年的研究和完善,部分科研成果已经被成功应用于临床实践。然而,早期的配准方法通常是通过迭代优化的方式得到图像间的空间对应关系,计算复杂度高,很难将其用于实时的手术导航中。医学影像还具有结构复杂、获取困难等特点,导致医学影像配准领域仍存在以下问题有待解决:(1)现有的大多数配准技术,往往直接预测单向的形变场,不能保证逆变换的存在,单向形变过程中在结构差异较大的区域会产生较大的误差;(2)多模态图像间的相似性关系很难探索,影响多模态图像配准的准确性;(3)有标签医学影像数据的获取非常困难,成为新型配准算法研究工作的一大障碍。上述这些都是医学影像配准算法研究中亟待解决的问题。近年来,计算机技术的发展、深度学习的出现给计算机视觉、医学影像分析等领域带来了巨大的转变。基于深度学习的方法将配准问题定义为一个带参数的函数,并使用卷积神经网络对该函数进行建模。用于训练模型的数据集中的图像成对组成训练集来优化网络的参数,即网络中卷积核的权重。给定一对新的2D或者3D输入图像,经过训练的模型可以直接预测一个图像的所有体素到另一个图像的所有体素空间映射关系。基于深度学习的算法在医学影像配准研究中表现出了巨大的潜力,为医学影像配准提供了新的研究思路和方法,在医学影像工程应用中具有非常广阔的应用前景,对提升医学影像成像设备的效率和人工智能智慧医疗具有重要意义。本文以医学影像分析临床应用为背景,以医学影像为研究对象,以基于深度学习的图像配准作为研究目标,围绕单模态/多模态医学影像对称配准问题展开了一系列的研究工作,探讨如何使用深度学习算法来提高医学影像配准的性能,解决医学影像配准的难题。针对医学影像配准领域存在的图像对称配准问题,多模态医学影像配准过程中相似度度量困难的问题,以及医学影像配准算法研究过程中有标签数据获取困难等问题展开研究。本论文的贡献主要包括以下几个方面:(1)针对单模态医学影像对称配准问题,提出了基于深度卷积神经网络的单模态医学影像对称配准网络算法,解决了单模态医学影像对称配准问题,增强了解剖结构差异较大的图像间配准的准确性和鲁棒性。提出了基于深度卷积神经网络的单模态医学影像对称配准网络算法。首先,搭建新的端到端的图像对称配准网络来预测目标图像和模板图像扭曲到伪中心模板空间中的两个形变场;其次,使用图像对数据训练优化加入对称策略的图像对称配准网络模型参数。最后,利用测试集图像在所提出的算法和其他人提出的算法上进行对比实验。通过在大脑核磁共振图像上进行实验,实验结果表明,所提出的基于深度卷积神经网络的单模态医学影像对称配准算法预测出的对称方向上的两个形变场的平滑度也得到了明显的改善,在解剖结构差异较大的图像区域上进行配准具有更好的准确性和鲁棒性。(2)针对单模态/多模态医学影像配准问题,提出了基于生成对抗网络的单模态/多模态医学影像对称配准网络算法,该算法同时解决了单模态/多模态医学影像对称配准问题,以及使用半监督学习策略利用无标签数据训练优化所提出的网络模型等难题。提出了基于生成对抗网络的单模态/多模态医学影像对称配准网络算法。首先,在搭建网络算法的过程中,将医学影像中的单模态/多模态图像的对称配准问题建模为一个条件生成对抗网络模型;其次,在算法的训练过程中,采用半监督的学习策略来训练算法模型,半监督学习策略可以充分利用宝贵的有标签数据和大量的无标签数据来训练算法模型;最后,在算法模型中引入对称损失函数来激励从一个图像到另一个图像的几何形变及其逆形变组成的循环网络,图像在经过两次变换后还原成原图像。通过在四个单模态医学影像数据集和3个多模态医学影像数据集上的实验,对比实验结果表明,本章所提出的基于生成对抗网络的医学影像对称配准算法相对于其它现有的配准方法的优越性。(3)针对多光谱眼底图像配准问题,提出了基于深度学习端到端模型的多模态医学影像分割与配准对抗学习算法,解决了多光谱眼底图像序列间的配准和眼底血管分割问题。提出了基于深度学习算法的多模态医学影像分割和配准对

关键词： 数字化医学影像学   信息系统   放射技术   管理水平  

摘要： 目的:探讨数字化医学影像学信息系统对提高放射技术管理水平效果。方法:选取我院2019年1—12月到本院放射科接受检验的100例体检者为研究对象,根据不同的影像检验方式将100例受检者分为两组,对照组和观察组各50例,对照组采取传统的医学影像学进行检验,观察组采用数字化医学影像学信息系统进行检验。对比两组检验方式的合格率。结果:观察组在运用数字化医学影像信息系统后,体检信息不全和体位不佳等不良情况明显减少。观察组中检查准确的有49例,误诊1例,总准确率为98%;对照组中检查准确的有45例,误诊5例,检查总准确率为90%,观察组的检查准确率明显高于对照组,差异具有统计学意义(P<0.05)。结论:将数字化医学影像学信息系统运用在医学检验中,对于提高放射技术的管理水平具有良好的效果。