教学课程资源库 更多>>

关键词： 云计算   医学影像数据   深度分析软件   开发与应用  

摘要： 随着我国经济水平的不断提高,带动了医疗行业的发展,而信息化的全面覆盖,也改变了传统医疗行业的发展模式,加快了医学发展进程。在近几年医疗机构的发展中,医学影像数据也呈现几何倍增,这就为医疗影像数据信息的传输和共享带来了巨大的难度,由于医疗数据的格式极其复杂,并且存在许多问题,为了更好的解决医疗影像数据存储和共享问题,必须利用现阶段的信息技术,开发出良好的医学影像数据深度分析软件,从而提高医学影像分析和处理性能。本文针对云计算在医学影像数据深度分析软件开发中的作用进行分析,探索医学影像数学深度分析软件的应用,促进我国医疗事业的不断发展。

关键词： 医学影像报告生成   深度学习   生成对抗网络   强化学习  

摘要： 医学影像学被广泛用于临床诊断和治疗,但是医学影像报告的撰写是一项复杂的工作。对于没有经验的医生,撰写报告很容易出错;而对于经验丰富的医生,撰写报告既费时又乏味。随着人工智能技术及深度学习方法在医学领域的应用,研究人员提出基于深度学习的医学影像报告生成方法,给医生工作带来便利并提高工作效率。但是在处理该项任务时,也面临着各种各样的难题:第一点,医学影像报告生成任务需要根据给定的医学影像生成一段描述,文字数量之多以及报告中句子与句子之间的转承关联、语义对立,给本任务的处理过程、生成结果的度量大大增加了难度。第二点,医学影像每一个区域对应一个描述。针对以上问题,本文充分研究了目国内外在医学影像报告生成领域取得的研究成果,并提出了两种基于生成对抗网络的医学影像报告生成模型,工作内容如下:(1)提出医学影像报告生成对抗网络模型(Medical Image Report Generative Adversarial Network,MIRGAN)。该模型的生成模型采用编码器——解码器网络结构。判别模型将每一句报告内容作为输入,并将输出结果作为一种“反馈”指导生成模型的更新。生成对抗网络在处理离散字符序列时,生成模型无法处理来自判别模型的梯度更新。因此在这个过程中应用了强化学习的思想,使得判别模型传递“奖励”来指导生成模型的更新。(2)提出带有两种奖励的生成对抗网络模型(With Two Rewards Generative Adversarial Network,W2RGAN)。基于MIRGAN模型,W2RGAN模型改进了奖励机制部分。提出了混合判别模型,并给出了两种奖励方式,分别是one-sentence奖励和one-word奖励。这两种奖励分别学习句子结构信息和单词多样性信息。通过组合这两种奖励,生成模型得到了更好的“指导”并且提升了性能。(3)通过在IU X-Ray上进行实验,验证本文提出的两种模型在医学影像报告生成任务中的有效性。实验结果表明,本文提出的两种模型性能优越,能够生成更高质量的医学影像报告。

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·GE SIGNA Pioneer 3.0T磁共振·柏斯双板落地DR iDR3600·PHILIPS 64排CT·联影40排CT uCT530PET/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。肿瘤的分期PET/CT一般是全身扫描,能对目前绝大多数肿瘤形成准确的分期诊断。优于目前其他的影像手段。

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： 案例学习法是指学生在掌握理论基础知识和技能的条件下,根据教学目的、内容和要求,引入典型案例,引导学生将所学知识与资料背景相结合,就相关问题进行思考分析,并最终解决实际问题,强化操作,实现学以致用的教学方法。以案例为背景的实习教学是临床医生从普通者到优秀者的助力器,是影像医生诊疗水平提高的重要平台,是为不断扎实和巩固临床影像知识提供有力的武器。以案例为基础、以开放式和互动式教学为特点的教学方式,已被广泛用于多个强调应用性的学科。

关键词： 非公医疗项目   医学影像中心   设计管理   层次分析法  

摘要： 随着人民生活质量和水平的日渐提高,民众对于医疗服务的要求也在逐步增加;而医学分科越来越细致,计算机科学、机械学等技术的进步也促进着医疗技术的快速发展。两者的共同作用下,促使人们对于更加健全的医疗服务体系,更加高效的医疗服务水平有了进一步的要求。卫生事业也进行了体制结构调整,医疗建筑也作为技术与理念的结合点有了新的发展。所以,本文将聚焦于非公医疗项目的建筑设计管理,尤其以新兴的独立医学影像中心为例,探讨其中的管理得失,以及总结出更具科学性、可行性的优化方案。首先通过文献阅读了解相关研究现状,找到当前建筑设计管理的研究不足和独立医学影像中心的发展瓶颈,并通过了解医疗建筑概念,公有制医疗项目和非公医疗项目的各自特点,以“发展—定义—使用”的逻辑线,明晰其设计管理要点、阶段划分以及优势所在。其次通过文献挖掘并结合实际情况,从建造生命全周期的角度对非公医疗项目的建筑设计管理现状进行分析,发掘非公医疗项目设计管理中的痛点,进而有的放矢的把控问题的解决出路,为后续寻找并建立影响非公医疗项目的相关因素及模型进行前置启动与补充。然后通过层次分析法,构建了起影响非公医疗项目建筑设计管理的层次结构模型,依据实际项目进行路径,对各个因素进行分层分级,定性定量的得出了非公医疗项目设计管理各因素权重排序,揭示其影响作用机理,进而筛选出影响权重更大的关键因素。最后根据因素权重排序,从设计周期、沟通渠道、体系框架、管理理念与设计深度五个方面分别提出优化策略和改进方法。并以上海QJ医疗影像徐州中心项目进行实例研究,通过对该方案的实际策划与实施,验证其合理性、可实用性和有效性,并对优化策略进行进一步的复盘总结,为后续的进一步研究提供一定的帮助。

关键词： 医学影像学   教学改革   课程思政  

摘要： 面对新形势、新任务,应深刻领会习近平新时代中国特色社会主义思想,顺应新时代对医学发展的新要求,将医学影像学与思想政治教育巧妙、自然地融合在一起。目前,鲜少有关于医学影像学课程思政教学改革方面的探讨。苏州大学附属第一医院放射诊断学教研室,着力于探讨思政教育融入医学影像学的意义,并予以试点进行实践,试图通过建设一支良好的师资队伍,根据医学影像学的特色设计课程思政,逐步实施专业课程思想政治教育,并通过反馈不断调整,完善课程,由上而下循序渐进推行,以达到最优效果。

关键词： 医疗影像   语义分割   少样本学习   高密度密集连接   元学习  

摘要： 随着深度学习的发展,语义分割逐渐取代手动分割和传统分割方法成为医疗诊断和影像分析中重要步骤。医疗影像的分割标注存在获取时间和人力开销巨大的问题,高质量训练数据的缺乏常常成为制约深度学习语义分割模型性能的重要因素,因此医疗影像分割算法的研究和少样本算法的研究是两个有效的解决途径,也是当前热门的研究方向。本文对国内外对于医学影像分割算法进行调研和研究之后,提出了基于高密度密集连接的多尺度分割算法和基于元迁移学习的少样本医学影像分割算法。前者结合密集连接、多尺度信息收集和医疗影像特质,提出了高密度密集连接模块,优化多尺度融合模块并引入注意力机制,在训练集和测试集上取得了 0.948和0.945的Dice系数评分。后者通过对现有的模型无关元学习方法进行改进,同时引入迁移学习方法维护域迁移时模型参数不受遗忘性破坏,实现了少样本情况下模型性能大幅度提升。在训练数据较为充足的情况下,该算法也能带来精度的改善。本文协和医院放射科提供的心脏核磁共振影像数据和医学影像分割十项全能竞赛数据基对算法进行训练和测试。与其他算法的对比实验及结果分析,验证了本文所提算法的有效性。

关键词： 动脉粥样硬化斑块   病人个体化模型   斑块在体材料   斑块易损性   斑块增长预测  

摘要： 中风或心脏病突发等急性心脑血管疾病通常与血管中动脉粥样硬化斑块的增长和突然破裂密切相关。当前临床研究的主要困难之一在于难以利用在体影像手段准确判断和预测患者斑块的增长和易损性。力学环境与斑块的增长破裂行为息息相关。基于医学影像的斑块仿真模型可以对病人在体斑块进行力学分析,是当前结合斑块形态学和力学因素来研究斑块增长和评估斑块易损性的重要手段。然而,用在体医学影像构造的斑块力学模型结果的准确性和临床应用的可靠性受到斑块的形态和成分、动脉血管和斑块成分的材料性质、边界条件和模型假设的选择等模型要素影响。本文通过病人个体化斑块形态和材料数据建立力学仿真模型以获取斑块应力应变数据,并结合斑块形态学和力学风险因子评估斑块易损性和预测斑块的增长,提高力学模型计算的准确性和预测的精确度。论文主要包括以下五个方面:当前基于医学影像的病人个体化仿真模型在临床应用上的瓶颈之一是建模方法的高效性。本文通过对二维切片增加一个轴向厚度构建一种简化的斑块三维薄片模型来弥补二维模型的三维轴向缺失。本文采用7个病人的388个斑块切片数据,以三维流固耦合模型为标准,对不同的仿真模型进行了多病人的比较研究。结果显示388个三维薄片模型的斑块应力和应变计算结果误差比二维模型分别减少了11.09%和11.1%。从建模人工和计算准确性考虑,三维薄片模型可能是临床应用的更好选择。材料性质是影响模型计算结果的重要因素之一。在体血管和斑块材料性质极难获取。本文采用8个病人的左右颈动脉核磁共振数据,引入一种结合定点的动态磁共振影像（Cine MRI）、多对比度磁共振影像（multi-contrast MRI）和力学模型的无创方法量化病人在体颈动脉斑块材料特性。结果显示16个血管的有效杨氏模量（YM）值从最软血管（109k Pa）到最硬血管（922k Pa）之间的变化达到了746%。使用在体材料与离体材料的模型计算斑块应变可产生最大377.34%的差异。运用上述颈动脉在体材料参数以及三维薄片模型的建模方法,本文用8位病人颈动脉MRI数据（可用切片81片）计算应力斑块易损性指数（stress plaque vulnerability index,SPVI）并研究病人个体化在体材料对斑块力学易损性评估的影响。本文首次提出了用病人在体血管材料数据建模计算SPVI的方法。用该方法对81个切片得到的SPVI与斑块形态学易损性指数之间的匹配率为85.19%。对应于SPVI 5个数值（0-4,4对应高危斑块）的应力区间（单位:k Pa）为:[0,46.8)、[46.8,80)、[80,92)、[92,103)和[103,+∞)。使用病人在体血管材料的模型获得的高危斑块阈值（103 k Pa）比用同一离体材料模型获得的阈值（146.5k Pa）降低了30%。基于病人个体化血管材料的SPVI的运用将进一步改进斑块易损性的评估方法。斑块增长预测对心血管研究和疾病的诊断、预防与治疗具有重要意义。综合形态学和生物力学因子的预测方法将可能提高预测的准确性。本文用20位病人颈动脉MRI随访数据建立三维薄片模型,获取10个力学与形态学因子数值,通过广义线性混合模型对壁厚增加（WTI）、斑块负荷增加（PBI）和斑块面积增加（PAI）三个斑块增长指标寻找最佳预测因子。结果表明综合形态学因子和力学因子有益于斑块增长的预测,其预测能力（AUC值为0.7158）比仅采用单一形态学因子的预测能力（AUC值为0.6540）提高了6.18%。颈动脉和冠状动脉疾病是两种主要的动脉粥样硬化疾病。易损斑块的研究大多是单一地针对颈动脉或冠状动脉。本文比较两种血管斑块的形态学和力学特征,研究两类斑块在增长预测和易损性评估中的异同,为基于医学影像的不同血管仿真建模和应用提供参考。20个病人颈动脉斑块的外壁直径（WD）、斑块面积（PA）、斑块负荷（PB）、最小纤维帽厚度（Min CT）、壁应力（PWS）和壁应变（PWSn）的均值分别为8.857mm、34.19mm2、54.87%、0.329mm、85.13k Pa和0.1828。10个病人冠状动脉斑块WD、PA、PB、Min CT、PWS和PWSn的均值分别为3.928mm、7.41mm2、60.18%、0.288mm、94.15k Pa和0.1622。该类斑块基本数据对斑块研究具有指导意义。易损性和预测结果比较显示,颈动脉SPVI的最优一致性匹配效果比冠状动脉更好（颈动脉最优一致性匹配率为83.95%,而冠状动脉仅为66.77%）。冠状动脉的最优单一预测因子和最优组合预测因子的预测能力（AUC值分别为0.8406和0.8600）比颈动脉（AUC值分别为0.6540和0.7158）更强。颈动脉和冠状动脉斑块增长预测的量化结果展示了形态学-力学结合的良好预测效果和应用前景。本文的主要创新

关键词： 医学影像处理   图像分割   图像分类   深度学习   神经网络  

摘要： 为缓解我国医疗资源长期短缺的社会矛盾,满足人民日益增长的医疗需求,基于深度学习的医学图像辅助诊断研究已成为智慧医疗中的重点发展领域。为更好地解决医学影像中多模态成像、多时间点采集、病灶空间异质性等难点,本文以深度学习技术为核心,以解决临床问题为导向,以设计全自动辅助诊断算法为目标,深入开展了多项医学影像中分割与分类模型的研究与应用,研究详情如下:本文首先提出了一个基于深度学习的肝癌消融术疗效评估全自动框架,该框架以多期CT影像中肝脏、肝癌肿瘤和消融区的自动三维分割模块为核心,还包括消融治疗的自动配准模块和消融手术治疗效果自动评估模块。在独立测试集上,该方法对多期CT影像中的肝脏分割Dice系数均可达95%,对术前静脉期CT影像中肿瘤分割的Dice系数为72.27%,对术后静脉期消融区域分割的Dice系数为89.06%。结果表明,该框架有望用于肝癌患者消融手术的全自动临床评估。随后,本文提出了一个适用于不同深度学习分割模型的自动后处理模块。在生成对抗网络(GAN)的基础上,提出标签分配生成对抗网络(LAGAN),以完成传统深度分割模型概率图的标签分配。随后,应用LAGAN完成CT影像中的结直肠癌肿瘤分割,并探讨其与不同深度学习网络相组合时的性能表现。LAGAN将FCN-32s对CT影像中结直肠癌肿瘤分割的Dice系数从81.83%提升至90.82%,将U-net分割的Dice系数从86.67%提升至到91.54%。结果表明,LAGAN是一种灵活且稳定的后处理模块,并可与不同深度分割网络自由组合,并实现CT影像中结直肠癌肿瘤的分割任务。为解决深度学习网络在分类任务中可解释性差的问题,本文最后提出了一种可解释性引导的集成卷积神经网络(CNN),以完成扩散张量成像(DTI)中脑胶质瘤真假复发自动分类。首先,构建三个典型的单分类模型。随后,利用上述网络所有卷积层中的特定类别梯度信息来突出DTI扫描中的病灶相关区域。影像医生在其中选择出与分类问题高度相关的卷积层。最后,利用所选层的抽象特征构建多尺度集成CNN。该集成网络对脑胶质瘤真假复发的分类准确率达到90.20%,对各单分类网络提升特异度均在20%以上。结果表明,该网络能够提升单分类CNN的模型可靠性和分类准确性。综上所述,本文针对不同的应用场景与医学影像数据类型,特异性地改进了现有的深度学习分割与分类模型。本文提出的研究思路及框架具有较强的通用性,对未来更多的深度学习医学影像辅助诊断建模具有积极的参考意义。