教学课程资源库 更多>>

关键词： 深度学习   注意力机制   脑电图   磁共振成像   延时视频   睡眠状态检测   鼻咽癌   胚胎发育阶段分类  

摘要： 医学影像技术可以为大量疾病的临床诊断和治疗提供关键的信息。在实际应用中,医学影像数据的解读通常由具有丰富实践经验的专业医生人工进行,该过程繁琐、工作量大,且严重依赖于专家的主观经验。不同专家之间也存在评判一致性不高的问题。计算机辅助诊断技术的引入可以降低医生的负担,提高诊断效率。然而现有的方法大多基于传统机器学习技术,需要较强的医学先验知识和复杂的特征工程,限制了算法性能的上限。深度学习技术提供了一种端到端的解决方案,能够从数据中自发地学得具有良好判别能力和泛化能力的多层次抽象特征,显著提高了预测结果的精度。研究深度学习在医学影像分析中的应用具有重要意义。本文以最基础也最重要的诊断分类为例,分别基于脑电图(EEG)、磁共振成像(MRI)和延时视频(time-lapse)这三种具有较大差异的医学影像数据,对不同的医学诊断问题进行研究,展示了不同的深度学习技术和用法。通过对深度学习方法进行不同程度上的改进和创新,本文提出的方法在对应研究的医学问题上均达到了业界领先的水平。希望能够抛砖引玉,为深度学习在医学影像数据中的应用提供比较多样和全面的视角。本文的主要研究内容如下:(1)基于EEG和深度学习的睡眠状态检测。睡眠状态的检测有利于睡眠相关疾病的诊断。目前现有的深度学习方法大多基于原始的EEG信号,具有计算量大、算法性能一般的缺点。本文将单通道EEG信号通过短时傅立叶变换转换成时频图后,从自然语言处理中获取灵感,提出了两种新颖的深度学习模型用于睡眠状态的检测。基于卷积神经网络(CNN)的C-CNN模型紧凑且高效,在计算代价和模型性能之间达到了很好的平衡;基于注意力机制和双向长短时记忆的Attention模型则可以获得更好的性能,领先于现有的方法。此外,通过将代价敏感学习整合到模型训练过程中,解决了睡眠状态中存在的严重类别不平衡问题。保证每个睡眠状态均有较高的召回率,取得了更好的平衡分类正确率。(2)基于MRI和CNN的鼻咽癌诊断支持系统。鼻咽癌是中国东南部、台湾、香港、马来西亚和新加坡等地区最常见的头颈癌,本文为鼻咽癌的诊断提供了一套可视化的诊断支持系统,且可以在不同分辨率和不同型号的MRI设备下运行。首先,该套系统通过开操作和大津阈值法对MRI切片进行自适应地分割和裁剪,以提取切片中有效的大脑区域,同时也解决了跨分辨率跨系统的问题;然后使用修改后的残差网络对不同MRI切片进行处理、提取特征,利用提出的可视化方法快速定位恶性肿瘤可能存在的切片和区域;最后对所有切片的高层次抽象特征进行整合,给出最终的鼻咽癌阳性概率。整套系统在为医生提供可疑肿瘤位置标注的同时,鼻咽癌阳性诊断的ROC曲线下面积AUC指标达到了0.994。(3)基于time-lapse和多任务学习的胚胎早期发育阶段分类。在进行体外人工受孕时,对胚胎的早期发育阶段进行准确地检测,可以为评估胚胎质量提供宝贵的信息,有利于受孕的成功。本文提出了一种具有动态规划的多任务深度学习框架(MTDL-DP),用于胚胎早期发育阶段的分类。它首先基于视频中相邻帧具有大量互补信息的特性,利用多任务学习和相邻帧为延时视频的每一个图像帧生成多个预测结果;然后通过集成思想对这些预测进行整合,赋予当前帧一个胚胎发育阶段;最后使用动态规划进行后处理,优化整个视频的发育阶段序列,使得最终预测的发育阶段序列非递减,且搬运距离损失最小。通过提出的MTDL-DP算法,本文将胚胎早期发育阶段分类的精度提高了3.1%。

关键词： 深度学习   医学影像分割   数据预处理   U-Net   卷积网络  

摘要： 随着医学影像技术的发展和进步,医生开始大量利用医学影像数据,完成对人体组织或病灶的分割提取、三维重建、分类识别等,逐步形成了一套医学计算机辅助诊断系统,从而大大提高了医疗诊断的准确性和可靠性。超声、CT、MRI是现有医学影像技术领域最常见的成像技术。利用这些图像成像技术,医生可以快速判断患者的病情并给出相应的治疗措施与方法,为患者病情的治疗提供快捷而有效的帮助。与CT和MRI不同的是,超声技术后期成像技术简单,成像速度快,数据性延迟低,穿透性好,可以进行实时成像,且由于其仪器辐射量微小、超声检查价格低廉等优势被广泛应用于甲状腺、产前诊断等医学检查中。所以,对超声图像进行分割提取作为辅助诊断系统中的关键一步,占有非常重要的地位。同时,随着计算能力的提高和数据量的增加,深度学习在医学影像分割领域取得了显著进展,通过多层网络对局部特征和高层抽象特征的自动学习,优于传统的人工提取和预测。因此,本论文将结合超声图像和深度学习的优势,研究基于深度学习的超声图像分割技术,具体如下:1、设计超声图像预处理方法。数据准备方面:在医生的指导下,根据需要分割的组织或病灶区域,制定了基于控制变量的超声图像采集方案,并完成了对原始图像的标签制作处理。数据处理方面:采用导向滤波、限制对比度直方图均衡、Sobel边缘增强等现代数字图像处理技术对超声图像进行过滤去噪、提升对比度等处理;对标签进行二值化处理;按照比例划分数据集等。数据增强方面:结合在线增强和离线增强的方式,对训练集和验证集进行数据扩充,即能减少内存压力,又能增强模型泛化效果。2、基于U-Net Baseline网络结构,设计一种能够精确分割医学组织或病灶的超声图像分割算法。包括以下三个创新:Ⅰ)多输入密集空洞卷积编码器模块。将输入数据缩放为四组,分别与各个下采样层做拼接,每一层拼接后都集成密集卷积块,并采用空洞卷积的方式,扩大感受野的同时捕获多尺度信息。该模块缓解了梯度消失问题,能够增强特征传递和特征重用。Ⅱ)金字塔注意力中心模块。采用空间金字塔产生不同层次的特征图,聚合不同区域的上下文信息,从而提高获取全局信息的能力,并且扩大感受野的范围。采用注意力机制使得网络更加关注于目标区域。结合注意力机制和空间金字塔模型,提取准确而密集的像素级特征用于像素标记,解决了物体尺度不一,小物体分割效果不好的多尺度问题。Ⅲ)深度监督通道注意力解码器模块。使用编码器阶段提取的特征作为解码器阶段的门控信息,突出通过跳级连接传递显著特征。该模块不需要在网络间裁剪感兴区域,能够抑制无关背景区域的特征响应,对形状变化较大的小物体进行更加准确的预测,帮助加快收敛速度。本论文的技术研究集成了多尺度框架、密集空洞卷积网络、注意力机制、空间金字塔、新型损失函数等多种模型,在超声数据集上表现出优异分割性能,能够实现特征重用、抑制无关区域响应、提高小感兴区域性能,解决了超声图像样本少、像素低、边界模糊、差异性大等问题,获得了最优分割效果。

关键词： 哈医大四院   高新技术   哈尔滨医科大学   医学影像科  

摘要： 哈尔滨医科大学附属第四医院,其前身最早为东清铁路中央医院,始建于1898年,几经易名,1953年更名为哈尔滨铁路中心医院,2004年并入哈尔滨医科大学更名为哈医大四院。医院是卫生部专科医师培训基地、卫生部临床药师培训基地、黑龙江省专业技术人员继续教育培训基地;国家首批三级甲等医院,全国百佳医院,全国百姓放心百佳示范医院。

关键词： 椎管内肿瘤   医学影像检查方法   诊断意义  

摘要： 目的分析医学影像检查方法的选择对椎管内肿瘤的诊断意义。方法选择76例经手术治疗、病理证实的原发性椎管内肿瘤患者作为观察样本,分析其临床资料和医学影像检查结果。结果 MRI、CTM、椎管造影对椎管内肿瘤的诊断准确率较高,X线平片、CT对椎管内肿瘤的诊断准确率较低。结论 X线平片属于必要性的一般性鉴别诊断方法,无明显神经系统定位体征时应将椎管造影作为首选,慎重选择MRI、CT,应结合临床作出最终的判定结果,不可单纯依赖影像学。

摘要： 《实用医学影像杂志》(ISSN 1009-6817,CN 14-1281/R)是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的面向国内外公开发行的科技期刊。本刊面向医学影像专业及临床各专业学科的广大医务人员,重点反映我国普通放射、CT、磁共振、介入放射、核医学、超声、放射治疗等方面的新技术、新进展、新成果以及各种影像机械检新机械检修、投照及机器应用,同时报道临床各专业学科医生应用影像技术诊治的新经验、新手段和新技术。本刊有以下特点:①信息量大、实

关键词： 医学影像   自身免疫类疾病   眼底疾病   自动化诊断   深度学习  

摘要： 随着人工智能技术的不断发展,许多行业孵化出了与人工智能相关的应用。人工智能+医疗就是其中很重要的一个研究方向,人工智能在医疗健康领域的应用前景也正吸引着越来越多的关注。以此为契机,也孕育出了许多利用人工智能技术以医学影像数据为研究载体进行具体的医学领域任务的应用,如早期筛查、辅助临床诊断等。深度学习作为人工智能的一个代表性技术,在学术界和工业界得到了广泛使用,致力于具体实际应用的关键技术突破。在医学领域,利用人工智能的相关技术对疾病的早期筛查是一项非常有意义的工作,不仅能够减轻医务人员的工作量,还能实现快速、便携式检查与诊断。同时,通过早期筛查,医生也能够在病情发展早期对疾病及时地进行干预治疗。利用人工智能的相关技术开发出自动化诊断系统,辅助临床医生做出科学的医学诊断也已成为不可逆转的发展趋势。这一工作不仅能节约医疗资源,也能有效地解决因医生的主观因素造成的漏诊、误诊的问题。本文主要围绕深度学习在自身免疫类疾病检测和眼底疾病筛查及检测两个医学领域的算法与应用展开研究,旨在开发出利用人体上皮(Human Epithelial type 2,HEp-2)细胞进行自身免疫类疾病检测的自动化诊断模型和利用扫描激光检眼镜(Scanning Laser Ophthalmoscopy,SLO)图像进行眼底疾病筛查及自动化诊断模型。主要工作和贡献包括以下几个方面:(1)基于深度监督的全卷积神经网络的HEp-2样本图像分割提出了一个用于HEp-2样本图像自动化分割的DSFCN框架,它能够为后续的HEp-2细胞自动化诊断提供精确的目标区域信息。该框架利用在PASCAL VOC 2012数据集上预训练的VGG-16模型,并充分利用稠密反卷积和多层监督模块。稠密反卷积层能够促使网络学习到大量的浅层特征信息并加以重复利用,以便解码器模块能够恢复分辨率的同时不断保存边缘和轮廓信息,进一步提高分割性能。多层监督模块的加入使得网络能够有效地学习到像素预测值与真实值之间的关联性,并以此来精细化分割结果。大量的实验证明,DSFCN分割框架能够很好地分割出感兴趣区域,在分割HEp-2细胞样本图像任务上具有很可观的分割性能。(2)基于生成式对抗网络的HEp-2细胞分割与分类的网络框架分析HEp-2细胞的着色模式最终目的是为了进行自身免疫类疾病的自动化诊断,精确的HEp-2细胞分割结果能够为HEp-2细胞着色模式分类提供丰富的有效特征信息。因此,以任务为导向,提出了一种新的混合式框架用于联合解决HEp-2细胞分割与分类任务。该框架主要由三个子网络组成,即分割器网络、判别器网络和分类器网络。前两个网络组成了生成式对抗网络用于执行HEp-2细胞的分割任务,第三个网络用于完成HEp-2细胞的分类任务。对于分割器,ResNet-34模型在ImageNet数据集上的预训练参数被用来作为特征编码器以提取多尺度特征信息,并利用多尺度空洞空间金字塔池化(MS-ASPP)模块精细化提取的空间特征信息以获取丰富的边界信息,提高分割性能,进而更好地为分类任务服务。对于判别器和分类器,通过增加原始MobileNetv3模型的中间隐藏输出层的通道数及改变卷积内核大小构建出通道增强的MobileNetv3网络,即ACM-Net,同时实现判别和分类任务。特别地,来自MS-ASPP的特征被利用作为辅助分类器监督主分类器网络以获得更高的HEp-2细胞分类性能,进而实现更加精准的自身免疫类疾病的自动化诊断。(3)基于注意力编码器及多分支网络生成式对抗网络的异常眼底SLO图像检测算法由上一工作可知生成式对抗网络在图像特征提取和合成方面具有很强的可操作性。因此,为了解决眼底SLO图像数据量小的问题及实现异常眼底图像检测任务,以上一工作的方法、思想为导向,提出一种名为AMD-GAN的新式生成式对抗网络以实现异常和正常SLO图像的分类任务。具体地,AMD-GAN的生成器包括两个部分:注意力编码器和基于残差上采样的图像生成流网络。编码器提取真实SLO图像的特征与生成流生成的具有相同尺度的伪SLO图像特征通过注意力模块进行融合,使得生成器生成与真实图像更加贴近的SLO图像。对于判别器,通过复制原始ResNet-34模型的最后两个特征提取层组成另一个分支,建立多分支ResNet-34网络模型,使得提出的判别器比原始的ResNet-34模型提取更多的高水平特征信息,进一步提高判别器对真实SLO图像和生成的伪SLO图像的鉴别能力。此外,深度非对称空洞卷积模块被使用辅助网络提取局部上下文特征信息并加速训练过程。同时,判别器的最后一个输出层被修改以建立分类器,实现最终的异常和正常SLO图像的分类任务。大量的实验结果表明该算法在分类异常和正常SLO图像的任务上取得了十分可观的分类结果,特别地,在专家的先验知识下,取得了最佳的分

关键词： 多模态医学影像分类   多尺度医学影像分类   3D卷积神经网络   图卷积神经网络  

摘要： 利用卷积神经网络等深度学习技术进行医学影像分类,是深度学习技术在医学领域的重要应用之一。阿尔茨海默症(Alzheimer's Disease,AD)是一种引起认知障碍且致死率较高的神经退行性疾病,HIV相关神经认知功能障碍综合征(HIV-associated Nurocognitive Disorders,HAND)是HIV感染早期(1周)表现的病症,通过卷积神经网络在AD或者HAND早期阶段精准诊断并进行针对性预防及干预,有可能延缓或逆转病症的病理生理进程,这对改善患者预后、提高患者生存质量具有重要的科学意义和临床价值。本文主要解决首都医科大学附属北京佑安医院提供的HAND数据集的ANI/NC二分类问题,搭建基于3D卷积神经网络的MRI医学影像分类模型,先在阿尔茨海默症公开数据集ADNI-1上,研究利用多模态模型优化分类性能的问题;然后基于上述研究,进一步利用多尺度模型继续优化HAND数据集的分类性能。本文创新点之一是提出采用基于图卷积神经网络的多模态分类算法,突破现有分类算法只利用单一模态信息的局限性,实验表明,基于图卷积神经网络的多模态分类模型,相比于单模态分类模型,在ADNI-1数据集中能够显著提升分类性能。借助3D卷积神经网络获取图像特征,并充分利用受试者的年龄、性别、临床诊断、认知功能测试结果等电子病历信息,构建多模态医学影像分类模型。以受试者为节点、以病历信息为边、以获取到的图像特征为特征向量构建拓扑图,在充分利用医学影像图像特征的同时,也利用从电子病历数据中提取到的受试者之间的相似性和相互作用等特征,整合多模态特征构建分类模型。但是,ADNI-1作为阿尔茨海默症的公开数据集,具有样本质量较高、标注完善、数据充足等特点,而类似HAND等真实临床医学影像数据很难达到此标准,实验结果也表明基于图卷积神经网络的多模态模型在ADNI-1数据集上达到较高性能;但是在HAND数据集上,并不能取得较好的分类性能。针对HAND数据集的分类任务,本文提出结合多尺度3D卷积神经网络和多尺度3D卷积自编码器的分类算法,从不同尺度的医学影像中提取更多层面的低阶和高阶图像特征。通过降采样方法得到不同尺度的图像样本,利用多尺度模型能够捕获到以体素为中心更大邻域内的特征。实验结果表明,本文提出的多尺度分类算法能够提高基于HAND数据集的分类模型的性能。同时通过数据增强和迁移学习解决样本较少问题。本文基于ADNI-1和HAND两个数据集,分别提出利用多模态和多尺度思想构建医学影像分类模型的算法,并通过与基于支持向量机、基于ResNet等单一尺度或单一模态的分类模型性能相对比,结果表明,基于GCN的多模态模型能够显著提升ADNI-1的三分类模型的性能,但是在HAND数据集上性能较差。为进一步优化基于HAND数据集的分类性能,采用数据增强、迁移学习和多尺度分类算法提升HAND数据集的分类模型性能,实验结果表明能够达到较为理想的分类效果。

关键词： 新型冠状病毒肺炎   传染病   医疗救治   医学影像   诊断  

摘要： CT检查作为新型冠状病毒肺炎诊断的重要影像学手段之一,在疫情的防控中发挥了巨大的作用,不论是新冠肺炎的初期诊断,又或者是治疗期间的跟进都脱离不了CT检查的帮助.文章从CT检查在新冠肺炎中的使用现状出发,就CT检查对于防控的作用、问题、注意事项等进行总结讨论.

关键词： 肿瘤检测   病灶组织分割   特征选择   集成学习  

摘要： 医学图像中的脑胶质瘤检测及病灶分割对临床治疗方案的选择和手术实施过程的引导都有着重要的价值。为了提高脑胶质瘤的检测效率和分割准确率,本研究提出了一种两阶段计算方法。首先,对图像中的肿瘤进行快速检测和定位;然后,在定位区域内进行病灶特征提取,完成病灶组织边界分割。本研究在MRI和CT数据集上进行脑胶质瘤分割,并在以下几个方面进行了深入研究:1.建立脑胶质瘤检测模型TDL-Net(Tumor Detection and Localization Network)。本研究设计了一个轻量级的卷积神经网络模型,并通过该网络完成图像中肿瘤的快速检测及大致定位。将待检测的图像进行网格化处理,检测每个网格中是否存在肿瘤,通过网格在原图中的位置就可以基本确定肿瘤的大致范围。网格化的处理方式不需要考虑原始图像尺寸,并且提高了肿瘤的检测速度。在MRI和CT数据集上进行脑胶质瘤检测,实验结果表明本研究提出的方法可以高效的进行脑胶质瘤检测。2.建立了一种基于差分进化(Differential Evolution,DE)算法的特征选择模型,并将被选择特征的分类错误率作为模型的优化指标。本研究共提取了104维影像组学特征和128维CNN特征,将两类特征合并成一个特征空间,并采用本研究建立的特征选择模型从特征空间中获得最优的特征组合。在实验阶段,将特征空间、CNN特征、影像组学特征和最优特征组合四种特征集进行对比分析。实验结果表明,特征选择能够有效剔除特征空间中的无用特征和冗余特征,选择出的特征组合更适合于病灶组织的边界分割。3.建立病灶组织边界分割模型。病灶组织边界分割模型只作用于影像中定位的肿瘤区域,通过计算每个像素点的类别完成肿瘤分割。针对不同组织相互浸润的边界区域,确定像素点的归属是一个模糊分类问题,本研究将目标像素点为中心确定的邻域内的特征作为此像素点的特征向量。在脑胶质瘤分割时,将特征选择得到的特征组合作为最优特征集训练集成分类器,采用集成分类器完成病灶组织的边界分割。实验阶段,在MRI和CT数据集上进行验证,并与其它优秀的算法进行对比分析,实验结果表明本研究提出的方法可以较好的完成脑胶质瘤分割工作。

关键词： 多目标视觉搜索   医学影像   后续搜索失误   眼动追踪  

摘要： 视觉搜索是一项常见的认知活动,其中多目标视觉搜索是一个近年来国内外研究者较为关注的研究领域,而医学影像理解将认知心理学应用到放射学的领域中。在医学影像中同时搜索多个病灶有助于医生提高诊断绩效,但在多目标视觉搜索中常会遇到一种特殊的失误——后续搜索失误(subsequent search misses,SSM)效应。SSM效应是指在多目标视觉搜索任务中,搜索者由于找到第一个目标而错过后续潜在目标的现象,而SSM误差是指由SSM效应所造成的误差。现有研究表明,存在多种因素影响搜索者在医学影像视觉搜索任务中的绩效,主要包括专家经验、先验知识、学习训练和病灶特点等。对于如何减少SSM误差、提高新手在医学影像视觉搜索任务中的绩效的相关研究较为缺乏。本研究主要通过眼动追踪技术探究线索提示和学习方式对新手进行医学影像多目标视觉搜索任务绩效的影响,以此深入研究如何减少多目标视觉搜索任务中的SSM误差。本论文包括两个实验,均采用前测-学习-后测的视觉搜索范式。实验一通过眼动技术研究线索、学习方式和病灶数量对新手进行不同病灶类型的医学影像视觉搜索任务时绩效的影响,实验为2(测验阶段:前测、后测)×2(线索:有线索、无线索)×2(学习方式:反馈学习、观察学习)×2(病灶数量:一个、两个)的混合设计,其中被试内变量为测验阶段、线索和病灶数量,被试间变量为学习方式。结果发现,与前测阶段相比,被试在后测阶段的搜索绩效显著提高,SSM误差降低;与无线索条件相比,线索提示能够提高新手搜索不同类型病灶时的搜索绩效,减小SSM误差。实验二通过眼动技术研究线索、学习方式和病灶数量对新手进行相同病灶类型的医学影像视觉搜索任务时绩效的影响,实验设计与实验一相同,区别在于实验二中病灶数量的水平为两个时,两个病灶的类型一致。结果发现,与前测阶段相比,被试在后测阶段的搜索绩效显著提高,SSM误差降低;与无线索条件相比,线索提示能够提高新手搜索相同病灶类型时的搜索绩效,减小SSM误差。与实验一相比,实验二的搜索绩效较高,表明相同类型的病灶能够减少搜索失误。综上所述,本研究可以得出如下结论:学习和线索提示能够提高新手掌握专业知识的绩效,减少搜索失误。当需要对医学生进行医学影像诊断培训时,应该采用不同学习方式和线索提示相结合的措施,该研究对医学影像视觉搜索任务的影响因素的探讨有助于人们更好地理解多目标视觉搜索的机制,丰富了SSM效应的相关理论,增进了人们对多目标视觉搜索错误的认识,有助于更快速、更高效地训练和提高新手对知识的掌握,减少或消除在实际任务例如临床诊断中的错误。