教学课程资源库 更多>>

关键词： 医学影像   影像组学   肝细胞癌分级   深度学习   多特征融合  

摘要： 肝细胞癌约占原发性肝癌的90%,易发生转移和复发,是第二大与癌症相关的主要死因。肝细胞癌的复发与其分化等级密切相关,术前确定分化等级对选择治疗策略至关重要。当前,病理切片是分级金标准,是有创的诊断手段,可能因为切片不准确造成漏诊。磁共振检查是肝细胞癌患者的常规筛查诊断的影像学方法,具有无创、快速、经济的特点,但其诊断是医生依据经验给出诊断意见,易于出现漏诊和误诊。利用磁共振影像和计算机技术实现肝细胞癌分化等级的无创、快速的辅助诊断,可以降低病理切片给患者带来的痛苦和风险,减少医疗成本。针对肝细胞癌的精准分级问题,本文提出了一种基于影像组学的分级方法。该方法的步骤包括:数据采集,图像预处理,肿瘤分割,特征提取,特征选择和分类模型训练。本文从医院采集了189位肝细胞癌患者的T2加权磁共振影像;为了缓解不同采集设备造成的影像亮度差异,利用局部自适应直方图均衡化算法进行图像预处理;由影像科医生进行肿瘤分割,针对勾画的肿瘤感兴趣区提取出四类影像组学特征;为了获得稳定去冗余的特征,采用了方差过滤、曼-惠特尼秩和检验、Lasso和递归特征消除法进行特征选择;最后,采用SVM、随机森林、XGBoost和Light GBM等算法训练分类模型。通过实验得到的模型AUC值为0.773,准确率为0.776,证明该方法提取的影像特征可以较好地表达肿瘤信息,分类模型具有较好的分类性能。由于影像组学特征是既定的定量化特征,难以全面反映肿瘤的异质性,深度卷积神经网络特征具有自动提取、表达能力强的特点,能够补充影像组学特征的不足。本文提出了一种基于深度学习的特征提取方法,该方法包括数据增广、深度模型训练、深度特征提取和特征融合等步骤。通过模型迁移和参数迁移的方法提取出能够表达肿瘤信息的深度特征,并利用逻辑回归模型进行多模态特征的融合训练。通过实验得到的分类模型AUC值为0.828,准确率为0.796,敏感度为0.708,特异性为0.880,采用该方法的分类模型AUC值相比传统影像组学方法提升了5.5%,说明将影像特征与深度特征进行融合可以提高模型的分类性能。校准曲线评价得出模型的分类稳定性较好,可以为临床决策提供有价值的信息。

关键词： 医学影像诊断   心理因素   误诊  

摘要： 在临床工作中,医学影像诊断结果在多数情况下正确,随着临床诊断技术方面研究深入,误诊现象逐渐减少,但是依然存在。心理学是临床上较为常用的医学方面知识,属于行为科学,结合心理学及影像诊断,是一种尝试,可作为临床重点研究内容,在诊断过程中,多位医学影像诊断医师可调查心理因素影响诊断正确性的程度。基于此,本文综合分析了医学影像诊断中心理因素对误诊的影响。

关键词： 智能医疗诊断原型系统   医学影像   图像处理   卷积神经网络  

摘要： 随着医学成像技术的发展和普及，磁共振成像(Magnetic Resonance Imaging，简称MRI)、X射线成像、计算机断层扫描(Computed Tomography,简称CT)、锥形束断层成像(Cone Beam Computed Tomography,简称CBCT)、正电子发射断层扫描(Positron emission tomography,简称PET)、超声成像等医学影像技术已经成为了医学临床中必不可少的检查、诊断、治疗技术手段，而医学影像分析对医生的专业水平要求很高，效率却很低。随着深度学习技术的不断发展，卷积神经网络(Convolutional Neural Network,简称CNN)在图像分类、物体检测、图像分割等多个计算机视觉应用领域中得到广泛应用，取得了显著的成果。将卷积神经网络的算法用于医学影像分析，可以为医生提出诊断意见，提高医生诊断效率。　　本论文围绕医学临床需求，对卷积神经网络的相关算法进行了研究和改进，用于解决临床中的实际问题，开发并实现了智能医疗诊断原型系统。本论文主要工作包括:　　1)面向MRI影像和文本数据的肝脏肿瘤分类任务，设计实现了一种结合多序列MRI影像数据和临床指标文本数据的肝脏肿瘤分类算法，并面向临床中的不同应用场景训练了肝脏肿瘤七分类模型、良恶性二分类模型和恶性肿瘤三分类模型，实现了对肝脏肿瘤的准确分类;2)面向头颅侧位X线片的头影测量标志点检测任务，设计实现了一种基于区域卷积神经网络的标志点检测算法，实现了对头影测量标志点的准确检测;3)面向CT影像的肺部分割任务，设计实现了一种基于全卷积神经网络的肺部分割算法，实现了对肺部的精确分割。　　最后，设计并开发了一套智能医疗诊断原型系统，实现了MRI、CT、X线片等多模态影像数据的读取、处理与显示，并通过模块化的设计将本论文提出的算法应用于本系统，实现了自动肝脏肿瘤分类、头影测量标志点检测和肺部分割。

关键词： 医学影像   临床应用   科学技术  

摘要： 目的:探究分析医学影像诊断技术在临床医学影像诊断中的应用价值.方法:选取2018年1月至2019年1月间本院收治的患者100例,经过随机分组将患者分为两组,对照组50例,观察组50例.对照组患者给予传统的常规诊断,观察组患者给予现代医学影像诊断,对比两组患者的诊断结果,统计两组的诊断有效率.结果:对两组的诊断有效率予以分析,在总诊断有效率这一指标中,观察组总有效率高达98.0％,对照组总诊断有效率为82.0％,两组对比差异明显,具有统计学意义,P<0.05.结论:现代医学影像诊断技术在医学影像诊断和临床应用中可以提高总诊断有效率,有利于后期对患者的治疗,医学影像具有临床应用价值,值得推广.

关键词： 开普影像   差异化战略   医疗器械  

摘要： 自2013年以来,国务院出台了一系列的政策,鼓励民营资本进入医学影像领域,共建医学影像诊断中心,提升科技研发能力,大力推进我国医疗影像设备的发展。2018年中国医疗健康投资金额约3548亿元人民币,2019年投资金额为3015亿元人民币,比2018年略微下降。医疗产业被认为继信息技术产业之后的财富新增长点,备受投资者青睐,虽然2019年的投资金额下降,但医疗健康投资仍然发展火爆。尤其是在影像产品领域,自2014年后,国内独立的影像中心如雨后春笋般陆续建成投入使用,不乏大型财团支持成立的新公司,比如平安影像、一脉阳光影像等,也有实力较为强劲的同心医联影像、翼展医疗影像集团。本文结合相关文献资料、在借鉴国内外市场竞争战略理论和实践的基础上,以开普影像为研究对象,运用波特五力分析模型、PEST宏观环境分析模型对开普影像的外部竞争环境和内部发展环境进行分析,找出开普影像公司所具有的优劣势以及所面临的机会与威胁,进而以差异化战略为核心,提出开普影像市场发展战略的定位以及发展战略的实施策略。开普影像作为一家年轻的公司,虽然这几年发展迅速,但同时也暴露出很多问题,本文通过对开普影像发展战略的研究,将使开普影像有更好的发展,也希望为同行业的其他一些公司的发展提供重要的参考依据。

关键词： 医学影像学   作者姓名   《中国医学影像学杂志》   审稿程序   影像技术学   网络投稿   编辑部   版面费   中英文摘要  

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主办的全国性专业学术期刊,是中国科技核心期刊、中国科学引文数据库来源期刊、《中文核心期刊要目总览》收录期刊。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,致力于各种医学影像技术的基础与临床研究成果的推广和传播,为从业人员建立继续教育和技术交流的平台,促进国内外医学影像学学术交流。

关键词： 高职课堂   医学类课程   1+X信息化教学模式   教学诊改  

摘要： 本文以“医学影像电子学基础”课程为例，以教学诊改为手段，从课程目标与课程标准的确定、课程运行与课程实施、学生课堂监测数据评价展开论述，采用“1+X”信息化教学模式，依托于课堂教学为课堂教学主平台、辅助使用问卷星、腾讯会议、超星学习通等教学平台，全程监测课堂运行情况，构建打造高职未来课堂的教学范例。

关键词： 骨质疏松症   深度特征   人工设计特征   编码特征   融合   特征选择  

摘要： 随着我国人口老龄化问题的不断加重,多见于老年人的骨质疏松症逐渐成为我国面临的严重疾病。骨质疏松症是全身性的疾病,引发原因多样,最主要的特征是骨含量减少和骨矿物质密度下降还有骨微观结构被破坏从而导致了骨折风险的增加。目前基于骨X光图像的研究大多提取单一的人工设计特征,但是骨质疏松症骨X光图像和正常骨X光图像极其相似,很难用肉眼进行分辨,因此相关研究很难达到很高的预测准确率。在本文中,我们设计了基于骨X光图像的骨质疏松症自动诊断框架。两种类型的特征被用来对骨质疏松骨X光图像和正常骨X光图像进行区分。一类特征是从深度卷积神经网络中获得的,称为深度特征;另一类是人工设计特征,包含一组标准纹理特征,如局部二值模式和灰度共生矩阵,以及一组我们之前研究提出的的编码特征。我们使用最小冗余最大相关算法进行特征选择来降低特征的高维性,并使用支持向量机作为识别器。这是首次将深度特征与最新的骨质疏松纹理特征相结合用于骨质疏松症诊断的研究。对比实验表明,通过两种特征的融合可以显著提高性能,而Alex Net与编码特征或所有人工设计特征的融合在所有融合中达到了最高的精度。

关键词： 高职院校   医学影像技术专业   实训教学  

摘要： 本文主要以高职医学影像技术专业实训教学为重点进行阐述,以高职医学影像技术专业实训教学当中存在的问题为主要依据,从规范实践教学标准体系、构建专业的教师团队、充分利用教学资源、构建校内实训基地几个方面进行研究分析,其目的在于促使高职院校提高对医学影像技术专业教学实训教学的重视程度,培养学生具有较强的实践能力与扎实的专业技能。

关键词： 影像组学分析   迁移学习   深度特征   前列腺癌   多模磁共振成像  

摘要： 随着我国经济的快速发展,前列腺癌(prostate cancer,PCa)的发病率呈快速上升的趋势。多模磁共振成像(multiparametric magnetic resonance imaging,mp MRI)是评价前列腺癌的一种可靠的影像学手段。人工阅片严重依赖医生的专业与经验,因而限制了诊断的准确性。医学影像组学分析方法是定量的分析方法,是提高诊断准确性和可重复性的常见方法,而深度学习的兴起给影像组学分析方法带来了新的思路。本文研究了基于影像组学特征和基于深度学习的前列腺影像组学分析方法对前列腺癌组织与非癌组织分类的若干关键问题,主要完成的工作如下:(1)针对前列腺癌的诊断信息广泛分布于磁共振不同模态数字图像中的情况,从不同模态中提取多模态特征。对扩散权重成像(diffusion weighted Imaging,DWI)计算以像素为单位的表观观测系数(apparent diffusion coefficient,ADC),作为新的模态与T2权重成像(T2-weighted imaging,T2WI)一起提取影像组学特征。对于动态对比度增强(dynamic contrast enhanced,DCE)模态,使用以感兴趣区域为单位的平均对比剂浓度拟合药代动力学模型,得到药代动力学参数,直接作为定量特征使用。多模态特征提取后使用两阶段特征选择方法筛选出对前列腺癌分类有鉴别力的特征子集,最后使用线性支持向量机对前列腺癌组织分类。实验验证该方法输出的受试者工作特征(receiver operating characteristic,ROC)曲线下面积(area under the curve,AUC)为0.95±0.01。(2)针对前列腺癌磁共振数据集包含的病例数较小,不足以完整训练卷积神经网络(convolutional neural network,CNN)网络,使用迁移学习的方式解决。首先在前列腺磁共振单一模态上实验了将预训练CNN模型作为特征提取器与微调CNN模型两种迁移学习方式,然后根据在单模态上的结果,实验了三种不同的多模态特征融合方式。实验验证,在前列腺磁共振单一模态上对前列腺癌组织与非癌组织分类,将预训练Res Net模型作为特征提取器的方式效果最优,在T2WI成像上ROC曲线下面积为0.95±0.01,在ADC模态上ROC曲线下面积为0.82±0.02。在三种多模态特征融合方式中,融合T2WI成像上的深度特征与功能性模态的手工特征效果最优,ROC曲线下面积为0.97±0.02。