教学课程资源库 更多>>

关键词： 医学影像   肿瘤分割   脑胶质瘤   语义分割模型   空洞卷积  

摘要： 脑胶质瘤是一种恶性脑肿瘤,其发病率和死亡率较高。医生通常通过多模态的磁共振影像进行病灶区域的识别和切除。较大的切除区域能保证病人的生存期,但会影响脑部的正常功能。影像组学使用机器学习方法辅助医生对病灶区域进行精准的划分。目前,基于深度学习的分割技术在医学图像分割领域表现良好,研究工作到达了逐像素语义分割的层次。然而,当前算法存在如下问题:1、以池化层为特征降维手段,导致了特征信息的丢失;2、对多尺度特征间的关联性无法很好的表达。对此,本文进行了如下工作:一、针对现有模型采用池化层提取多尺度特征时存在的空间位置信息丢失问题,本文提出了串行空洞卷积结构用来保证分割模型提取特征的完整性。该结构由不同尺度的空洞卷积层、1×1特征转换层和softmax特征分类层组成,其特征提取结构的参数量仅为经典网络的0.6%。多个数据集上的实验结果及特征可视化结果表明,新的结构能在参数量较少的情况下获得高分辨率的分割图像。将该结构运用于脑胶质瘤的磁共振影像处理,分割精度提升了3%。二、针对现有方法无法表达不同尺度的特征间相关性的缺陷,本文设计了基于空洞卷积的密集连接网络DDNet(Dense-Dilated-Net),用来提取多尺度特征关联信息。结合空洞卷积不改变特征图大小的独特性质,构建了密集的特征融合网络,从而提高样本利用率,提高分割性能。该结构在Brats2017的数据集上的分割精度较经典方法,在完整肿瘤区域、增强肿瘤区域和非增强肿瘤区域分别提高了7.8%、5.7%和3%。

关键词： 病脑检测   特征提取   支持向量机   参数优化   迁移学习  

摘要： 在当今时代,脑疾病对人类的健康生活,影响越发严重,这使得及早发现病情并诊断治疗成为当下医学研究的重点课题。为了规避人工阅片,大夫由于疲劳,经验不足带来的主观上的错误,计算机辅助诊断技术成为了当今时代医学发展的趋势,能够辅助大夫对脑疾病患者进行更好更准确地判断和治疗。本文旨在借助计算机辅助诊断技术对健康脑与病脑进行自动分类。使用医学脑部核磁共振图像,首先采用对比度限制自适应直方图均衡化算法增强脑图像使得图像纹理特征更加明显,更加凸显病灶区域。然后对脑图像进行小波分解,在此基础上提取图像的纹理特征,并与形状特征相结合对脑图像进行特征识别。为了加快小波变换的速度,拟用提升哈尔(Harr)小波变换分解脑图像;通过对提取的多个纹理特征进行比对分类效果,选定峰度用作识别的纹理特征,然后结合图像形状特征Hu不变矩作为识别总特征。最后,选择RBF核支持向量机对脑图像进行分类,并提出了一种基于网格搜索与和声搜索联合优化支持向量机参数的方案,得到了较高的分类精度。经五折交叉验证后,与几种常用的病脑检测算法进行了对比实验,实验结果表明,本文算法识别率较高。卷积神经网络可以通过调整卷积层和池化层中的参数来自动提取图像特征的特性,比传统机器学习需要人为提取特征更有优越性。为了更进一步提高病脑检测的准确率,本文采用GoogLeNet深度学习网络进行训练分类,考虑到脑图像样本数目有限,提出了一种基于GoogLeNet与迁移学习的病脑检测方案,实验结果表明,较传统支持向量机分类,深度学习的方法更为有效,分类精度达到了100%。

关键词： 深度学习   医学影像报告自动生成   注意力机制   多模态学习  

摘要： 随着科学技术和医疗水平的发展,医院每日都会产生大量的医学影像数据,这增加了放射科医生医疗诊断及影像报告撰写的负担。医学影像报告自动生成的研究大多是基于Image Caption的模型设计,虽取得了一定的效果,但没有对医学影像特征和医学语义进行充分的分析,只是通过模型的训练使影像特征与报告中的文本特征对齐,导致所生成的医学影像报告质量不高,临床意义有限。本文提出了一种基于Topic注意力机制的医学影像报告自动生成模型（Topic-Based Attention Medical Report Generation Model,TAMRGM）,此模型可以充分考虑影像报告的医学语义特征和提升深度学习训练的模型性能,自动生成更加准确的医学影像报告。首先,模型对医学影像进行了特征提取,并结合影像报告中的医学语义特征,通过加入注意力机制对影像图像和文本特征进行多模态融合,然后,利用Topic生成器完成对该影像定性的分析,逐句生成影像报告细节信息,生成高质量影像报告,最后,在OpenI数据集上,通过对TAMRGM模型进行训练和评估,利用BELU Score、METEOR、ROUGE和CIDEr评价指标对模型生成的影像报告进行了评估。实验结果表明,TAMRGM模型的效果好于 CNN-RNN、Hierarchical Generation 以及 CoAttention 模型,故,验证了 TAMRGM模型对于生成高质量医学影像报告的有效性。综上,在现有医学影像报告自动生成研究的基础上,本文提出了基于Topic注意力机制的医学影像报告自动生成模型TAMRGM,并在胸部X射线OpenI数据集上进行了模型的构建和有效性的验证。通过此研究可以辅助放射科医生快速完成影像报告的撰写,为患者提供更好的诊疗服务。

关键词： 信息抽取   信息可视化   文本摘要   图像分割   报告自动生成   人工神经网络   影像报告   放射信息系统  

摘要： 影像报告作为医学影像信息系统中对患者的影像检查和诊断信息进行记录的媒介,无论是在医生的临床工作还是研究工作中都被广泛的使用。影像报告亦是门诊医生与影像科医生之间重要的交流手段。然而查阅和书写影像报告是一件十分耗时和繁琐的工作。帮助医生更高效地进行影像报告的查阅和书写对于减轻医生的工作负担和提高医院的服务质量有着至关重要的意义。本研究的目的在于利用人工智能技术对医学影像信息系统中报告查阅和书写功能进行自动化和智能化改造,从而提高医生处理影像报告的效率。具体地说,本文基于深度学习技术开展了影像报告信息抽取、影像诊断结论自动生成、结构化报告自动生成三项智能化报告技术的研究。这些智能化报告技术被分别建模成序列标注、文本摘要和图像分割问题,并使用本文新提出的神经网络模型加以解决。本文主要的创新性研究工作如下:对于影像报告的查阅,本文提出了一种影像报告的信息抽取和可视化显示方法,它能对影像报告中的关键信息进行抽取、分组、传递和显示。本文提出的基于专业临床术语和多粒度词嵌入的神经网络模型Multi-Embedding-BGRUCRF编码了文本的词典匹配信息、偏旁部首信息和上下文信息,在关键信息抽取任务中取得了95.88%的F1值,比基准模型高1.70个百分点,基于规则的实体分组方法也取得了91.03%的准确率。本文还研究了将信息抽取功能集成到放射信息系统中的方法,通过在传统的放射信息系统中添加信息抽取服务器、JSON对象存储数据库和关键信息展示界面,实现了二者的集成。进一步的对照实验表明,集成了信息抽取功能的放射信息系统能帮助医生减少约46%的报告阅读时间。对于影像报告中诊断结论的书写,本文提出了一种诊断结论自动生成方法,它能根据影像报告中的影像表现和其他字段信息自动生成诊断结论,该生成的诊断结论可以作为一个动态生成的模板供医生进行编辑,从而减少医生书写影像报告的编辑次数,提高书写效率。本文提出的基于信息融合编码的神经网络模型Info Fusion2Seq不仅对影像表现文本进行了编码,还对影像报告中其他的短文本字段和结构化字段进行了不同方式的编码,并将所有的编码信息进行了融合后供解码模块进行解码输出。该方法在测试数据上取得了77.03%的ROUGEL值和11.49的编辑距离,优于本文列出的所有基准模型。实验结果显示基于该方法生成的报告模板进行书写,能减少医生书写诊断结论的编辑次数,提高医生书写报告的效率。对于青光眼筛查报告的生成,本文提出了一种精细化图像分割方法,并基于此进行图像测量和计算进而生成青光眼筛查报告。该精细化图像分割方法主要包括轮廓变换和序列标注网络SU-Net。轮廓变换是本文提出的一种图像坐标变换方法,可以将一幅图像变换到以任意轮廓线为中心的图像。SU-Net是一种从自然语言处理领域中得到启发的用于图像分割的序列标注网络,它直接对分割边界进行预测。该精细化图像分割方法可与任意的普通分割方法组成一个两步的由粗到细(Coarse-to-Fine)分割流程,能进一步抑制背景噪声并获得更加均衡的前背景比例,从而减小分割误差。对于视盘和视杯的分割,本文使用该精细化分割方法在两个公开数据集:MESSIDOR和Drishti-GS上都取得了目前最佳的效果。本文进一步在Drishti-GS数据集上测试了该分割方法在青光眼筛查报告自动生成中的效果,实验结果显示本方法取得了目前最小的杯盘比(Cup-to-Disc Ratio)误差(0.047)和最高的AUC值(0.935)。

关键词： 《中国临床医学影像杂志》   收稿回执  

摘要： 本刊为影像学杂志,要求除综述外的所有稿件需均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

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、中国科技论文统计源期刊(中国科技核心期刊)、中国学术期刊综合评价数据库统计源期刊,并被美国《化学文摘》(CA)、美国《剑桥科学文摘(自然科学)》(CSA)、美国《乌利希期刊指南》等收录。国内统一刊号:CN 11-3154/R,ISSN 1005-5185,国内外公开发行。本刊1993年创刊,月刊,每月25日出版,论文发表周期3～6个月。

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。

ISBN: (纸本)9787030670823

关键词： 高维小样本   医学影像   深度学习   数据增强   生成对抗网络   三维卷积神经网络  

摘要： 本文致力于探究高维小样本医学影像分析方法。小样本方面,本文提出了基于级联生成对抗网络和半监督学习的多参数医学影像生成方法。并设计生成复杂性度量模型自动确定生成顺序,通过先生成较复杂性较低的模态,再以生成数据作为先验信息辅助复杂性较高的模态数据的生成。本文所提出的多参数医学影像生成模型可以通过半监督学习方式达到端到端地训练。在有监督学习部分,通过约束多模态真实数据对与模拟数据对之间的重建损失,显式地学习多模态数据的联合分布。为缓解过拟合问题,在无监督学习部分通过约束真实数据与模拟数据分布之间的W距离学习不同模态各自的边缘分布。本文通过三种评估方法以及用户研究在两个图像生成任务上全面地验证了我们提出的生成模型。无论从视觉上还是定量分析结果都一致表明我们的方法无论是从视觉上的合理性还是临川意义方面都优于现有的领先方法。高维样本方面,本文提出了三维卷积神经网络联合二维卷积神经网络的可以端到端学习的检测模型。通过三维候选区域提取网络检测可疑病灶区域,再通过三维空间转换网络产生固定大小且映射到血管方向的2.5维候选区域,最后通过二维分类网络完成去假阳工作。相比传统方法基于分步学习方法,我们所提出的端到端检测方案具有以下优势:1)三维卷积神经网络可以有效利用到高维数据的空间信息;2)端到端学习可以更好的实现全局优化;3)三维联合二维网络避免过拟合问题。我们在公共数据集以及在当地医院收集的数据集上通过FROC曲线评估方法,证明了我们所提出的方法的有效性。

关键词： 深度学习   卷积神经网络   深度信念网络   肺结节   医学影像  

摘要： 肺癌的发病率和死亡率居全球癌症之首,肺结节作为其早期的表现形式,及早发现,及早诊断,及早治疗,可大大降低肺癌死亡率。随着医学成像技术的发展,早期肺部的微小病变越来越清晰的展现在医生眼前。人们生活水平和健康意识的不断提高以及医疗设备的精细化发展,促进了肺结节诊断治疗的发展,但同时也给传统的医生诊断增加了工作量。影像学CT(Computed Tomography,电子计算机断层扫描)检查由于其无创性,受到广大群众的青睐,但传统的诊断识别肺结节方法是影像科医生通过逐张观察被检查者肺部CT切片图像,依靠自身经验来诊断识别病人是否有肺结节以及判断其良恶性。面对大数据的CT图像,医院现存在诊断肺结节耗时长、效率低、主观性大等问题,而影像科医生面对长时间的诊断分析工作,极易造成疲劳,容易导致漏诊和误诊。针对传统医生诊断肺结节存在效率低,容易误诊和漏诊,准确率参差不齐的问题,本论文采用了两种深度学习的方法来对肺结节进行诊断识别研究。(1)针对肺结节的细节特征多而繁杂,人工识别率不高,容易误诊、漏诊的问题,构建了深度信念网络,来定量研究肺结节的精细度、内部结构、钙化程度、球形度、边缘明显度、分叶特征、毛刺征、纹理、结节体积、最大直径等10维几何数据特征,并且通过实验研究方法确定了最优的网络结构和训练参数;重点研究了不同隐层层数和隐层节点数时,识别准确率的差别,以及不同肺结节数据特征组对诊断识别准确率的影响。(2)充分利用肺结节的空间上下文特征信息,通过对CT序列样本拼接和增强操作等图像预处理方法来扩充肺结节样本,并且构建了自己的样本集;建立基于深度卷积神经网络的肺结节诊断识别模型,探讨了卷积神经网络模型参数选取原则;并通过对网络模型层级结构方法的研究,确定了最优的网络模型结构,同时还探讨了图像样本增强倍数对实验结果的影响。通过上述两种深度学习方法的研究对比,基于深度神经网络模型在准确率、敏感性、特异度等方面均有优异的表现。实验结果也表明,深度卷积神经网络学习方法具有更高的识别准确率。尤其是所构建的卷积神经网络模型算法的诊断识别准确率、敏感性和特异性分别为92.15%、92.17%和93.13%。表明本文构建的模型对肺结节具有很好的识别效果。本文采用基于数据特征和图像特征的两种深度学习方法实现对肺结节的诊断识别研究,将肺结节序列图像进行分割处理操作以构建肺结节样本集,再将增强后的肺结节样本喂入构建的深度网络模型,并训练、测试和优化模型。从而实现对肺结节样本的自动地诊断识别,进而辅助医生科学、客观、准确地进行临床诊断。因此,本文的研究工作对于肺癌的早期诊断识别具有一定意义,可为临床医生提供辅助诊断结论。本文采用基于数据特征和图像特征的两种深度学习方法实现肺结节的诊断识别,该方法具有创新性。