基于3D ResUnet网络的肺结节分割

目的:将深度残差结构和U-Net网络结合形成新的网络ResUnet,并利用ResUnet深度学习网络结构对胸部CT影像进行图像分割以提取肺结节区域。方法:使用的CT影像数据来源于LUNA16数据集,首先对CT图像预处理提取出肺实质,然后对其截取立体图像块并进行数据增强来扩充样本数,形成相应的肺结节掩膜图像,最后将生成的样本输入到ResUnet模型中进行训练。结果:本研究模型最终的精度和召回率分别为35.02%和97.68%。结论:该模型能自动学习肺结节特征,为后续的肺癌自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断的时间。 【关键词】肺结节;分割;深度残差结构;召回率;ResUnet     

基于特征融合的U-Net肺自动分割方法

目的:将肺部颜色特征与纹理特征融合形成一种更有效的特征,并利用改进的U-Net深度学习网络结构对肺部CT影像进行图像分割以准确提取肺实质区域。方法:使用的CT影像数据来源于LIDC-IDRI数据库,首先通过色彩空间转换、高阶邻域统计的方法分别提取颜色特征和纹理特征,然后采用加权平均直方图融合两类特征,最后将特征输入改进后的U-Net模型,进行1 000次CT扫描测试,以达到完整的肺实质输出。结果:该方法最终的骰子系数、灵敏度、特异性分别为93%、96%和97%。结论:本方法较单一特征分割方法具有较高的分割精度,有效提高肺实质的分割精度,可为后续的肺部疾病自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断时间。     

基于影像组学的脑脊液细胞分类方法

目的：基于影像组学构建出更为高效、准确的脑脊液细胞判别模型。方法：回顾性收集3331张脑脊液细胞显微图像,其中吞噬细胞167张、单核细胞332张、淋巴细胞1081张、中性粒细胞1751张。首先在显微图像上分割出细胞核、细胞核凸包区域和细胞核凸包区域的部分细胞质,然后设计3种细胞核形状特征,即圆度、凸度、坚固性。针对细胞核、凸包区域和凸包区域的部分细胞质设计48种颜色特征。基于细胞核凸包区域提取4 676种纹理特征。结果：共提取了4 727个影像组学特征,在经过ANOVA和LASSO特征选择之后,保留了519个特征,且形状特征和颜色特征都得到了较高比例的保留（100.0%, 66.7%）。特征选择之后,利用SMOTE数据增强和SVM分类器在测试集上进行预测,各项评价指标Accuracy、Sensitivity、Specificity、Precision、F1＿score、AUC高达0.953、0.948、0.990、0.961、0.955、0.996。结论：本文提出的新的细胞显微图像特征提取方案和分类模型对细胞分类问题非常有效,且避免了细胞质分割的难题,无需分割细胞,只需分割细胞核和细胞...     

眼底数码图像处理关键技术研究

目的目前医生一般通过检眼镜等设备查看眼病患者眼底结构特征诊断疾病,工序烦琐、存在误差并受主观因素的影响,诊断效率低。因此有必要开发一款眼底数码图像处理系统配合医生诊断。方法对原始图像进行增强对比度和空域滤波的预处理操作、二值化处理、形态学处理及边缘提取和骨架提取,进而得到目标特征区域。结果本文初步研究眼底数码图像视杯、视盘和血管轮廓特征的自动提取关键技术,通过MATLAB仿真软件对特征提取关键技术进行总结和验证,归纳出提取不同眼底特征时的应对策略。结论利用数字图像处理技术可以自动识别眼底数码图像中的不同特征区域,建立眼底数码图像处理系统用于辅助医生诊断是可行的。     

基于定量影像组学的乳腺肿瘤良恶性诊断

乳腺癌是女性致死率最高的恶性肿瘤之一。为提高诊断效率,提供给医生更加客观和准确的诊断结果。借助影像组学的方法,利用公开数据集BreaKHis中82例患者的乳腺肿瘤病理图像,提取乳腺肿瘤病理图像的灰度特征、Haralick纹理特征、局部二值模式(LBP)特征和Gabor特征共139维影像组学特征,并用主成分分析(PCA)对影像组学特征进行降维,然后利用随机森林(RF)、极限学习机(ELM)、支持向量机(SVM)、k最近邻(kNN)等4种不同的分类器构建乳腺肿瘤良恶性的诊断模型,并对上述不同的特征集进行评估。结果表明,基于支持向量机的影像组学特征的分类效果最好,准确率能达到88.2%,灵敏性达到86.62%,特异性达到89.82%。影像组学方法可为乳腺肿瘤良恶性预测提供一种新型的检测手段,使乳腺肿瘤良恶性临床诊断的准确率得到很大提升。     

基于深度神经网络的乳腺肿瘤自动区域分割方法

为提升乳腺肿瘤影像的检测效果,本研究提出一种基于深度神经网络的乳腺肿瘤自动区域分割方法。采用直方图自适应均衡化算法与Sobel算子,对乳腺肿瘤成像的灰度单通道图像进行预处理。基于深度神经网络构建乳腺肿瘤自动区域分割算法网络,其主要构成包括上下文特征多尺度提取单元、3D与2D混合卷积单元和主路网络三个单元。将广义骰子损失当作网络模型训练时的损失函数。训练分割网络后,利用该网络对乳腺肿瘤区域自动分割。使用由专业放射科医生标记与收集的乳腺肿瘤核磁共振成像图像数据集,测试本研究方法的分割性能。结果表明,该方法能够达到很好地分割效果,DSC指标、PPV指标、PPV指标分别达到了76.48%、82.40%、75.93%,实现了乳腺肿瘤区域自动化分割。     

CT图像肺结节自动检测

肺癌是对人类生命健康危害最大的恶性肿瘤之一。计算机辅助诊断系统对肺部CT图像进行自动分析后,可提示医生可疑肺结节,从而克服医生在诊断中的一些主观因素,为此本文提出了一种基于胸部CT图像的可疑肺结节自动检测算法。首先,根据胸部组织的特殊结构,利用一种新的分割算法提取出肺实质部分;在此基础上提取出灰度与结节相近的感兴趣区域,包括结节、肺血管、支气管;然后,以已标记的结节数据作为样本集,计算结节的面积、灰度均值、灰度方差、圆形度、形状矩、体积、球形度等特征值,利用最近邻法建立分类器判别函数;最后,计算测试集感兴趣区域的上述特征,对其进行判别、分类,并标记出结节。试验结果表明,该算法综合考虑了肺结节特征,具有较高的准确度。     

基于CT的影像组学特征同临床物理剂量特征预测肺癌放疗放射性肺炎研究

目的:探讨基于CT的影像组学特征同临床物理剂量特征预测肺癌放疗放射性肺炎研究。方法:回顾性收集2013年1月至2017年1月进行放射治疗的83例肺癌患者的临床物理剂量参数和CT影像以及随访数据。从病例的CT图像中提取107个影像组学特征,结合对应的45个临床物理剂量特征,每例病例共收集152个特征。基于22种特征提取算法和8种分类器构建的176个鉴别模型分析152个特征预测放射性肺炎的准确性以及筛选优势特征的能力。结果:临床物理剂量特征和影像组学特征预测放射性肺炎的鉴别模型中AUC值最高为0.90。前5位的优势特征是:shape_Maximum2DDiameterColumn、shape_Maximum3DDiameter、V20、glcm_Imc1、V45。结论:临床物理剂量特征和影像组学特征通过不同分类器和特征选择算法组合的鉴别模型,可以筛选出理想的鉴别模型以及优势预测特征。     

构建混合多尺度神经网络自动分割Graves眼病的放疗临床靶区

目的：构建混合多尺度神经网络（HMnet）实现放疗临床靶区的自动勾画,提供一个高精度的CT影像自动分割模型。方法：HMnet是一种端到端的卷积神经网络,使用深度残差网络提取特征,由4个不同内核的卷积层组成的多尺度特征融合模块进行处理,以适应不同尺度大小的临床靶区;再引入注意力残差模块对多尺度特征融合模块输出的有效特征进行强化。共采用117例Graves眼病病例的CT影像数据和临床靶区轮廓训练和评估HMnet,选择骰子相似系数（DSC）、95%豪斯多夫距离（95HD）作为评估指标。结果：采用HMnet进行Graves眼病放疗临床靶区自动勾画的DSC为0.874 9,95HD为2.525 4 mm,均优于Unet、Vnet、ResAttUnet3D网络,也优于同一位医生两次勾画结果的平均DSC。结论：HMnet能准确实现Graves眼病放疗临床靶区的自动勾画,可提高放疗医生的工作效率及勾画的一致性。     

U-Net改进及其在新冠肺炎图像分割的应用

CT成像已成为检测新型冠状病毒肺炎（COVID-19）最重要的步骤之一。针对手动分割患者胸部CT图像中毛玻璃混浊区域繁琐的问题提出了一种自注意力循环残差U型网络模型来实现COVID-19患者肺部CT图像的自动分割,辅助医生诊断。在U-Net模型的基础上引入了循环残差模块和自注意力机制来加强对特征信息的抓取从而提升分割精度。在公开数据集上的分割实验结果显示,该算法的Dice系数、敏感度和特异度分别达到了85.36%、76.64%和76.25%,与其他算法相比具有良好的分割效果。     

启发式牙颌CT影像自动分割

准确快速地分割CT切片特征轮廓是医学图像三维重建的重要环节。现有的轮廓分割方法必须通过手动层层交互操作,不仅耗时而且分割精度不高。针对这种局限性,提出一种基于启发式牙颌CT影像自动分割方法。首先用拉普拉斯算子对CT图像序列进行边缘增强,其次用轮廓匹配映射技术实现轮廓启发式传递,最后基于收缩包围算法自动分割牙颌序列。以14例完整牙（每例28～32颗牙数据样本）锥束CT断层扫描图像序列进行实验,在相同条件下分别用所提出的轮廓自动提取方法和其他提取方法,对实验样本进行轮廓提取,得到单颗牙轮廓提取的平均用时和提取轮廓与真实轮廓之间的距离差平均值。实验结果显示,轮廓自动分割算法提取单颗牙轮廓的用时约为其他手工分割法提取单颗牙轮廓用时的23%,同时提取的轮廓质量和用传统方法提取的轮廓质量相当。该方法为CT数据特征区自动化分割提供一种可行且高效的方法,为进一步改进现有的CT影像分割和三维重建算法提供了新的思路。     

基于CT图像的肺结节计算机辅助诊断系统

本文介绍了一种基于CT图像的肺结节计算机辅助自动诊断系统。我们将肺结节的自动检测分为肺实质的提取、感兴趣区域（ROI）的分割和ROI特征参数提取及分类判别几个步骤。该系统能够在对肺部CT图像进行自动分析后给医生提示出可疑肺结节，从而提高了医疗诊断效率。     

全局与局部注意力机制的胃部肿瘤分割算法

通过CT实现术前胃部肿瘤诊断是一种潜在高效的技术方法，而准确的肿瘤影像分割是实现该方法的关键。为了能够精确地提取到肿瘤区域，提出一种基于注意力机制的2D分割网络GLat-Net对上腹部CT影像中的胃部肿瘤区域进行分割，通过增加对肿瘤周围区域的关注，从全局和局部两个角度提取有效的上下文信息；同时在解码模块中引入权重模块突出具有代表性的特征。通过实验结果证明，相比较于其他前沿分割方法，该算法在胃部肿瘤分割上有更高的准确度。     

肝细胞肝癌CT图像纹理分析分割技术的初步研究

目的 探讨机器自动分割肝癌CT图像纹理特征的可行性。方法 用强度、纹理、形状和边缘的图像特征来描述分割的情况,计算从操作者分割提取的特征与机器分割的相关性,测量不同操作者分割CT图像与机器分割CT图像的一致性。结果 操作者在选择不同层面时并不一致。操作者的分割结果也并非重叠。每个机器分割与其操作者手动分割的平均重叠程度与两个操作者之间的重叠程度相当（74% vs 69%）。机器分割与操作者手动分割组内相关性（ICC）结果表示纹理和强度特征是最显著的,边缘和形状特征最小。结论 本研究通过在每个操作者分割的最大圆来确定机器自动分割,从而有助于临床中可以更快、更准确的对CT图像进行分割。     

基于多模态磁共振图像特征选择的脑胶质瘤分割

脑胶质瘤分割通常需要将肿瘤区域细分为多个不同性质的子区域,往往需要使用多种不同模态的磁共振(MR)图像。近年来,基于深度学习的脑胶质瘤分割研究已成为主流。然而,大多数基于深度学习的方法只是将不同模态MR图像(或底层特征)进行通道维度堆叠后输入到分割网络中,并且在特征提取阶段忽略不同性质子区域分割时所需模态特征的差异性,导致分割性能不够精良。本研究提出一种基于多模态MR图像特征选择的两阶段分割框架进行脑胶质瘤分割。一方面,设计多模态特征选择模块并嵌入到分割网络框架中,对当前分割任务所需多模态MR图像特征进行自动提取和有效选择;另一方面,将多个不同性质的病变组织子区域分为两阶段分割任务,利用第一阶段分割任务结果提供第二阶段分割目标的定位信息。本方法和对比方法分别在BraTS2018(训练集285个患者,验证集66个患者)、BraTS2019(训练集335个患者,验证集125个患者)和BraTS2020(训练集369个患者,验证集125个患者)公开数据集上进行了实验。在BraTS2018数据集上,本方法在完整肿瘤、肿瘤核心和增强肿瘤区域的Dice相似系数分别为0.898、0.854和0.818,Hausdorff距离分别为4.072、6.179和3.763;在BraTS2019数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.892、0.839和0.800,Hausdorff距离分别为6.168、7.077和3.807;在BraTS2020数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.896、0.837和0.803,Hausdorff距离分别为6.223、7.033和4.411。对比实验结果表明,所提方法在增强肿瘤区域和肿瘤核心区域的分割性能具有明显优势,特别是增强肿瘤区域分割性能在BraTS2020数据集上最佳。基于多模态特征选择模块的两阶段分割框架,针对每阶段分割目标实现了不同模态MR图像特征的自动和充分学习,取得了理想的分割结果,为计算机辅助肿瘤诊断提供了可能的解决方案。     

基于全卷积神经网络的直肠癌肿瘤磁共振影像自动分割方法

目的直肠肿瘤(rectum cancer,RC)的图像精确分割是直肠癌诊断和治疗的基础和关键。目前,直肠肿瘤的分割通常是由放射科医生逐切片进行,这种方式主观性强,工作量大。为此,本文提出了一种直肠肿瘤磁共振影像全自动分割网络,在有效减少放射科医生负担的同时提高了肿瘤分割结果的可重复性。方法首先采用一个预训练的ResNet50提取特征,并在网络隐藏层添加3个边输出模块,实现图像数据的多尺度特征提取,最后融合3个边输出模块获得最终的分割结果。将所提网络架构的分割结果与基于U-net网络架构的分割结果进行比较,并分析不同损失函数和感兴趣区域(region of interest,ROI)尺寸对所提网络分割性能的影响。结果本研究使用中山大学附属第六医院512例患者的影像数据对模型进行训练及测试,其中随机选取的461例患者的T2加权磁共振影像用于网络训练,剩下51例患者的T2加权磁共振影像用于网络测试。结果表明,所提网络分割结果的平均Dice相似性系数(Dice similarity coefficient,DSC)、平均敏感度(sensitivity)、平均特异度(specificity)及平均豪斯多夫距离(Hausdorff distance,HD)分别达到了83.61%、89.10%、96.36%和8.49,均优于基于U-net的分割方法。对于包含了肿瘤组织的ROI,尺寸越小,分割效果越好。对于给定尺寸的ROI,几种损失函数并无太大差异。结论该算法能够准确地勾画肿瘤边界,有助于提升医生工作效率。     

免疫组化彩色细胞图像自动分割的研究

目的：免疫组化彩色细胞图像中阳性细胞的自动分割提取有着重要的临床意义。本文结合三种分割算法的特点，研究实现免疫组化彩色细胞图像的自动分割，提取图像中的阳性细胞。方法：（1）采用OTSU方法在灰度的基础上对免疫组化彩色细胞进行预分割，去除无关背景。（2）使用K-聚类算法，对彩色细胞图像进行彩色分类筛选出阳性细胞和阴性细胞，并对所得阳性细胞图像进行腐蚀，以获取阳性细胞图像的种子。（3）使用区域生长算法对阳性细胞种子进行区域增长。获取完整的阳性细胞图。结果：准确分割出图像中的阳性细胞。结论：该自动分割方法可用于后续的阳性细胞自动计数，辅助医生诊断疾病。     

基于BP神经网络的CT图像骨皮质分割

目的在CT图像中通过对骨皮质的分割与测量,测定骨量、骨骼的几何形状以及骨强度,并计算相应的组织形态计量学参数。方法通过DCMTK解读CT图像,提取相应的图像信息。利用OpenCV对图像进行预处理,在感兴趣的区域(ROI)设置的基础上,提取图像的纹理特征作为输入向量;以对训练样本手工分割的结果作为导师信号,对BP神经网络进行训练;用训练好的网络对CT图像序列中的骨皮质进行分割,并对分割后的结果进行后处理及显示。结果骨皮质CT图像的神经网络分割效率符合实际应用的需求,分割结果形状明显,与周围组织区分度高,满足临床诊断需求。结论纹理特征明显的情况下,可以达到较为满意的分割效果。分割结果轮廓平滑,分割精度高、成功率高、适应性强;而且图像分割过程人工介入少,可以用于整套CT图像骨皮质的批量分割。不足之处在于此方法神经网络训练时间相对较长。     

基于影像组学和剂量组学的放射性肺炎预测研究

目的：旨在利用影像组学和剂量组学的多组学方法，建立并验证一个有效的基于CT图像的放射性肺炎（RP）预测模型。方法：对2019年至2021年在广州医科大学附属肿瘤医院接受放疗的91例非小细胞肺癌患者进行回顾性分析。将除去临床靶区的全肺（Lung-CTV）作为感兴趣区域，从Lung-CTV区域的CT图像和剂量分布中提取影像组学和剂量组学特征。将单独的剂量体积直方图（DVH）特征、影像组学结合DVH(radio+DVH)特征、影像组学结合剂量组学（radio+dose）特征，分别输入11个不同的分类器来构建预测模型，采用五倍交叉验证法来完成分类实验。利用接受者操作特征（ROC）曲线下的面积（AUC）、准确性、精确性、召回率和F1值来评估预测模型的性能。结果：与DVH模型相比，radio+DVH和radio+dose的AUC值更高，差异有统计学意义（P<0.05）。与DVH和radio+DVH模型相比，radio+dose的准确率和F1值更高，差异有统计学意义（P<0.05）。结论：使用基于机器学习的影像组学和剂量组学的多组学方法预测RP的性能更好，有望为临床治疗提供指导。     

基于特征融合视觉显著性的医学图像分割

医学图像分割结果的准确性对医生诊断病情并制定相应的治疗策略具有重要价值。针对现有的医学图像进行分割时由于没有考虑人类视觉显著性机制因素导致分割精度不高的问题,提出一种基于特征融合视觉显著性的医学图像分割方法。首先基于频率调谐生成待分割医学图像的显著图,得到图像的显著区域并突出医学图像的边缘轮廓,然后分别提取其颜色特征和纹理特征将其作为反向传播神经网络的输入向量,在此基础上用神经网络分类器模型对图像进行分割。通过实验进行验证,结果表明该方法获得了较好的分割精度和分割效率,本文所提方法为医学图像的准确分割提供了一种新途径。