几种图像去噪算法的仿真分析及其在fMRI数据处理中的应用

目的去除图像噪声是医学图像处理过程中的基本预处理步骤,对图像的后继分析处理的质量有重大影响。本文基于图像去噪和医学图像的诊断准确率息息相关这一现实问题,对几种图像去噪算法进行仿真分析,并实现功能磁共振(functional magnetic resonance imaging,f MRI)数据应用。方法首先阐述了几种常用图像去噪算法的基本原理,其次使用不同算法对加入高斯噪声的Lena图像进行去噪仿真,并对不同结果的峰值信噪比(peak signal-to-noise ratio,PSNR)和均方差(mean square error,MSE)进行比较,最后总结并选择最优降噪算法应用于f MRI数据分析中,以期获得较好的后期处理基础。结果小波分层阈值算法在f MRI处理中的峰值信噪比和均方差更优。结论在f MRI图像去噪过程中,利用小波分层阈值算法更能提高图像的信息利用率,有助于提高医师诊断的准确率。     

一种LDL吸附剂载体-聚丙烯酰胺微球的合成及应用

研究用于低密度脂蛋白 (L DL)吸附的聚丙烯酰胺微球载体的合成工艺、结构特性及吸附 L DL 的性能 ,为进一步研发 L DL 吸附剂载体提供实验依据。采用反相悬浮聚合法按一定的配方合成聚丙烯酰胺微球载体 ,通过扫描电镜、图像分析仪、X光小角散射等手段对其结构特性 (粒径、孔径等 )进行表征 ;同时在微球上固定丝氨酰 -天冬氨酰 -谷氨酸 (SDE)三肽配体制成 L DL 吸附剂 ,通过体外静态吸附对其吸附性能进行了初步研究。结果表明微球粒径为 14 2 .1μm,孔径为 119.8nm,符合作为 L DL 吸附载体的需要 ;在交联剂与单体总量一定的条件下 ,微球孔径随着交联剂用量的增加而减小 ;合成的聚丙烯酰胺微球对 L DL 的非特异性吸附很小 ,而在其上偶联配体制成吸附剂后 ,又表现出对 L DL 的特异性吸附。本实验合成的聚丙烯酰胺微球是一种有效的 L DL 吸附剂载体。     

医学图像配准技术研究进展

医学图像配准是近年来医学图像处理领域中的重要研究问题,通过寻找某种适当的空间变换,使两幅图像达到空间位置上的定位和配准,进而进行图像融合。医学图像配准在临床诊断、治疗、质量保证和疗效评价等方面具有重要的应用价值。通过对近年来医学图像配准的主要方法(相关法、互信息法及小波变换法)进行综述,比较了各种算法的特点及其典型应用。     

基于深度学习的前房角开闭状态自动识别

目的 基于深度学习(deep learning,DL)和前房角超声生物显微镜(ultrasound biomicroscopy,UBM)图像进行前房角开闭状态的自动识别,为原发性闭角型青光眼的临床自动诊断提供辅助分析.方法 数据集为天津医科大学眼科医院采集的眼科疾病患者的前房角UBM图像,由眼科专家将UBM图像分为房角开放和房角关闭两类,按照6:2:2的比例随机设置训练集、验证集和测试集.为提高深度学习模型的鲁棒性和识别精度,对训练集图像随机进行了旋转、平移和反转等不影响房角形态的数据增强操作.比较VGG16、VGG19、DenseNet121、Xception和InceptionV3网络模型在本文数据集上的迁移学习结果,根据迁移学习结果对VGG16进行卷积层和全连接层的微调,用微调后的VGG16模型实现前房角开闭状态的自动识别.用接收者操作特征曲线下面积和准确率等评价指标对模型识别结果进行定量评价,用类激活热力图可视化模型识别前房角开闭状态时的主要关注区域.结果 类激活热力图表明微调后的VGG16模型识别前房角开闭状态的主要关注区域为房角中心区域,与眼科专家的识别依据一致.该模型的识别准确率为96.19％,接收者操作特征曲线下面积为0.9973.结论 基于深度学习和前房角UBM图像能够以较高的准确率实现前房角开闭状态的自动识别,有利于原发性闭角型青光眼自动诊断技术的发展.     

计算机辅助手术向远程手术方向的发展

本文对计算机辅助手术(CAS)系统的关键技术:医学图像三维可视化、多模医学图像配准进行了全面的探讨,进一步讨论了在计算机网络中通过共享医学图像的各种分析处理结果,来完成计算机辅助手术向远程手术的转化.对计算机辅助手术向远程手术发展所必须解决的问题;三维医学图像传输环境下的医学图像实时三维可视化、协同分布式并行计算环境、基于Web的交互式可视化进行了设计分析.     

一个三维医学图像实时可视化系统4D View

通过结合国际上先进的可视化工具包 (VTK)和实时体绘制系统 (Volum e Pro) ,研制开发了医学图像实时可视化系统 4DView。该系统能够对 MR、CT等医学图像进行实时的三维可视化和交互操作。本文首先简单介绍了 VTK和 Volume Pro及其相互结合 ,然后详细讨论了 4DView的系统设计和各功能模块 ,最后给出了从 4DView系统获得的一些医学图像可视化结果。实验结果表明 ,4DView能有效地解决三维医学图像可视化及其交互操作实时性不强的问题 ,在临床诊断、治疗和医学研究等领域中具有极大的应用前景     

基于VTK的医学图像三维可视化系统

医学图像的三维可视化可以通过可视化工具包(VTK)提供的API实现。VTK是医学图像可视化的开法工具包,它把可视化的算法封装起来,利用简单的代码生成所需图形。基于VTK的医学图像三维可视化系统阐述了如何借助VTKAPI读入二维医学图像序列、操作二维图像、重建三维图像以及进行三维图像可视化的全套方案,为临床医生的诊断、治疗提供了有益的途径。     

基于小波变换的多分辨率医学图像融合

多模医学图像融合在医学图像分析和诊断上具有极为重要的应用价值。本文采用了基于小波变换的多分辨率分析对人脑MRI PET图像进行了融合。结果表明此方法能够充分有效地将解剖信息与功能信息集成在一起 ,并保留原始图像的边缘和纹理特征 ,具有广阔的应用前景     

基于孤立点分析的医学图像处理

背景：在进行临床诊断的时候,医学影像中许多微小的纹理变化细节和形态特征不容易被发现,会影响对病情的早期判断。 目的：为数字医学图像中病变的计算机诊断提供一种新的思路和方法,帮助医生及早发现和诊断恶性病变、提高诊断效率和准确性。 方法：运用孤立点数据挖掘技术,分析提取医学图像数据集中隐藏、不为人所注意、易被抛弃的但非常有用的信息,找出其中的医学诊断规则和模式,从而辅助医生进行疾病诊断。 结果与结论：实验证明基于医学图像象素聚类的孤立点分析算法对于发现脑部病变是切实可行的。     

基于特征点的人体红外图像自动分割技术

目的医学红外人体图像区域分割是大规模医学红外图像处理的关键步骤。为快速有效地获取医学红外图像中的人体信息,本文提出一种在医学红外图像中自动提取并划分人体区域的方法。方法由红外热像仪在静室中采集人的裸体红外图像,然后通过对红外人体图像灰度分布特征分析而取得的阈值来获取人体区域,以人体横向距离(宽度)函数结合人体红外图像中的特殊方向亮带的识别,提取人体的特征点,并通过特征点对人体区域进行分割。结果对来自8人的72幅图像进行验证,其中64幅可以正确分割,证明该方法可以对直立姿势的红外人体图像进行自动区域分割与提取。结论该红外人体图像区域自动分割算法可为基于红外图像的疾病筛查及计算机辅助诊断提供技术基础。     

基于深度学习的多模态医学图像融合方法研究进展

医学图像融合方法可以将有用的信息整合到一张图上，提高单张图像的信息量。对多模态医学图像进行融合时，如何对图像进行有效的变换，提取到不同图像中独有的特征，并施以适当的融合规则是医学图像融合领域研究的重点。近年随着深度学习的快速发展，深度学习被广泛应用于医学图像领域，代替传统方法中的一些人工操作，并在图像表示、图像特征提取以及融合规则的选择方面显示出独特优势。本文针对基于深度学习的医学图像融合进展予以探讨，介绍了卷积神经网络、卷积稀疏表示、深度自编码和深度信念网络这些常用于医学图像融合的框架，对一些应用于融合过程不同步骤的深度学习方法进行分析和总结，最后，分析了当前基于深度学习的融合方法的不足并展望了未来的研究方向。     

基于深度学习网络的医学核磁共振成像超分辨率重构实验

基于深度学习网络的医学核磁共振（MR）图像超分辨重建实验研究,提出并构建一个大规模的高质量用于MR图像超分辨的数据集,涵盖了头颅、膝盖、乳房以及头颈4个部位。通过数据质量筛选和不同低分辨率图像生成方式,在原始图像的高分辨率基础下,以×2、×3、×4的下采样尺度,原始MRI图像形成3种不同尺度下的MR图像数据集,同时给出不同部位超分辨难易程度分析。采用7个在自然图像的超分辨率领域中取得最好效果的深度学习网络,将它们迁移到MR图像中,学习低分辨率MR图像到高低分辨MR图像的映射关系,并对比分析这些深度学习网络在自然图像的超分辨效果。通过实验可以看出,深度学习网络在MR图像超分辨取得了比传统算法更好的效果,部分结果不亚于自然图像;不同部位的超分辨效果差异较大,难以以一个深度学习网络使不同部位均具有更好的超分辨效果。深度学习网络在MR图像超分辨将具有重要的应用价值和理论意义。     

医学图像语义概念识别方法研究

医学图像语义概念识别是医学图像知识表示的重要技术环节。研究医学图像语义概念识别方法,有助于机器理解和学习医学图像中的潜在医学知识,在影像辅助诊断和智能读片等应用中发挥重要作用。将医学图像的高频概念识别问题转化为多标签分类任务,利用基于卷积神经网络的深度迁移学习方法,识别有限数量的高频医学概念;同时利用基于图像检索的主题建模方法,从给定医学图像的相似图像中提取语义相关概念。国际跨语言图像检索论坛ImageCLEF于2018年5月组织ImageCLEFcaption 2018评测,其子任务“概念检测”的目标是给定222 314张训练图片和9 938张测试图片,识别111 156个语义概念。上述两种方法的实验结果已被提交。实验结果表明,利用基于卷积神经网络的深度迁移学习方法识别医学图像高频概念,F1值为0.092 8,在提交团队中排名第二;基于图像检索的主题模型可召回部分低频相关概念,F1值为0.090 7,然而其性能依赖于图像检索结果的质量。基于卷积神经网络的深度迁移学习方法识别医学图像高频概念的鲁棒性优于基于图像检索方法的鲁棒性,但在大规模开放语义概念的识别技术研究上仍需进一步完善。     

基于深度学习的医学图像识别研究进展

近年来,随着医学影像技术的快速发展,医学图像分析步入大数据时代,如何从海量的医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战。深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路。首先阐述深度学习方法,列举深度学习方法的三种常见的实现模型,并介绍深度学习的训练过程;随后总结了深度学习方法在疾病检测与分类和病变识别两方面的应用情况,以及深度学习应用在医学图像识别中的两个共性问题;最后对深度学习在医学图像识别中存在的问题进行分析及展望.     

基于深度学习的低剂量CT图像去噪

目的:提出一种基于深度学习的方法用于低剂量CT（LDCT）图像的噪声去除。方法:首先进行滤波反投影重建,然后利用多尺度并行残差U-net（MPR U-net）的深度学习模型对重建后的LDCT图像进行去噪。实验数据采用LoDoPaB-CT挑战赛的医学CT数据集,其中训练集35 820张图像,验证集3 522张图像,测试集3 553张图像,并采用峰值信噪比（PSNR）与结构相似性系数（SSIM）来评估模型的去噪效果。结果:LDCT图像处理前后PSNR分别为28.80、38.22 dB,SSIM分别为0.786、0.966,平均处理时间为0.03 s。结论:MPR U-net深度学习模型能较好地去除LDCT图像噪声,提升PSNR,保留更多图像细节。     

基于深度学习的2D/3D医学图像配准研究

2D/3D配准在临床诊断和手术导航规划中有着广泛的应用,可解决医学图像领域中不同维度图像存在信息缺失的问题,能辅助医生在术中精准定位患者的病灶。常规的2D/3D配准方法主要依赖于图像的灰度进行配准,但非常耗时,不利于临床实时性的需求,并且配准过程中容易陷入局部最优值。提出用深度学习的方法来解决2D/3D医学图像配准问题。采用一个基于深度学习的卷积神经网络,通过网络对数字影像重建技术(DRR)进行训练并自动学习图像特征,预测X光图像所对应的参数,从而实现配准。以人体骨盆的模型骨为实验对象,根据骨盆的CT数据生成36000张DRR图像作为训练集,同时通过C臂采集模型骨的50张X光图像作为验证。结果显示,深度学习算法在相关系数、归一化互信息、欧式距离3个精度评价指标上的测试值分别为0.82±0.07、0.32±0.03、61.56±10.91,而常规2D/3D算法对应的测试值分别为0.79±0.07、0.29±0.03、37.92±7.24,说明深度学习算法的配准精度优于常规2D/3D算法的配准精度,且不存在陷入局部最优值的问题。同时,深度学习的配准时间约为0.03s,远低于常规2D/3D配准的时间,可满足临床对于实时配准的需求,未来将进一步开展临床数据的2D/3D配准研究。     

Hello World Deep Learning in Medical Imaging

There is recent popularity in applying machine learning to medical imaging, notably deep learning, which has achieved state-of-the-art performance in image analysis and processing. The rapid adoption of deep learning may be attributed to the availability of machine learning frameworks and libraries to simplify their use. In this tutorial, we provide a high-level overview of how to build a deep neural network for medical image classification, and provide code that can help those new to the field begin their informatics projects.     

医学图像增强方法综述

医学图像增强的目的是通过图像增强的方法得到优化的医学图像,以帮助医生从图像中获得更多细节信息,进一步做出更加客观的诊断及制定更全面的治疗方案,在一定程度上可提高临床诊断的准确性。本文首先归纳总结当前应用较为广泛的医学图像增强处理技术,包括传统的图像增强方法、改进的图像增强方法、融合的图像增强方法以及深度学习方法,然后对这些方法的原理、优缺点加以分析和总结。最后指出无论是传统方法还是现代图像增强方法,都应在最大限度保留其优势的情况下进行融合,取长补短,注重简单化和时效性,使提高图像的视觉质量同时更具有实用性。     

深度学习在脑胶质瘤影像学的研究进展

深度学习是基于多层神经网络计算模型发现数据内复杂特征的一种深度网络,较多应用于医学图像的分割与分类中,在各类脑胶质瘤的研究中也有许多成果。本文就深度学习在脑胶质瘤的准确分割定位、组织遗传学特征预测及预后评估等方面展开综述,总结深度学习在脑胶质瘤影像图像分割与分类的研究进展,从而为胶质瘤患者的精准诊断、个体化治疗提供新思路。     

基于深度学习的跨模态医学图像转换

运用深度学习的方法基于脑部CT扫描图像合成相应的MRI。将28例患者进行颅脑CT和MRI扫描得到的CT和MRI的断层图像进行刚性配准,随机选取20例患者的图像输入U-Net卷积神经网络进行训练,利用训练好的网络对未参与训练的8例患者的CT图像进行预测,得到合成的MRI。研究结果显示:通过对合成的MRI进行定量分析,利用基于L2损失函数构建的U-Net网络合成MRI效果良好,平均绝对平均误差（MAE）为47.81,平均结构相似性指数（SSIM）为0.91。本研究表明可以利用深度学习方法对CT图像进行转换,获得合成MRI,现阶段可以达到扩充MRI医学图像数据库的目的,随着合成图像精度的提高,可以用于帮助诊断等临床应用。