脑干表面纤维束的观察

目的：调查脑干表面纤维束的外形特点,补充脑干的解剖学资料。方法：在解剖显微镜下对脑干进行解剖观察。结果：5种未见报道的纤维束的出现率如下：大脑脚底表面纤维整体向腹内侧下旋,左侧24．0％,右侧28.0％,双侧28．0％;大脑脚底表面部分纤维成弓形向下凸,仅左侧2．7％;脑桥表面部分脑桥小脑纤维向外下绕三叉神经根下方行入桥臂,左侧10.7％,右侧6．7％,双侧5．3％;脑桥表面部分脑桥小脑纤维向外上绕三叉神经根上方行入桥臂,左侧1．3％,右侧2．7％;移位的锥体束纤维跨过或覆盖橄榄表面,左侧9．3％,右侧21．3％,双侧9．3％。还有国内未见报道的脚底丘索内侧束、横脚束、桥带、脑桥斜束和前外侧弓状纤维等。结论：本文丰富了国人脑干表面纤维束的类型,为人类学和医学研究提供了脑干表面纤维束的解剖学资料。     

用于幼儿白质纤维束分析的快速密度聚类算法

目的从弥散张量成像(diffusion tensor imaging,DTI)中聚类白质(white matter,WM)纤维束对于定量分析幼儿大脑发育是非常重要的中间步骤。经典的基于图谱的分析方法通常是针对经过配准算法转化到通用模板空间之后的空间平均弥散张量做分析,其中配准算法不可避免地平滑了纤维束的局部特性而带来误差。更为直观可行的方法是首先将交织的白质纤维分离成单一类型的纤维束,然后在本地空间对来自不同主体的同一类型的纤维束进行统计分析,以避免来自配准算法的平滑误差。最近发表的密度峰值聚类(density peaks clustering,DP)算法,在没有任何现有模板的情况下聚类结构复杂的白质纤维依然具有很强的鲁棒性。尽管如此,密度的计算是DP的核心步骤,特别是当纤维数量巨大时,计算非常耗时。方法首先本文提出一个快速密度峰值聚类算法(fast density peaks clustering,FDP),将过程中的密度和关键参数的全局计算转换成局部计算,并利用一种二叉树结构来有序地存储这些用于局部计算的近邻,从而约50倍地加速了密度计算步骤。然后通过在基准数据集上的实验和与经典聚类算法的纤维聚类效果对比验证了FDP的加速效果和精确度。最后,证明了本算法在幼儿纤维发育分析中应用的合理性与可行性。结果密度计算基于上述结构的直接访问,因此显著降低了计算量;基于该算法的纤维数据统计结果也与基于图谱分析方法的一般结论一致。结论本文提出的快速密度聚类算法具备快速、准确和鲁棒的优势,其在幼儿白质纤维发育分析中的应用合理地降低了传统方法中繁杂的人工和计算消耗。     

应用DTI技术对人脑白质纤维束的初步研究

目的建立扩散张量纤维束成像对人脑白质纤维的显示方法,并应用中国数字化可视人体数据进行对照观察,验证扩散张量成像(DTI)方法的可靠性。方法选择5名健康志愿者进行DTI成像,采用DtiStudio软件进行分析处理,重建出部分各向异性(FA)图、容积比(VR)图、相对各向异性(RA)图、表面扩散系数(ADC)图以及二维彩色张量图。应用中国数字化可视人体数据集断面图像、FA图及彩色FA图进行对照观察,利用fibertracking纤维跟踪软件及3DMRI软件进行三维重建显示脑内主要白质纤维束,辨认脑内白质纤维束的位置、形态。结果应用DTI纤维束成像可以清晰准确地描绘脑白质内主要神经纤维束的解剖图谱,包括联络纤维如弓形纤维、钩束、扣带束、上纵束和下纵束,连合纤维如胼胝体、前连合和穹隆,投射纤维如锥体束、视放射、内侧丘系等。DTI纤维束成像结果与已知解剖知识、中国可视化人体断面图像具有很好的一致性。结论应用DTI纤维束成像可以清晰准确地描绘脑白质内主要神经纤维束的解剖图谱,其结果与中国可视化人体断面图像、已知解剖知识是一致的,应用DTI纤维束成像研究脑内纤维连通性是可靠的。     

基于3D深度残差全卷积网络的头颈CT放疗危及器官自动勾画

头颈部肿瘤放射治疗危及器官的准确勾画是放疗计划的关键步骤,然而头颈部放疗危及器官的精确分割挑战性很大,目前临床医生手动勾画危及器官非常繁琐、耗时且缺乏一致性。提出基于3D深度残差全卷积网络的头颈部肿瘤放疗危及器官自动分割方法,通过改进的V-Net网络分割模型,有效地结合危及器官CT影像的深层特征和浅层特征,同时根据特别设计的端到端监督学习确定危及器官分割模型参数。为了解决小器官类分布极不平衡问题,提出利用器官位置先验约束采样区域与随机采样相结合的训练样本选择策略,同时采用Dice损失函数对网络进行训练。该策略不仅可加速训练过程,提升分割性能,而且可保证小器官的分割准确率。该方法在2015年MICCAI头颈自动分割挑战赛数据集PDDCA上验证,各器官分割的Dice系数平均值分别为:颌下骨0.945、左腮腺0.884、右腮腺0.882、脑干0.863、左颌下腺0.825、右颌下腺0.842、左视神经0.807、右视神经0.847、视交叉0.583。大多数器官的95% Hausdorff距离小于3 mm,所有器官的勾画平均距离均小于1.2 mm。实验结果表明,该方法在除脑干以外的危及器官分割中性能比其他对比方法更优。     

利用图谱匹配分割标注VHP数据集

利用TT脑图谱中丰富的结构信息,本文提出了一种自动分割脑图像的方法,并将其用于Visible Human数据集（VHD）的脑图像的分割,这种方法可分为两步,首先,将VHD中的脑图像和TT Atlas配准,通过图像和医学图谱的匹配,可以把图谱中存储的拓朴信息直接映射到ＶＨＤ,然后,利用这个预分割的模板对VHD脑图像进行模糊聚类分割,为自动将模板中的结构信息用于分割,本文利用Chamfer距离变换,提出了一中引入形状因子的FCM聚类算法。     

立体定向电极规划中的神经纤维束示踪

目的基于患者的弥散张量成像数据(diffusion tensor imaging,DTI),在立体定向电极手术置入规划过程中提供电极触点周围神经纤维束信息,以帮助医生在更全面掌握脑解剖结构和神经连接情况的基础上制定电极植入规划方案。方法基于3D Slicer的软件框架和模块化的设计思想,设计了一个可用于计算和呈现电极周围神经束的处理模块。在模块中根据手动规划的立体定向电极路径计算各触点位置的空间坐标,并呈现电极规划方案中电极触点周围的神经纤维束分布情况。结果在T1加权像上手动选择电极路径后,模块可在影像结构上呈现多支电极路径周围神经纤维束的空间分布和连接情况;并依据电极路径在二维影像上的投影位置及斜切面模式下的显示结果,呈现电极与神经纤维束和影像结构之间的相对位置关系。结论本文的处理模块可在结构像基础上进一步提供手动选择路径中电极周围纤维束的空间位置及分布范围的信息,辅助医生规划与调整电极置入路径。     

基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的对比研究

目的:探究基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的优劣性及应用价值。方法:采集34例鼻咽癌患者的PET-CT数据,比较医生分别在增强CT和PET-CT图像上勾画靶区的差异性,以CSCO指南在PET-CT双模态融合图像上手动勾画的靶区作为金标准,应用Matlab软件计算单一标准摄取值（SUV）阈值分割法和MIM软件自带的PET-EDGE分割法两者的重叠率Dice和豪斯多夫距离HD值,并采用t检验进行统计学分析。结果:基于增强CT图像的手动勾画法、基于PET-CT图像的单一SUV阈值法以及PET-EDGE自动勾画法,3者靶区分割结果的Dice值分别为0.706、0.736、0.806,HD值分别为12.601、11.631、6.143 mm。以PET-CT双模态图像作为参考的靶区手动勾画法与基于增强CT的手动勾画存在差异（Dice:P=8.33×10-7;HD:P=1.065×10-18）;MIM软件自带的PET-EDGE靶区分割法Dice和HD值高于单一SUV阈值法,差异具有统计学意义（Dice:P=0.019 8;HD:P=0.013 7）。结论:在鼻咽癌肿瘤靶区的分割性能上,基于PET-CT图像的自动勾画优于基于增强CT图像的手动勾画,MIM软件自带的PET-EDGE分割法优于单一SUV阈值分割法。     

三叉神经根表层纤维束切断术治疗三叉神经痛的可行性研究

目的:探讨三叉神经感觉根（TNSR）的解剖学结构,及其表层神经纤维束切断术治疗三叉神经痛（TN）的可行性。方法:对10例尸体的三叉神经根标本取材、并对TNSR石蜡包埋及连续切片,进行较系统的观察。为2例TN患者行TNSR表层神经纤维束切断术的治疗与随访。结果:解剖及组织学上显示了TNSR的中央部分有一根巨大的神经纤维束,而在表层环绕着细小的神经纤维束。术中的观察与组织学一致,2例TN患者术后,面部疼痛等症状消失,分别随访1年6个月及1年4个月,症状未复发,且保留了温、触觉功能、角膜反射及形态正常。结论:TNSR中央区域有一巨束神经纤维,表层分布着小神经纤维束。表层神经纤维束切断术能够治疗TN,且保留了温、触觉及角膜反射,本手术方法是一种治疗TN有效的、且很有应用前景的治疗方法。     

放疗影像自动分割效果评估中几何参数与剂量学参数之间的关联性

目的:通过分析感兴趣区域（ROI）的几何参数与剂量学参数之间的关联性,探讨放疗影像自动分割效果评估时联合使用几何参数与剂量学参数的必要性。方法:利用卷积神经网络构建的分割模型对18例宫颈癌术后患者的危及器官与靶区进行自动分割,把自动分割结果与医生手动勾画结果进行比较,用于评估的几何参数包括基于体积/面积的Dice相似性系数、相对体积差与基于距离的几何参数:最大Hausdorff距离、95% Hausdorff距离、质心差,剂量学参数包括针对危及器官的平均剂量差、针对靶区的ΔD95和ΔD98。采用线性回归方法研究不同分割方式下ROI几何学参数与剂量学参数间的关系,并使用Spearman相关性分析获得几何参数间的相关性及医生勾画与自动分割间剂量学的相关性。结果:所有ROI的几何参数与剂量学参数间的关系均较弱（63.3%的R2<0.4）且不稳定;同时几何参数间的相关系数|r|不超过0.625,互为弱相关或不相关。结论:在对放疗领域的图像分割结果进行评估时,应该同时考虑到几何参数与剂量学参数。选择几何参数时,应联合基于面积/体积的评估方式与基于距离的评估方式。     

基于2D/3D U-plus-net的心脏自动分割

目的:利用2D/3D U-plus-net 提高心脏自动分割的准确率。方法:收集郑州大学第一附属医院60 例患者胸部扫 描CT图像（数据A）及中国科学技术大学附属第一医院45 例患者胸部扫描CT图像（数据B）。基于改进的AlexNet 将 CT 图像分为两类:心脏CT 图像和无心脏CT 图像。在2D/3D U-net 拓扑结构基础上,通过减小网络深度、在长连接中 增加新节点、增加解码器中卷积次数的方法,得到改进后的2D/3D U-plus-net;将靠近腹部的心脏CT图像（图像张数由 预实验决定）输入3D U-plus-net,其余图像输入2D U-plus-net;采用5 倍交叉验证法对模型进行训练及测试。最后通过 Dice 系数、HD95 和平均表面距离（MSD）评估自动分割精度。结果:数据A自动分割的Dice 系数为0.941±0.012,MSD 为（3.918±0.201）mm,HD95为（5.863±0.561）mm;数据B自动分割的Dice系数为0.934±0.014,MSD为（4.112±0.320）mm, HD95 为（6.035±0.659）mm。结论:基于2D/3D U-plus-net 的分割方法提高了心脏自动分割准确率。     

颞骨CT内面神经、迷路、听骨结构深度学习的自动化分割方法

目的 探讨神经网络的深度学习方法,进行颞骨CT内面神经、迷路及听骨结构的自动化分割的可行性和精确性。方法 选择常规颞骨CT检查患者的数据,随机分为两组,一组为训练集（20例）,另一组为测试集（5例）。在上述颞骨CT中采用手工分割的方法,分割出迷路、听骨及面神经结构。选择三维卷积神经网络3D U-Net作为深度学习中的神经网络结构部分,通过对训练集的训练,得到该网络的平均精度。用该网络模型对5组测试集中的不同解剖标志自动分割的结果与手工分割的结果进行测试,分别获得面神经、迷路及听小骨的测试精度。并将上述精度与另一种基于三维卷积神经网络结构的V-Net网络模型获得的精度进行比较。结果 在颞骨CT标本中,采用面神经、迷路及听小骨分别对3D U-Net-plus和V-Net网络结构的自动分割进行训练,在训练样本中,3D U-Net-plus网络结构的平均误差为0.016,V-Net网络结构的平均误差为0.035,两者差异有统计学意义（P<0.05）;利用3D U-Net-plus神经网络自动分割的迷路、听小骨及面神经与手工分割图像的Dice相似指数分别为0.618±0.107、0.584±0.089和0.313±0.069, 利用V-Net神经网络自动分割的迷路、听小骨、面神经与手工分割图像的Dice相似指数分别为0.322±0.089、0.176±0.100和0.128± 0.077,两者差异有统计学意义（P<0.001）。结论 采用3D U-Net-plus神经网络,在颞骨内听骨、迷路及面神经的自动识别和分割方面具有可行性,该方法优于V-Net神经网络。随着网络结构的优化和学习样本的扩大,其将更加接近人工分割的效果。     

智能放疗云平台自动勾画食管癌患者心脏结构的应用

【摘要】目的:测试和评估智能放疗云平台（RAIC.OIS）在食管癌患者心脏结构自动勾画中的应用。方法:选取2018年2月~11月收治的20例食管癌患者进行研究。首先,将20例患者的放疗定位CT图像从Eclipse治疗计划系统传输至连心医疗的智能放疗云平台（RAIC.OIS）;然后,使用RAIC.OIS的自动勾画工具,对CT图像中的心脏结构进行自动勾画;最后,将勾画好的结构文件传输并导入Eclipse。通过比较自动勾画和手工勾画的体积差异、位置差异、形状一致性和勾画时间,评估该软件的自动勾画工具应用于心脏结构自动勾画的可行性。结果:根据测量的数据结果,发现有1例患者的心脏形状和位置比较特殊,排除该患者的数据,对余下19例患者的数据进行统计分析。自动和手工两种方式勾画食管癌患者心脏结构的体积差异为（-17.08±8.66）%,相似性指数值为0.87±0.05。x、y和z这3个方向的位置差异分别为（0.12±0.09）、（0.11±0.08）和（0.22±0.16） cm,总位置差异为（0.31±0.14） cm。19例患者的自动勾画时间为（83±12） s,手工勾画时间为（284±58） s。结论:智能放疗云平台的自动勾画工具,对绝大部分食管癌患者的心脏勾画能够达到满意的结果。使用该工具可缩短心脏结构的勾画时间,提高放疗工作效率。     

利用深度反卷积神经网络自动勾画放疗危及器官

目的:勾画危及器官是放射治疗中非常重要的常规工作。然而,目前的人工勾画非常耗时,而且依赖于医生的知识和经验。为此,本研究提出一种深度反卷积神经网络,用于自动和精确地勾画危及器官。 方法:深度反卷积神经网络是一个用于自动分割的端到端框架。实验使用了230例头颈部患者的数据,在其中随机选择了184例作为训练集,用于调制自动分割模型的参数,其余46例用作测试集评估方法的性能。用于分割的危及器官包括脑干、脊髓、左腮腺、右腮腺、左颞叶、右颞叶、甲状腺、喉、气管9个危及器官。自动分割精度的量化指标使用戴斯相似性系数和豪斯多夫距离。 结果:所有危及器官自动分割的戴斯相似性系数值均在0.70以上（平均值为0.81）,豪斯多夫距离值在5.0 mm内（平均值为4.3 mm）,表明本研究提出的自动分割方法能准确地分割危及器官。 结论:利用深度反卷积神经网络建立了一种自动分割危及器官的方法,可以得到较准确的结果,为放射治疗流程自动化提供了技术支持。     

金属伪影对鼻咽癌放疗危及器官自动勾画的影响

目的:评估CT金属伪影对鼻咽癌放疗危及器官（OAR）自动勾画的影响。方法:选取有无牙齿修复物的鼻咽癌患者各16例,由放疗医师和深度学习自动勾画平台AccuContour分别勾画26种OAR轮廓。比较有无金属伪影患者不同OAR轮廓三维相似性系数（DSC）和Hausdorff距离（HD）以及有无金属伪影横断面内口腔和下颌骨的二维DSC和HD。同时记录人工勾画和自动勾画全部OAR的时间。结果:所有OAR的三维DSC和HD在有无金属伪影患者组间均无显著差异（P>0.05）。无金属伪影横断面内口腔的二维DSC和HD优于有伪影横断面（P<0.01）,且伪影越严重,自动勾画的口腔轮廓局部偏离基准值越明显。自动勾画效率（<2 min）显著优于人工勾画效率（>70 min）。结论:牙齿修复物伪影对基于深度学习的鼻咽癌放疗OAR自动勾画的准确性和工作效率影响有限,较人工勾画方法仍然具备明显优势。     

A New Method for Automated Identification and Morphometry of Myelinated Fibers Through Light Microscopy Image Analysis

Nerve morphometry is known to produce relevant information for the evaluation of several phenomena, such as nerve repair, regeneration, implant, transplant, aging, and different human neuropathies. Manual morphometry is laborious, tedious, time consuming, and subject to many sources of error. Therefore, in this paper, we propose a new method for the automated morphometry of myelinated fibers in cross-section light microscopy images. Images from the recurrent laryngeal nerve of adult rats and the vestibulocochlear nerve of adult guinea pigs were used herein. The proposed pipeline for fiber segmentation is based on the techniques of competitive clustering and concavity analysis. The evaluation of the proposed method for segmentation of images was done by comparing the automatic segmentation with the manual segmentation. To further evaluate the proposed method considering morphometric features extracted from the segmented images, the distributions of these features were tested for statistical significant difference. The method achieved a high overall sensitivity and very low false-positive rates per image. We detect no statistical difference between the distribution of the features extracted from the manual and the pipeline segmentations. The method presented a good overall performance, showing widespread potential in experimental and clinical settings allowing large-scale image analysis and, thus, leading to more reliable results.     

Segmentation of nerve fibers using multi-level gradient watershed and fuzzy systems

ObjectiveThis paper presents an algorithm based on multi-level watershed segmentation combined with three fuzzy systems to segment a large number of myelinated nerve fibers in microscope images. The method can estimate various geometrical parameters of myelinated nerve fibers in peripheral nerves. It is expected to be a promising tool for the quantitative assessment of myelinated nerve fibers in related research.Materials and methodsA novel multi-level watershed scheme iteratively detects pre-candidate nerve fibers. At each immersion level, watershed segmentation extracts the initial axon locations and obtains meaningful myelinated nerve fiber features. Thereafter, according to a priori characteristics of the myelinated nerve fibers, fuzzy rules reject unlikely pre-candidates and collect a set of candidates. Initial candidate boundaries are then refined by a fuzzy active contour model, which flexibly deforms contours according to the observed features of each nerve fiber. A final scan with a different set of fuzzy rules based on the a priori properties of the myelinated nerve fibers removes false detections. A particle swarm optimization method is employed to efficiently train the large number of parameters in the proposed fuzzy systems.ResultsThe proposed method can automatically segment the transverse cross-sections of nerve fibers obtained from optical microscope images. Although the microscope image is usually noisy with weak or variable levels of contrast, the proposed system can handle images with a large number of myelinated nerve fibers and achieve a high fiber detection ratio. As compared to manual segmentation by experts, the proposed system achieved an average accuracy of 91% across different data sets.ConclusionWe developed an image segmentation system that automatically handles myelinated nerve fibers in microscope images. Experimental results showed the efficacy of this system and its superiority to other nerve fiber segmentation approaches. Moreover, the proposed method can be extended to other applications of automatic segmentation of microscopic images.     

Automatic segmentation of left ventricle cavity from short-axis cardiac magnetic resonance images

In this paper, a computational framework is proposed to perform a fully automatic segmentation of the left ventricle (LV) cavity from short-axis cardiac magnetic resonance (CMR) images. In the initial phase, the region of interest (ROI) is automatically identified on the first image frame of the CMR slices. This is done by partitioning the image into different regions using a standard fuzzy c-means (FCM) clustering algorithm where the LV region is identified according to its intensity, size and circularity in the image. Next, LV segmentation is performed within the identified ROI by using a novel clustering method that utilizes an objective functional with a dissimilarity measure that incorporates a circular shape function. This circular shape-constrained FCM algorithm is able to differentiate pixels with similar intensity but are located in different regions (e.g. LV cavity and non-LV cavity), thus improving the accuracy of the segmentation even in the presence of papillary muscles. In the final step, the segmented LV cavity is propagated to the adjacent image frame to act as the ROI. The segmentation and ROI propagation are then iteratively executed until the segmentation has been performed for the whole cardiac sequence. Experiment results using the LV Segmentation Challenge validation datasets show that our proposed framework can achieve an average perpendicular distance (APD) shift of 2.23 ± 0.50 mm and the Dice metric (DM) index of 0.89 ± 0.03, which is comparable to the existing cutting edge methods. The added advantage over state of the art is that our approach is fully automatic, does not need manual initialization and does not require a prior trained model.     

基于深度学习的危及器官自动勾画软件系统DeepViewer在放疗中的应用及评估

目的:将一款基于深度学习的危及器官自动勾画软件系统DeepViewer应用于临床,实现自动勾画肿瘤患者治疗计划中危及器官的功能。方法:DeepViewer使用改进后的全卷积神经网络U-Net来实现自动勾画患者CT扫描部位所包含的危及器官,并使用Dice相似性系数（DSC）对比分析这22种危及器官自动勾画与手动勾画的差异。结果:11种危及器官DSC平均值在0.9以上,5种危及器官DSC平均值为0.8~0.9,5种器官DSC平均值为0.7~0.8,视交叉DSC平均值最低,为0.676。总体结果表明DeepViewer系统能够较准确地自动勾画出危及器官,特别是左、右肺、膀胱、脑干等器官,已基本满足临床需求。结论:DeepViewer软件系统可以实现放疗肿瘤患者危及器官的自动勾画,准确性较高。同时,DeepViewer系统勾画完毕后,可以通过网络系统自动传输RTStructure DICOM3.0文件,无需其他操作,能极大地提高临床医生工作效率,降低治疗计划流程中的勾画总时间。     

基于人工智能技术的危及器官自动勾画在胸部肿瘤中的应用

目的:评估基于人工智能技术的自动勾画软件勾画胸部危及器官轮廓的几何学精度,为临床应用提供依据。方法:选择30例胸部肿瘤患者的CT图像,分别使用基于人工智能技术的自动勾画软件勾画和医师手动勾画胸部危及器官。采用Hausdorff距离、形状相似性指数及Jaccard系数这3个指标评价自动勾画与手动勾画危及器官的几何学一致性。结果:在肺、心脏和脊髓的Hausdorff距离中,最大为右肺的（22.31±4.50） mm,最小为脊髓的（3.17±0.80） mm。危及器官的形状相似性指数值均≥0.91。Jaccard系数中左肺和右肺的均值≥0.95,脊髓的为0.84±0.02,心脏的略低为0.83±0.04。结论:基于人工智能技术的危及器官自动勾画软件对于胸部危及器官勾画能够达到较高的准确性和精度,可以满足临床工作。 【关键词】胸部肿瘤;人工智能;危及器官;自动勾画;放射治疗