基于卷积神经网络胃癌分割与T分期算法

基于胃癌CT图像准确分割胃癌和精准预测胃壁肿瘤浸润深度对于筛查胃部疾病、临床诊断、术前预测、术后评估计划至关重要。为了准确地从胃癌CT图像分割出胃癌并对肿瘤进行定性分期,提出一种基于卷积神经网络的胃癌分割与T分期算法（SC-Net）。SC-Net有两条主干线:分割主线、分类主线。这种新型算法分为两步进行训练:第一步只训练分割主线得到肿瘤的粗分割结果,然后在第一步基础之上联合训练分割分类主线得到最终的精分割和肿瘤T分期结果。为了提高算法对胃癌区域的关注度,提出了注意力机制加强算法的准确性。此外还使用多核残差模块和密集连接空洞卷积模块提取深层的特征信息。对所提算法进行定性定量分析。实验表明所提方法在胃癌分割和T分期上均优于同类方法,所提方法有作为筛查胃部疾病、辅助医生诊断的潜力。     

基于眼肌语义分割和特征提取的甲状腺相关眼病诊断算法研究

目的 甲状腺相关眼病(thyroid-associated ophthalmopathy, TAO)是常见的眼病之一，通过CT图像进行诊断和筛查对治疗有着重要意义，但传统方法依赖有经验的医生对CT进行分析和诊断，尚无有效的自动化方法。为此本文提出一种可以从CT图像中自动提取特征进行TAO诊断的方法，辅助医生进行诊断。方法 设计了Unet-Orbit分割网络对CT中的眼肌进行图像分割，随后采用影像组学工具(PyRadiomics)从分割结果中的眼肌区域提取数值化特征。为了更好地利用影像组学的特征，设计了一个特征提取网络，采用自动编码器框架。将不同的眼肌提取到的特征，通过特征合并和变换进一步得到一组新特征。最后采用来自上海交通大学医学院附属第九人民医院的1 912个CT图像数据集，对使用原始影像组学特征的分类器与使用特征提取网络后的特征的分类器进行了比较。结果 在医院数据集上，该模型的诊断准确率、灵敏度和特异性分别为87.34%、84.73%和89.96%。结论 语义分割网络可以高效分割眼肌区域，特征提取网络得到的新特征可以提升多种不同分类器在TAO诊断的准确率，可能为TAO的诊断提供一个...     

基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。     

图论在脑肿瘤分割及提取中的应用研究

目的 基于Matlab和VC++混合编程,实现了图论在脑肿瘤分割及提取中的应用,为之后脑肿瘤三维重建提供准确的分割结果.方法 在Matlab和VC++开发平台下,首先读取含脑肿瘤的MRI图像,经过一定的预处理后,调用C++编写的图论分割函数,实现MRI图像的全局分割,然后通过肿瘤区域的颜色信息进行区域二值化和轮廓提取等后处理,很好地完成了脑肿瘤的分割提取.结果 通过与专家手动分割的脑肿瘤区域进行比较以及对算法各模块运行时间的监测,显示脑肿瘤分割准确度高,且算法运行稳定.结论 基于图论的分割算法能够反映图像全局特性,且运行稳定,是一种值得推广的脑肿瘤分割方法.     

基于改进型V-net卷积神经网络的胃壁分割方法

实现上腹部CT影像的胃壁分割与中心线提取是成功实现早期胃癌筛查和辅助T分期的前提。基于改进型V-net的胃壁分割方法加入了全局平均权重模块的全卷积神经网络框架,有效解决了神经网路下采样过程中信息丢失的问题。此外,本文在原水平集方法的基础上,提出了正则化水平集损失函数。该损失函数有效抑制了全卷积网络胃壁边缘特征丢失率和因数据量较少而引起的过拟合问题,提高了神经网络对上腹部CT影像中胃壁的识别精度。实验表明,在上腹部CT影像数据集中本文方法分割准确度Dice系数高达0.916 5,IOU达到了0.822 3。该方法的Dice相对于3D V-net方法准确度提高了近6%,同时比CE-net和Dense U-net方法的准确率分别提高了2.7%和3.1%。     

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。     

一种基于CT图像的肝肿瘤组合分割法

目的研究如何对医学CT图像中的肝肿瘤进行分割。方法采用一种结合二值化处理、区域生长法、边界分割法的组合分割方法,对CT图像进行降噪和边缘锐化。对26张不同的CT图像上的肝肿瘤作了分割操作,验证该方法的可行性。结果该方法能将所研究的肝肿瘤从CT图像中准确地分割出来,同时对于轮廓清晰、与周围组织粘连少的肝部CT肿瘤图像分割较好。大部分能够实现理想分割,但仍有少数的分割效果与实际相差较远。结论该方法对一般的肝肿瘤的分割具有一定的有效性,但对其他肿瘤,特别是与周围粘连较多的肿瘤的分割还具有一定的局限性。     

交互式GACV模型的肿瘤图像分割

目的:提取医学图像中肿瘤区域,用以测量肿瘤体积问题。方法:提出一种基于GACV(Geodesic-Aided C-Vmethod)的交互式模型。该模型首先人工选取感兴趣区域,并在区域内设定初始水平集与肿瘤内部种子点,然后在感兴趣区域上应用将图像梯度边缘信息与图像区域灰度特性统一到同一分割中的GACV模型,得到肿瘤的粗分割结果。最后为去除目标内外孔洞,提出一种无损边缘的膨胀搜索算法,作为细分割。结果:将该模型应用于不同形状的肿瘤图像中,能成功检测肿瘤轮廓。通过实验与其它活动轮廓分割方法结果对比,结果显示该模型在准确分割肿瘤边界与分割算法耗时方面均具有良好表现。结论:本文提出的分割方法能高效率、准确识别肿瘤区域。     

结合通道权重更新与密集残差金字塔空间注意力的皮肤病变分割方法

皮肤病变分割是计算机辅助诊断黑色素瘤的关键步骤。为了精确提取出皮肤病变区域,本研究基于U-Net提出一种新的皮肤病变分割方法。该方法引入通道权重更新模块和密集残差金字塔空间注意力模块,分别从通道和空间上提取有效信息,突出病变特征,抑制无关特征,从而提升网络对病变区域的分割精度;此外,构造了一种加权边界损失函数,通过对病变轮廓进行强监督,减少病变边缘特征的丢失。实验表明在ISIC 2018和PH2皮肤镜图像数据集中,该方法的Dice系数分别达到了91.3%、92.2%,相比U-Net提升了5.0%、4.3%。     

一种多标记融合水平集的脑部多发性硬化斑块分割方法

通过对脑部磁共振影像(MRI)中硬化斑块形态、位置等信息的研究,本文提出了一种基于多标记融合水平集的脑部多发性硬化斑块分割方法。该方法首先使用模糊C均值模型提取初始硬化斑块区域,根据该区域的信息统计建立了灰度先验信息项和多标记融合项,并嵌入水平集模型中,通过水平集曲线演化实现脑部多发性硬化斑块分割。实验结果表明该方法能够有效分割脑部磁共振影像中的硬化斑块,具有较好的鲁棒性及较高的准确性。本文提出的方法极大地减轻了医师手动勾画硬化斑块区域的工作量,具有较大的临床应用价值。     

基于三重注意力的脑肿瘤图像分割网络

脑肿瘤图像分割问题是脑肿瘤临床诊断和治疗脑肿瘤疾病计算机辅助诊断的基础.针对脑肿瘤MRI图像分割网络深度过深和局部与全局特征信息联系匮乏导致图像分割精度降低等问题,提出一种基于三重注意力的脑肿瘤图像分割网络.首先,借鉴残差结构,将原始图像分割网络结构的编码层和解码层中的卷积模块替换为深度残差模块,解决网络加深带来的梯度...     

基于反注意力机制U-Net网络的胃部肿瘤分割

首先利用全局与局部注意力对肿瘤进行定位,然后在模型中加入反注意力机制,将显著特征从原特征图中消除,并保留肿瘤的边缘轮廓信息。此外还在模型中使用深度监督,监督各个深度解码层的训练,有效抑制模型梯度消失现象,提高分割的准确性。本研究使用的是上海长征医院的胃部CT数据集,并将提出的模型与U-Net、Attention U-Net和ET-Net的实验对比。研究结果表明,相较于传统的U-Net网络模型,基于反注意力机制的U-Net模型在胃部肿瘤分割中性能得到了较大的提高,证明了该网络模型的有效性。     

Boundary delineation in transrectal ultrasound image for prostate cancer

This paper presents a new advanced automatic edge delineation model for the detection and diagnosis of prostate cancer on transrectal ultrasound (TRUS) images. The proposed model is to improve prostate boundary detection system by modifying a set of preprocessing algorithms including tree-structured nonlinear filter (TSF), directional wavelet transforms (DWT) and tree-structured wavelet transform (TSWT). The model consists of a preprocessing module and a segmentation module. The preprocessing module is implemented for noise suppression, image smoothing and boundary enhancement. The active contours model is used in the segmentation module for prostate boundary detection in two-dimensional (2D) TRUS images. Experimental results show that the addition of the preprocessing module improves the accuracy and sensitivity of the segmentation module, compared to the implementation of the segmentation module alone. It is believed that the proposed automatic boundary detection module for the TRUS images is a promising approach, which provides an efficient and robust detection and diagnosis strategy and acts as "second opinion" for the physician's interpretation of prostate cancer.     

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。     

3D asymmetric expectation-maximization attention network for brain tumor segmentation

Automatic brain tumor segmentation on MRI is a prerequisite to provide a quantitative and intuitive assistance for clinical diagnosis and treatment. Meanwhile, 3D deep neural network related brain tumor segmentation models have demonstrated considerable accuracy improvement over corresponding 2D methodologies. However, 3D brain tumor segmentation models generally suffer from high computation cost. Motivated by a recently proposed 3D dilated multi-fiber network (DMF-Net) architecture that pays more attention to reduction of computation cost, we present in this work a novel encoder-decoder neural network, ie a 3D asymmetric expectation-maximization attention network (AEMA-Net), to automatically segment brain tumors. We modify DMF-Net by introducing an asymmetric convolution block into a multi-fiber unit and a dilated multi-fiber unit to capture more powerful deep features for the brain tumor segmentation. In addition, AEMA-Net further incorporates an expectation-maximization attention (EMA) module into the DMF-Net by embedding the EMA block in the third stage of skip connection, which focuses on capturing the long-range dependence of context. We extensively evaluate AEMA-Net on three MRI brain tumor segmentation benchmarks of BraTS 2018, 2019 and 2020 datasets. Experimental results demonstrate that AEMA-Net outperforms both 3D U-Net and DMF-Net, and it achieves competitive performance compared with the state-of-the-art brain tumor segmentation methods.     

基于3D卷积神经网络的肝脏自动分割方法

原发性肝脏恶性肿瘤是我国高发且危害极大的恶性肿瘤。肝脏手术（如肿瘤切除、活体肝移植等）是各种常见肝脏良恶性疾病的主要治疗方法之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个基础且至关重要的步骤。针对肝脏分割的特异性及分割难点,提出3D卷积神经网络（3DCNN）肝脏自动分割算法模型。3DCNN基于对体数据的训练能很好地学习到肝脏图像平面与空间信息。通过将深度监督机制无缝地整合到3DCNN中,能够有效解决梯度消失或爆炸的优化问题,加快收敛速度的同时提高分辨能力。最后,将初始分割结果作为先验信息,采用基于多星凸约束的图割算法做进一步的分割优化。实验结果表明该分割模型能够将肝脏组织从腹部CT图像中精确分割。     

图像引导HIFU治疗靶区精确定位

靶区精确定位是B超引导HIFU治疗的一个难题。本文利用患者术前采集的CT／MR图像序列与实时B超共同引导进行HIFU治疗靶区精确定位,在没有集成MR设备的HIFU治疗机器上利用了CT／MR图像靶区定位精确的优点。首先在CT／MR图像上进行靶区分割与三维表面重建,再利用三视图多模态医学图像配准技术,将重建的靶区信息映射到超声图像,实现了超声图像上靶区的精确定位。整个引导过程主要包括图像采集、预处理、分割、靶区重建以及多模态图像配准几个部分。这种融合CT／MR图像信息的定位技术有望更好地解决B超引导HIFU治疗中的靶区定位难题。