基于生成对抗网络的肝脏CT图像分割

目的 从腹部计算机断层扫描(computed tomography,CT)图像中分割出肝脏区域,对于肝脏疾病早期诊断、肝脏大小估计以及3D重建十分重要,精准快速地分割出肝脏边缘成为研究要点.方法 采用公开发表的肝脏肿瘤数据集为研究对象,融合生成对抗网络和Unet网络对CT图像实现肝脏的自动分割.首先将腹部CT图像输入到Unet网络进行分割预测,然后通过生成对抗网络(generative adversarial networks,GAN)进行对抗训练,使得预测结果更加接近于真实结果,同时在进行对抗训练的过程中探索了不同的距离约束函数对于分割结果的影响;预测的分割结果通过Dice分数(dice similarity coefficient,Dice)、IoU分数(intersection over union,IoU)、像素精确度(pixel accuracy,PA)、相对体积误差(relative volume difference,RVD)以及相对表面积误差(relative surface area error,RSSD)在CT-核磁健康腹部器官分割挑战数据集[combined(CT-MR)healthy abdominal organ segmentation challenge data,CHAOS]数据集上进行评价.结果 L2距离约束的Gan-Unet网络可以很好地对肝脏进行分割,其Dice、IoU和PA分别达到了94.9％、91.3％、99.4％,相比于Unet的Dice、IoU和PA为92.3％、86.7％、95.8％有明确的提升.在三维指标中,本文的方法在RVD、RSSD为0.026、0.079,相比于Unet的0.042、0.191有明显下降.结论 通过对Unet网络进行生产对抗训练以及在训练过程中引入距离约束函数可以提高肝脏分割的性能,肝脏分割结果可以应用于计算机辅助诊断系统中.     

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。     

基于改进V型网络的磁共振图像前列腺区域分割

磁共振（MR）成像技术是前列腺癌诊断的重要工具，通过计算机辅助诊断技术准确分割磁共振前列腺区域对于前列腺癌的诊断具有重要意义。本文使用深度学习方法，对传统V型网络（V-Net）网络进行了改进，提出了一种改进的端到端的三维图像分割网络，以期提供更精确的图像分割结果。本文首先将软注意力机制融合进传统V-Net的跳跃连接中，结合短跳跃连接、小卷积核进一步提升网络分割精度。然后使用前列腺MR图像分割评估2012年挑战赛（PROMISE 12）数据集，针对前列腺区域进行了分割，使用戴斯相似系数（DSC）和豪斯多夫距离（HD）对模型进行了评估，分割模型的DSC值和HD值分别可达到0.903和3.912 mm。实验结果表明，本文算法能够提供更准确的三维分割结果，可以准确高效地分割前列腺MR图像，为临床诊断和治疗提供可靠的依据。     

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。     

一种白血细胞图像训练集扩充方法

针对因训练集较小导致的白血细胞图像识别精度低以及传统的扩充训练集方法需要人工介入的问题,提出一种白血细胞图像训练集扩充方法,将图像旋转任意角度后,提取因旋转产生的黑色区域边缘,然后对黑色区域进行填充,并弱化边缘特征,得到扩充训练集。实验结果表明,使用本文方法扩充训练集对ResNet50、MobileNet与ShuffleNet 3种模型进行训练后,对比原始数据集,模型的识别精度分别提高220.18%、140.84%与88.99%,且不需要人工介入。     

基于特征学习框架的前列腺超声图像分割方法研究

目的从临床经直肠超声(TRUS)图像中自动地分割出前列腺边界。方法选择四川大学华西医院TRUS前列腺图像218幅,其中60幅图像作测试集样本,剩余158幅图像为训练集样本。基于特征学习框架的前列腺超声图像分割方法,首先利用图像的致密尺度不变特征学习框架,快速地从图像中定位前列腺边界,然后从训练得到的多个先验平均形状中,选择与特征分割结果最接近的平均形状作为初始化轮廓,构建离散形变模型能量函数及局部高斯分布内外能量函数,优化能量函数从而实现前列腺的分割。结果根据其图像的Dense尺度不变特征变换(SIFT)特征,利用训练好的支持向量机(SVM)分类器,得到基于特征框架的分割结果,再根据建立的多个平均模型中拟合出最优的于该图像的形状模型进行分割,利用构建的轮廓内外能量函数最小化实现分割。分割结果与手动分割的"金标准"轮廓间的Dice相似性系数(DSC)为96.06%±1.11%,平均绝对距离误差(MAD)为(1.74±0.49)像素。结论采用多分辨率的分割方式,以提高鲁棒性和分割的效率,通过形状模型能够估计出前列腺伪影区缺失的边界信息,实验结果也表明了该方法的有效性。     

双重降维通道注意力门控U-Net的胰腺CT分割

从腹部CT图像中分割并重建胰腺3D模型对于辅助疾病诊疗有重要意义。由于胰腺在图像中占比小且与周边组织难以区分等原因，现有方法准确性和稳定性不足。本研究提出一种双重降维和通道注意力门控U型网络，在编码路径中以双重降维模块加强浅层特征空间有效信息提取，在编解码连接中嵌入通道注意力门控模块从通道层级过滤冗余特征。在NIH发布的胰腺分割公开数据集上(包括82例CT图像)进行实验，采用集合相似度(DSC)、召回率(R)和精确率(P)验证分割性能，使用三维顶点距离误差(VDE)评估3D重建效果。DSC、R和P值分别达到82.35%±5.76%、81.07%±8.50%、84.04%±5.40%,VDE降低至1.27±0.90,优于U-Net和Attention-Unet等方法。结果表明，所提出方法能够提高胰腺CT图像分割性能，重建的3D模型能够更好反映个体胰腺实际情况。     

试论临床护理路径在前列腺增生症手术患者中应用

目的：探讨前列腺增生手术患者的临床护理路径。方法选取2008年12月~2013年12月我科收治的100例前列腺增生手术患者随机分为两组,对照组50例采用常规护理模式,观察组50例在常规护理的基础上,采用临床护理路径模型。观察两组患者的护理效果,并分别比较。结果两组患者接受治疗护理后的疗效比较院患者实施临床护理路径后,观察组患者的自我护理能力和护理效果的显著改善,患者健康知识和满意度均高于对照组,(<0.05)。结论前列腺增生手术患者临床路径护理的实施,能使护理人员的护理行为的规范化,以满足患者对疾病和健康的知识的需求,有效地缩短住院天数,降低住院费用,提高患者满意度和护理人员的质量和医疗护理质量,提高医院的外部形象。     

基于深度学习方法的食管癌术后调强放疗三维剂量分布预测

目的：构建一种深度学习网络模型预测食管癌调强放疗的三维剂量分布。方法：取100例中上段食管癌术后患者的调强放疗计划为研究对象,以患者计划的计算机断层扫描(CT)图像、靶区和危及器官的勾画图像以及适形射束信息作为输入数据,调强适形放射治疗(IMRT)的三维剂量分布作为输出数据,通过搭建的3D U-Res-Net混合网络进行训练并得到预测模型,利用该模型对测试集进行三维剂量预测。采用平均预测偏差^-δ、平均绝对误差(MAE)、戴斯相似性系数(DSC)和豪斯多夫距离(HD₉₅)评价预测结果的精确性。结果：测试集的平均预测偏差为-0.23%～0.78%,MAE为1.67%～3.07%,两组计划等剂量面DSC均值大于0.91,尤其30 Gy以下的DSC达到0.95以上,平均HD₉₅为0.51～0.73 cm。预测计划的剂量学参数均在临床允许的范围之内且相对剂量偏差小于2%,除靶区D₂、脊髓D_max、全肺V₃₀差异有统计意义外(P<0.05),其余剂量学参数差别不...     

基于循环一致性生成对抗网络的盆腔伪CT生成方法

目的:基于循环一致性生成对抗网络（CycleGAN）,利用非配对患者盆腔部位数据,实现MRI和CT图像之间的相互转换,并对基于该模型生成的盆腔伪CT（sCT）进行精度和剂量性能的评估。方法:该CycleGAN网络包含两个生成器和两个判别器。先基于全卷积网络（FCNs）构建两个生成器,一个将2D盆腔MRI转换为2D盆腔sCT图像,另一个将CT图像转换为伪MRI（sMRI）图像。再基于FCNs构建两个判别器,用于对真实图像和生成的伪图像进行判别,提升生成图像的质量。为保证sCT图像与MRI图像的一致性,引入归一化互信息作为相似性约束损失项,对模型进行改进。训练集包括35例患者盆腔部位的T1-MRI图像和另外36例患者盆腔部位的CT图像,测试集包括10例盆腔部位患者的MRI和CT图像,评估方法包括sCT与CT图像的误差和放疗剂量伽马通过率。结果:对于测试集中所有病例,生成的sCT与真实CT图像之间的平均绝对误差（MAE）为35.537（±4.537） HU;基于体素的平均剂量差异最大为0.49%;以3%/3 mm、2%/2 mm和1%/1 mm为标准的平均伽马通过率分别高于99%、98%和95%。结论:使用CycleGAN网络和非配对患者训练数据可以生成准确且符合临床剂量精度要求的盆腔部位sCT图像。     

两种自动勾画方法对T3分期鼻咽癌靶区勾画结果对比分析

目的：比较和分析基于常规图谱集(Atlas)自动勾画方法和深度学习自动勾画方法对T₃分期鼻咽癌靶区的勾画结果。方法：回顾性选取本院T₃分期鼻咽癌患者138例,由一名高年资医生在CT上勾画GTV和CTV,勾画结果经另外两名高年资医生审核。建立3D-Unet模型,随机选取110例病例作为训练集,28例病例作为测试集。比较3D-Unet模型与Atlas模型的优劣性。结果：与医生勾画结果相比,3D-Unet模型的GTV和CTV平均勾画结果如下所示,平均表面距离：3.01和1.84 mm,95%豪斯多夫距离：16.05和7.70 mm,Dice相似性系数：0.71和0.83,Jaccard相似性系数：0.56和0.71,精确率：0.70和0.85,召回率：0.76和0.81,各项参数均显著优于Atlas模型(P<0.05)。结论：与Atlas自动勾画技术相比,基于3D-Unet模型的自动勾画方法对鼻咽癌靶区的勾画准确率明显提升。     

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.     

基于完全融合集成网络候选框的肋骨骨折检测方法

目的 提出一种新型的肋骨骨折检测网络Rib-Net，探讨其进行肋骨骨折检测的可行性与准确性，以减少骨折漏诊案例。 方法 采用公开数据集RibFrac Dataset，其数据集划分为训练集（420例）、验证集（80例）及测试集（160例）。Rib-Net由目标检测集成网络ED-Net、完全候选框融合算法（CBF）与分割模型3D Unet构成。首先，集成Retina Unet、UFRCNN+与Mask RCNN组成ED-Net，预测肋骨骨折候选框；其次，设计全新的CBF，融合存在重叠的骨折候选框，生成定位精准、置信度准确的候选框；最后，利用Unet对肋骨骨折进行分割，实现肋骨骨折的进一步精确定位。 结果 在“MICCAI 2020 RibFrac Challenge: Rib Fracture Detection and Classification”挑战赛平台上，Rib-Net检测结果达到了最优成绩，其召回率、无限制接受者操作特性曲线（FROC）值及Dice相似指数分别为92.3%，0.859和0.61。 结论 Rib-Net网络可高效精准地对胸部CT影像进行肋骨骨折检测定位，有效协助医生做出准确诊断。     

基于改进Unet与动态阈值可变FCMSPCNN的医学图像分割

针对深度学习的医学图像分割模型训练时间长和精度不精的问题,提出结合动态阈值可变FCMSPCNN的多尺度上下文编解码结构和注意力机制的CoA Unet(Context Attention Unet)分割方法。首先,使用动态阈值可变的FCMSPCNN预分割出目标矩形区域并使用掩码遮盖背景部分;然后,更深层卷积块加入快捷连接交叉融合不同层次的特征,并通过注意力门突出对目标特征的学习;最后,在编解码器最底层加入改进的多尺度上下文提取器可以更好地提取目标特征信息。模型分别在LiTs和DRIVE数据集上进行验证,肝脏分割指标Miou、Aver＿HD、Aver＿Dice分别为0.890 5、6.369 9、0.947 7,视网膜血管分割指标分别为0.589 2、9.255 9、0.740 9。实验表明,预处理能缩短4.3%～20.33%的训练时间并提升2%～6%分割精度,与其他5种分割方法相比,CoA Unet能取得更好的整体分割性能。     

基于U-net的心脏自动勾画模型的临床应用及改进

目的:拟分析基于不同医院数据的心脏自动勾画模型在临床应用中的适用性及其改进方法。方法:首先,建立基于U-net和Inception模块的心脏自动勾画网络。其次,收集不同治疗中心的患者数据:中国科学技术大学附属第一医院65例（数据1）、MICCAI2019比赛数据50例（数据2）、数据1和2的混合数据（数据3）、郑州大学第一附属医院50例（数据4）和郑州大学第一附属医院100例（数据5）,分别训练得到模型1～5。然后,以郑州大学第一附属医院59例患者作为测试集,使用形状相似性系数（DSC）评估该测试集在不同模型上的分割精度,比较模型之间的差别。最后,将模型3作为心脏预训练模型,采用数据5进行模型再训练,分别测试3组实验（20例/次×5次、10例/次×10次、5例/次×20次）对心脏预训练模型的改进情况。结果:测试集在模型1~5中的平均DSC为0.926、0.932、0.939、0.941和0.950。在再训练过程中,模型在20例/次×5次的实验中表现更稳定。结论:基于不同医院的数据训练模型在心脏自动勾画的临床应用上表现存在差异,使用本地医院数据进行训练的模型预测精度更高。对于非本地数据训练的模型,基于本地数据再训练可以有效提高模型预测的精度,其中以20例/次的再训练方式效果较好。     

体积对自动勾画软件勾画危及器官准确性的影响

【摘要】目的:评价基于人工智能的自动勾画系统（AccuContour自动勾画软件）对危及器官（OAR）勾画的几何准确性,探讨OAR自动勾画的几何准确性是否受OAR体积的影响。方法:选取161例患者,其中头颈部、胸部、盆腔肿瘤患者各40例,腹部肿瘤患者41例。分别采用AccuContour自动勾画软件和手动勾画的方式对晶体、视神经、眼球、垂体、脑干、腮腺、下颌骨、双肺、心脏、双肾、肝脏、直肠、膀胱、股骨头等部位进行勾画。统计各个勾画部位的戴斯相似系数（DSC）、豪斯多夫距离（HD）、Jaccard系数以及体积这4项参数,并使用DSC、Jaccard系数和HD评价自动勾画的几何准确性。对DSC、HD、Jaccard系数与体积进行Spearman相关性分析,并对晶体、视神经、眼球、腮腺、颞颌关节、双肺、双肾、股骨头等成对部位的DSC、HD、Jaccard系数之间进行Wilcoxon配对秩和检验。结果:各个部位的DSC均数均大于0.7;头颈部的Jaccard系数均数为0.557~0.880,其中最低的为右视神经,最高的为下颌骨。头颈部、胸部、盆腔的HD均数分别小于8、22、16 mm;除肝脏（HD=34.563 mm）外,腹部其他部位的HD均数均小于19 mm。DSCall、Jaccardall系数及HDall的大小与体积具有相关性（rDSC=0.757, PDSC=0.000;rJaccard=0.775, PJaccard=0.000;rHD=0.761, PHD=0.000）。晶体、视神经、眼球、垂体、脑干、腮腺、下颌骨、双肺、膀胱、股骨头等部位的DSC和Jaccard系数与OAR体积具有相关性（P<0.05）,HD与体积不具有相关性（P>0.05）。双肺之间的DSC和Jaccard系数差异具有统计学意义（PDSC＝0.000, PJaccard＝0.000）。结论:AccuContour自动勾画软件对于OAR的勾画具有较高的准确性,自动勾画的几何准确性受OAR体积大小的影响。     

Segmentation automatique d’échographies trans-abdominales de prostate pour le recalage d''images

This article presents a method for automatic segmentation of prostate from abdominal freehand ultrasound images. A statistical model of prostate is estimated from a manually delineated images. The segmentation starts by smoothing the image to enhance edges by applying a morphological and adaptive filter which detects individual speckles and remove them, while it preserves valuable details. Then the boundary is initialised starting from the model and the final form is estimated by a simulated annealing optimisation algorithm. The performances of the algorithm were compared with manual segmentation by an expert, the average distance was 3.7 pixels and an overlap surface of 93%.     

一种基于肝分段和肝癌轮廓融合的放疗靶区数据库建立方法

提出一种基于肝分段和肝癌轮廓融合的放疗靶区数据库建立和全过程数据质量管理方法,为后续人工智能靶区勾画或评估当前手工勾画提供数据支持。从肝癌数据库中取出原始图像,分别对其做带有肝脏放疗靶区勾画和分区分段轮廓标注工作,并通过图像融合技术使肝癌的放射治疗精确到肝段,最后使用深度学习的方法训练Unet网络以得到精准肝分割的神经网络模型,以实现针对肝癌的精准放疗。     

Prostate boundary segmentation from 3D ultrasound images

Segmenting, or outlining the prostate boundary is an important task in the management of patients with prostate cancer. In this paper, an algorithm is described for semiautomatic segmentation of the prostate from 3D ultrasound images. The algorithm uses model-based initialization and mesh refinement using an efficient deformable model. Initialization requires the user to select only six points from which the outline of the prostate is estimated using shape information. The estimated outline is then automatically deformed to better fit the prostate boundary. An editing tool allows the user to edit the boundary in problematic regions and then deform the model again to improve the final results. The algorithm requires less than 1 min on a Pentium III 400 MHz PC. The accuracy of the algorithm was assessed by comparing the algorithm results, obtained from both local and global analysis, to the manual segmentations on six prostates. The local difference was mapped on the surface of the algorithm boundary to produce a visual representation. Global error analysis showed that the average difference between manual and algorithm boundaries was -0.20 +/- 0.28 mm, the average absolute difference was 1.19 +/- 0.14 mm, the average maximum difference was 7.01 +/- 1.04 mm, and the average volume difference was 7.16% +/- 3.45%. Variability in manual and algorithm segmentation was also assessed: Visual representations of local variability were generated by mapping variability on the segmentation mesh. The mean variability in manual segmentation was 0.98 mm and in algorithm segmentation was 0.63 mm and the differences of about 51.5% of the points comprising the average algorithm boundary are insignificant (P < or = 0.01) to the manual average boundary.