基于2.5D级联卷积神经网络的CT图像胰腺分割方法

目的:由于胰腺体积小、形态个体差异性大，影像上的准确分割较为困难。本文提出一种基于2.5D级联卷积神经网络的CT图像胰腺分割方法。方法:实验中使用的数据为NIH胰腺分割公开数据集，共包含82例腹部CT图像，随机选取其中56、9、17例分别作为训练集、验证集和测试集；训练过程中使用旋转、拉伸、平移、裁剪等操作对数据进行扩增。实验中提出一种用于胰腺分割的、结合概率图的2.5D级联深度监督UNet，即CSNet（Cascading deep Supervision UNet）。该网络由3个部分组成:第1部分基于UNet，输入连续5层图像，输出中间3层对应的粗分割图像，设置适当的阈值，使其变成二值的粗分割结果；第2部分将第1层、第3层的粗分割结果与中间层的原始图像相结合，输入另一个深度监督UNet网络，得到中间层的精细分割；第3部分将第1部分网络输出的中间层的粗分割概率图与第2部分网络输出的细分割概率图通过1×1卷积进行概率融合得到最终的输出结果。3个子网络同时进行训练，对应的能量函数联合优化，从而得到更精准的分割结果。最后，使用DSC对分割结果进行评估。结果:在独立测试集上，CSNet实现了（83.74±5.27）%的DSC值。结论:CSNet可以准确分割出CT图像上的胰腺区域。     

基于三维U-NET深度卷积神经网络的头颈部危及器官的自动勾画

勾画危及器官是放射治疗中的重要环节。目前人工勾画的方式依赖于医生的知识和经验,非常耗时且难以保证勾画准确性、一致性和重复性。为此,本研究提出一种深度卷积神经网络,用于头颈部危及器官的自动和精确勾画。研究回顾了496例鼻咽癌患者数据,随机选择376例用于训练集,60例用于验证集,60例作为测试集。使用三维(3D)U-NET深度卷积神经网络结构,结合Dice Loss和Generalized Dice Loss两种损失函数训练头颈部危及器官自动勾画深度卷积神经网络模型,评估参数为Dice相似性系数和Jaccard距离。19种危及器官Dice相似性指数平均达到0.91,Jaccard距离平均值为0.15。研究结果显示基于3D U-NET深度卷积神经网络结合Dice损失函数可以较好地应用于头颈部危及器官的自动勾画。     

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。     

基于级联式深度网络模型的胃及胰腺自动分割研究

目的:旨在研究自主创新设计的级联式深度卷积神经网络VB-Net在胃和胰腺上的自动分割精度及效率。方法:回顾分析150例胰腺癌患者临床资料,随机选取132例非增强CT数据和其中116例胰腺期增强CT以及结构数据进行胃及胰腺的分割模型训练。对剩余18例患者的非增强CT和胰腺期增强CT给予模型测试,使用戴斯相似性系数量化分析模型的分割精度,同时评估其分割效率。结果:基于非增强CT的胃、胰腺的自动分割平均DSC值分别为87.93%、80.05%;基于胰腺期增强CT的胃、胰腺自动分割平均DSC值分别为89.71%、84.79%。胃及胰腺的自动分割平均时间为1.22、0.84 s,手动分割平均时间为158.70、115.52 s。结论:基于VB-Net的胃及胰腺自动分割模型测试结果较为准确,且极大提高了器官分割的效率。     

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。     

基于W-Net的肝静脉和肝门静脉全自动分割

基于术前CT影像的肝静脉和肝门静脉分割对于进行肝脏分段具有重要的临床价值。但在肝脏的静脉期CT影像中,肝静脉和肝门静脉的灰度差异很小,血管结构也错综复杂,因此自动提取三维的肝静脉和肝门静脉一直是个难题。为解决此难题,提出一种基于卷积神经网络(convolutional neural network,CNN)的网络结构W-Net。该结构利用肝静脉和肝门静脉在三维结构上的差异,为全部肝血管和门静脉的提取分别设置损失函数,通过优化两个损失函数的加权和,自动学习全部肝血管和门静脉的三维结构特征,使全部肝血管和肝门静脉均达到优化的提取效果,两者相减即可得到肝静脉。采用公开数据集3Dircadb01中的10组延迟期腹部CT影像用于网络模型构建,另外10组用于测试。结果显示,肝区全部血管Dice系数达到0.715,准确率达到0.970;肝静脉Dice系数达到0.597,准确率达到0.984;肝门静脉Dice系数达到0.608,准确率达到0.970。通过10组临床数据进行测试,所构建的网络均能将肝静脉和肝门静脉有效地分割开。实验结果表明,所提出的方法具有较好的特征提取能力及泛化能力,在公开数据和临床数据中都有较好的表现。     

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%。     

基于卷积神经网络和Transformer的肝脏CT图像分割方法

针对现有的卷积神经网络在肝脏图像分割上精度较低的问题,提出了一种以U-Net网络模型为基础的分割算法。将多头自注意力机制引入到U-Net网络的跳跃连接中,在编码器部分使用空洞卷积,采用混合损失函数从而提高分割精度。在LITS数据集上通过实验结果表明,利用本文方法进行肝脏分割与传统U-Net方法相比Dice系数提升3.3%,平均交并比提升了2.4%,平均像素准确率提升了3.66%。     

基于卷积神经网络和图像显著性的心脏CT图像分割

目的心脏医学影像中,感兴趣部分的提取与分割是诊断心脏病变部位的关键。由于心脏舒张、收缩以及血液的流动,心脏CT图像易出现弱边界、伪影,传统分割算法易产生过度分割的情况。为此,提出一种基于卷积神经网络和图像显著性的心脏CT图像分割方法。方法采用卷积神经网络对目标区域进行定位,滤除肋骨、肌肉等造影对比不明显部分,截取出感兴趣区域,结合感兴趣区域的对比度计算并提高感兴趣区域的心脏组织的显著值。通过获得的显著值图像截取心脏图像,并与区域生长算法的分割结果进行对比。最后使用泰州人民医院11例患者的影像数据对算法模型进行训练和测试,随机选择9例用于训练,剩余2例用于测试。结果所提算法模型在心底、心中、心尖3个心脏分段的分割正确率分别达到了92.79%、92.79%、94.11%,均优于基于区域生长的分割方法。结论基于卷积神经网络和图像显著性的分割方法能够准确获取心脏的外围轮廓,轮廓边缘更加平滑,完全能够满足CT图像序列的心脏全自动分割任务需求,分割后的图像更有利于医生对患者心脏健康状况和病变部位的观察。     

卷积神经网络在医学图像分割中的研究进展

卷积神经网络（CNN）是目前计算机视觉和模式识别中效果最为突出的算法。CNN拥有强大的空间识别能力,可以从图像中提取高阶的空间特征,同时通过共用卷积核的方式大幅减少参数量,从而在提升网络性能的同时保持总参数量在一个合理的、可运算的范畴。部分采用无监督学习的CNN算法可以在没有先验知识的条件下实现一定程度的图像语义分割,大幅减少人工读图的负担。本研究就CNN在医学图像分割中的研究进展和使用CNN时的具体技巧及其效果进行综述。以使用CNN为核心的深度学习工具解决医学图像分割的课题为中心,展示了CNN在有监督学习、半监督学习及无监督学习中的巨大潜力,分析比较了现有方案的优点与不足,探讨了未来CNN在医学图像领域的前进方向。     

基于3D卷积网络和多模态MRI的脑胶质瘤自动分割

目的:基于三维（3D）卷积神经网络和多模态MRI实现脑胶质瘤的自动分割。方法:首先对来自BraTS2020公共数据集的369例脑胶质瘤的4个模态MRI数据进行3D剪裁、重采样、去伪影、归一化的预处理。其次将MRI数据和脑胶质瘤标注信息输入到基于U-net的3D卷积神经网络模型进行训练和测试。利用相似性系数、召回率和精确率评价整体肿瘤区域、核心肿瘤区和增强肿瘤区的分割结果。结果:在74例测试数据集上,整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的相似系数平均值分别为0.88、0.77和0.73,中位值分别为0.90、0.84和0.81,召回率平均值分别为0.88、0.78和0.78,中位值分别为0.90、0.84和0.84,精确率平均值分别为0.89、0.83和0.75,中位值分别为0.91、0.89和0.79。结论:基于U-net的3D卷积神经网络在多模态MRI数据集上获得了较好的分割结果,显示其在脑胶质瘤自动分割方面的潜力,可为临床诊断分级和治疗策略选择提供参考。     

基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。