基于深度学习的磁共振液体衰减反转恢复序列图像合成方法

磁共振能够获得不同对比度的多模态图像,为临床诊断提供了丰富的信息。但是常常由于患者难以配合或扫描条件限制造成某些对比度图像没有被扫描或者获得的图像质量不能达到诊断要求。图像合成技术是弥补这种图像缺失的一种方法。近年来,深度学习在磁共振图像合成领域得到了广泛应用。本文提出了一种基于多模态融合的合成网络,首先利用特征编码器将多个单模态图像分别进行特征编码后,再通过特征融合模块将不同模态图像特征进行融合,最终生成目标模态图像。通过引入基于图像域和K空间域的动态加权组合损失函数,改进了网络中目标图像与预测图像的相似性度量方法。经实验验证并定量比较,本文提出的多模态融合深度学习网络可以有效合成高质量的磁共振液体衰减反转恢复（FLAIR）序列图像。综上,本文提出的方法可以减少患者的磁共振扫描时间,以及解决FLAIR图像缺失或图像质量难以满足诊断要求的临床问题。     

基于多模态特征融合的脑瘤图像分割方法

针对目前大多数医学图像分割方法难以对多模态图像进行特征融合进而完成精确分割任务的问题,提出一种基于编码器-解码器总体架构的多模态脑瘤图像特征融合策略。首先,编码阶段利用孪生网络对不同模态数据进行特征提取,孪生网络结构参数和权值共享的特性可有效减少网络参数量;其次,在进行特征提取的编码阶段加入级间融合,保留不同模态的共性特征的同时强调其互补特征;然后,在解码阶段引入密集跳跃连接思想,最大程度结合不同尺度特征图的低级细节和高级语义信息;最后,设计混合损失函数,在网络生成的预测图受真值图监督的同时让最高级特征融合图也受同倍下采样真值图的监督。所提方法在公开数据集BraTS2019上进行实验,并用图像分割常用的5种指标进行评估。在脑瘤及水肿区域分割任务中得到平均Dice系数为0.884,阳性预测率为0.870,灵敏度为0.898,豪斯多夫距离为3.917,平均交并比达到79.1%,与较先进的算法U-Net和PA-Net相比多项指标均有提升。实验结果说明,级间融合和层间跳跃连接的加入对多模态医学图像的分割效果有所提升,在医学上对脑肿瘤磁共振图像进行病变区域分割具有重要的应用价值和理论意义。     

基于Cascade Rcnn的超声甲状腺结节检测研究

甲状腺超声图像由于对比度低、边缘不清晰、高噪声和周围组织复杂难辨等问题,给医生诊断甲状腺疾病造成困难。针对此问题,采用Cascade Rcnn目标检测算法,分别以ResNet50、Resnet101以及融合压缩激励注意力模块SE-ResNet50、SE-ReNet101为主干网络,对从某三甲医院获取的1 513例 (其中良性结节832例,恶性结节681例)甲状腺超声图像,在专业超声科医生的指导下进行预处理 ,制作本次实验使用的标准coco格式数据集。采用迁移学习的方式将从Imagenet大型数据库上预训练得到的权重迁移到本次实验模型结构中,经过4个主干网络的实验结果对比,以SE-ResNet101为主干网络的Cascade Rcnn算法,在结节定位和判别方面,实现了精确率92.4%,召回率86.2%,特异性95.1%,F1值89.2%,mAP值82.4%的检测效果,对辅助医生进行甲状腺超声图像的诊断具有一定的临床指导意义。     

基于深度学习的医学图像分割研究进展

医学图像分割是医学图像定量分析的关键步骤之一,因此病灶分割对临床诊断有重要意义。针对传统分割方法中存在的过多依赖医学领域的先验知识和人为评估错误等问题,提出了基于深度学习的病灶分割方法。本文总结了卷积神经网络算法应用于医学图像病灶分割的研究进展。首先,论述卷积神经网络的基本结构及其常用架构;其次介绍深度学习在医学图像病灶分割中的应用,其中包括肺结节的检测和分类,脑肿瘤分割和乳腺病灶的分割;最后,分析了目前该研究中存在的优缺点并对深度学习的发展方向进行展望。     

基于深度学习的颈动脉超声图像内中膜厚度测量

目的 颈动脉血管内中膜厚度(IMT)是衡量动脉粥样硬化程度的重要标准.一般采用人工标定进行测量,该过程耗时且繁琐,由此提出一种总体性能较好的全自动分割(AS)算法.方法 该算法首先利用卷积神经网络(CNN)识别出颈动脉血管远端,进而提取包含颈动脉内膜、中膜部分的感兴趣区域(ROI).采用基于堆栈式自编码器(SAE)构造的模式分类器将ROI中的像素进行分类.最后利用分类区域的面积信息和位置信息对分类结果进行甄别,运用曲线拟合提取边界完成测量任务.结果 针对本研究所用图像库中的84幅颈动脉超声图像进行实验,金标准(GT)由两名专家4次测量的平均值产生,其与AS之间的绝对误差和标准差为(13.3±20.5) μm,协方差系数为0.990 7.结论 实验结果表明,此算法总体性能较好,能够实现超声颈动脉血管内中膜全自动、快速、准确分割,从而满足临床需要.     

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。     

基于并行注意力机制和深度神经网络的高质量远聚焦波超声图像重建

获得高质量的超声图像,通常需要做多次超声波的聚焦发射,为提高成像帧率而减少发射次数会降低成像质量.为解决该问题,本研究基于深度学习算法,使用Unet辅以并行注意力机制重建高质量远聚焦波超声图像.该方法最少能以16次聚焦发射的回波数据重建出原128次发射才能得到的高质量图像.本研究结合超声数据的特点,使用三维数据体作为输...     

基于深度学习的甲状腺癌病理图像分级方法

针对日益增长的甲状腺癌早期诊断的需求,基于深度学习方法,在EfficientNet网络的基础上结合CA注意力机制,进行甲状腺癌病理图像自动分级方法研究。实验结果显示,CA-EfficientNet网络模型的精确率达到96.6%,证明了基于CA-EfficientNet网络的甲状腺癌病理图像自动分级算法的先进性,基于该算法实现的自动辅助诊断系统具有实际应用性,可有效降低病理医生工作负担,并降低因疲劳等主观因素造成的人工诊断误诊率。     

融合感知损失的深度学习在常规MR图像转换的研究

目的:研究在完全无监督的条件下深度神经网络实现常规磁共振图像间相互转换的可行性。方法:在循环生成式对抗网络(CycleGAN)中引入感知损失,使网络利用对抗损失学习图像结构信息的同时,结合循环一致性损失和感知损失生成高质量的磁共振图像,并将生成图像与CycleGAN模型以及有监督的CycleGAN模型(S_CycleGAN)生成的图像进行定量比较。结果:引入感知损失后的网络生成的图像定量评估值均高于CycleGAN模型生成的图像,生成的T1加权图像(T1WI)的定量评估值也均高于S_CycleGAN模型生成的T1WI,生成的T2加权图像(T2WI)与S_CycleGAN模型生成的T2WI的定量评估值相似。结论:在CycleGAN中引入感知损失,可以在完全无监督的条件下生成高质量的磁共振图像,进而实现高质量的常规磁共振图像的相互转换。     

基于深度学习的七类病毒电镜图像自动识别

目的应用深度学习进行病毒电镜图像的分类,通过多种模型性能的比较,提供适用于病毒电镜图像分类的网络模型,提供病毒电镜图像识别的辅助与支持,减少研究人员的劳动强度和分析时间。方法通过加深网络深度、调整学习率和批量大小等参数,使用AlexNet、VGG、ResNet、DenseNet、SqueezeNet、MobileNet、ShuffleNet多种经典的卷积神经网络对七种病毒电镜图像进行分类。结果DenseNet169以91.9%的准确率、90.1%的敏感度和98.6%的特异度取得了模型最佳性能。其中,模型对细小病毒的识别效果最好,乳头瘤病毒、疱疹病毒、痘病毒和轮状病毒的精确率、敏感度、特异度和F1值均在90%以上,甚至接近100%。同时,轻量级网络ShuffleNet的性能以更少的参数量和浮点次数超越了深度网络AlexNet和VGG,并能够以比ResNet少约15倍的参数量和90余倍的浮点运算次数取得与之相当的结果;与DenseNet相比,孙世丁通过牺牲可接受范围内的识别性能换取了比其少约10倍的参数量和80余倍的浮点运算次数。结论深度网络DenseNet169能够以最佳性能实现病毒电镜图像的自动识别,轻量网络ShuffleNet_v2_x0_5能够以更少的参数量和浮点运算次数实现次优性能,在实际应用中可结合具体情况在深度网络和轻量级网络之间进行取舍。     

基于深度学习的胎儿颜面部超声标准切面自动识别

在常规胎儿超声诊断过程中,精确识别出胎儿颜面部超声标准切面(FFSP)至关重要。传统方法是由医生进行主观评估,这种人工评判的方式不仅耗费时间精力,而且严重依赖操作者经验,所以结果往往不可靠。因此,临床超声诊断亟需一种FFSP自动识别方法。提出使用深度卷积网络识别FFSP,同时还分析不同深度的网络对于FFSP的识别性能。对于这些网络模型,采用不同的训练方式:随机初始化网络参数和基于ImageNet预训练基础网络的迁移学习。在研究中,数据采集的是孕周20~36周胎儿颜面部超声图像。训练集包括1 037张标准切面图像(轴状切面375张,冠状切面257张,矢状切面405张)以及3 812张非标准切面图像,共计4 849张;测试集包括792张标准切面图像和1 626张非标准切面图像,共计2 418张。最后测试集实验结果显示,迁移学习的方法使得网络识别结果增加9.29%, 同时当网络结构由8层增加至16层时,分类结果提升3.17%,深度网络对于FFSP分类最高正确率为94.5%,相比之前研究方法的最好结果提升3.66%,表明深度卷积网络能够有效地检测出FFSP,为临床自动FFSP检测方法打下研究基础。     

基于多模态磁共振图像的直肠癌TN分期方法研究进展

直肠癌是我国常见的消化道恶性肿瘤之一,准确、合理地评估直肠癌术前分期可以显著提升治疗效果,改善患者预后。磁共振成像是直肠癌局部分期的首选技术,在直肠原发肿瘤(T)和肠周淋巴结(N)的诊断上具有显著优势。围绕多模态磁共振图像,综述了传统影像组学和深度学习方法在直肠癌术前TN分期预测方面的研究思路和进展,以期为实现全自动的直肠癌TN分期算法提供新的思路。     

甲状腺疾病的病理诊断

甲状腺疾病是常见病多发病,在我们的日常工作中,几乎每天都有甲状腺切除标本。因此我室对甲状腺标本的观察和病理诊断形成了一些常规。现介绍如下,以供参考。1 甲状腺标本检查常规     

基于血管匹配的三维超声与CT图像的配准方法

提出一种基于血管匹配的三维超声与CT图像配准的新方法.首先,基于水平集方法自动分割出CT图像中的血管;其次,由于超声图像中的声影与血管均属于低回声区域,我们结合声影形成的物理原理及图像纹理特性,自动检测出声影区域,以提高配准的鲁棒性;最后,采用进化算法,将CT图像中分割出的血管与超声图像中低回声区域进行匹配.在肝脏体模和临床脾脏数据上进行了实验验证,自动配准的成功率在95％以上,平均目标配准误差在2 mm以内,实验结果验证了本方法的可行性.     

基于Transformer的血管内超声图像分割方法

目的 提出一种基于Transformer的血管内超声图像分割方法,以解决冠状动脉钙化病变血管内超声图像显影不完全导致的分割管腔、外弹力膜和钙化斑块精度不高的问题。方法 采用深度学习方法,在UNet结构的基础上用多分辨率卷积层提取不同大小类别特征,在特征编码模块与特征解码模块之间使用Transformer联系上下文信息,同时分割管腔、外弹力膜和钙化斑块。最后以34个40 MHz血管内超声序列得到的720张训练集和240张测试集为例对上述方法进行训练和测试。结果 外弹力膜分割杰卡德系数（Jaccard index,JI）为0.92,豪斯多夫距离（Hausdorff distance,HD）为0.84 mm;管腔分割JI为0.85, HD为1.44 mm;钙化斑块分割JI为0.67, HD为0.68 mm。结论 该方法能够提升血管内超声图像的分割精度,并且在钙化病变血管显影不完全时能够保持分割效果。     

基于深度学习的轴突三维图像分割与重构

目的:设计适用于神经轴突荧光显微图像三维分割任务的深度神经网络(DNN),提高神经轴突自动重构的准确性。方法:将三维图像分割任务转化为在3个正交投影方向上的二维分割任务,在开源网络DeepMACT的基础上,利用多通道输入降低压缩维度上的信息损失,利用神经轴突骨架加权的损失函数训练以强调神经骨架连贯性,提出SWCUnet。采用转盘共聚焦荧光显微成像采集的小鼠大脑稀疏标记神经元神经轴突部分49个图块作为数据集,以人工标注的形态重构结果作为金标准训练网络。对网络模型输出的二维分割图像进行三维复原,并以三维分割结果输入MOST算法进行自动重构。结果:SWCUnet (32通道,骨架权重5)三维分割F1-score达到0.662,较DeepMACT提升0.132。基于三维分割结果的自动重构F1-score达到0.80,比基于原图的自动重构提升0.24。结论:SWCUnet可以较好地提取高分辨荧光显微图像中的神经轴突特征,输出的三维分割结果实现了大幅提升神经轴突骨架形态的自动重构准确率的目标,为小鼠大脑稀疏标记神经元全脑成像数据的大规模自动化重构提供了一种新工具。     

超声显像对甲状腺结节性疾病的诊断进展

目的:探讨超声显像对甲状腺结节性疾病的诊断价值及其进展.方法:查阅最近国内外关于超声诊断甲状腺结节性疾病的有关文献,进行总结归类.结果:超声显像可以用不同的检查方法及相关新技术(如弹性成像、超声造影等)来诊断甲状腺结节性疾病,并能够鉴别其良、恶性,显示其周围淋巴结,从而为临床及时处置提供决策信息.结论:超声显像能够早期并较好地鉴别诊断甲状腺结节性疾病,值得临床上进一步深入研究和推广.     

深度学习在细胞图像分析中的应用进展

随着显微技术的不断发展,显微镜已克服人眼的局限性成为研究细胞生物学必不可少的工具。近年来,显微技术在速度、规模以及分辨率等方面都有了巨大的进步。深度学习在图像处理尤其是细胞图像处理中的应用受到广泛关注。本文针对深度学习在细胞图像分析中常用的算法进行介绍,并对近几年深度学习在细胞图像处理中的应用进行详细论述,包括图像分类、图像分割、目标跟踪、图像超分辨重建4个方面。最后展望了深度学习在细胞图像分析中的机遇和挑战。