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.     

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。     

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。     

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。     

一种基于元学习的小样本核磁共振图像分割方法

将深度学习算法应用于核磁共振（MR）图像分割时，必需以大量经标注后图像作为训练集的数据支撑。然而，MR图像的特殊性导致采集大量的图像数据较困难，制作大量的标注数据成本高。为降低MR图像分割对大量标注数据的依赖，本文提出了一种用于小样本MR图像分割的元U型网络(Meta-UNet)，能够利用少量的图像标注数据完成MR图像分割任务，并获得良好的分割结果。其具体操作为：通过引入空洞卷积对U型网络（U-Net）进行改进，增加网络模型感受野从而提高模型对不同尺度目标的灵敏度；通过引入注意力机制提高模型对不同尺度目标的适应性；通过引入元学习机制，并采用复合损失函数对模型训练进行良好的监督和有效的引导。本文利用提出的Meta-UNet模型，在不同分割任务上进行训练，然后用训练好的模型在全新的分割任务上进行评估，实现了目标图像的高精度分割。新的分割方法比起常用的无监督医学图像配准分割方法——体素变形网络（VoxelMorph）、数据增强医学图像分割方法——转换学习数据增强模型（DataAug）和基于标签转移的医学图像分割方法——标签转移网络（LT-Net）三种模型平均戴斯相似性系数（DSC）有一定提高...     

融合Transformer和卷积的结直肠息肉分割算法

结直肠息肉大小不一、形态各异,特别是边界模糊导致难以准确定位,小尺寸息肉容易漏检,使得息肉分割存在较大的挑战。针对以上问题,提出一种融合Transformer和卷积的息肉分割算法。首先使用Transformer提取图像全局特征,保证网络全局建模的能力,提高息肉主体区域和模糊边界的定位能力。然后,引入卷积加强网络对息肉细节的处理能力,细化边界分割效果,提高小尺寸息肉捕获能力。最后,将Transformer和卷积提取的特征进行深度融合,实现特征互补。将该算法在CVC-ClinicDB和Kvasir-SEG数据集上进行实验,其相似性系数分别为95.4%和93.2%,平均交并比分别为91.3%和88.6%。进一步在CVC-ColonDB、CVC-T和ETIS数据集上测试泛化能力,其相似性系数分别为81.3%、90.9%和80.1%。结果表明,所提算法在息肉分割的准确度上有较大的提升。     

基于Group-Depth U-Net的电子显微图像中神经元结构分割

针对电子显微（EM）成像存在边界有损、模糊不均匀以及神经元结构本身轮廓纹理复杂难以定位的问题，提出一种深层卷积神经网络模型Group-Depth U-Net，以实现EM图像中神经元结构的自动分割。该模型采用更加深层的U-Net架构作为骨架网络，以获取更加丰富的图像特征信息；同时采用分组卷积网络结构，使模型更加高效、防止过拟合，从而提高分割的准确性与效率。公开的数据集实验表明该模型相比U-Net达到了更好的分割准确率。     

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。     

基于边缘强化的Unet-TIC模型对前列腺自动勾画研究

目的：通过图像边缘强化以及改进Unet深度学习网络结构提高前列腺自动分割的准确性。方法：随机选取我院50例检查者前列腺核磁扫描图像,以及MICCAI Grand Challenge数据库50例前列腺图像,其中81例作为训练集,10例作为验证集,9例作为测试集。通过旋转不变性相干增强扩散滤波方法（CED-ORI）对图像进行边缘强化,建立双输入收缩路径结构的Unet-Two Input Channel(Unet-TIC)并行提取原始和CED-ORI图像特征,共享一条扩张路径,并通过跳跃连接突出CED-ORI边缘强化的有效特征,获取更多信息增加上采样分辨率。采用Accuracy、Mean DSC、Median DSC、ASD、MSD、RVD 6个指标对Unet、Unet-c和Unet-TIC 3种方法进行评估。结果：Unet-c和Unet-TIC评估指标表现均明显优于Unet,其中表现最好的Unet-TIC相较于Unet,Accuracy提高1.87%,Mean DSC提高1.81%,Median DSC提高1.21%,ASD降低0.32 mm,MSD降低1.63 mm,RVD降低4.64%...     

融合多尺度信息的肺结节自动检测算法

肺结节是早期肺癌的主要表现形式,准确检测肺结节对肺癌的早期诊断和治疗具有重要意义。然而,由于肺部计算机断层扫描(CT)图像背景复杂、检测范围大,且肺结节大小不一、形态各异,所以快速准确检测肺结节是一项极具挑战的工作。为此,本文提出了一种融合多尺度特征的肺结节自动检测算法,实现了肺结节的准确检测。首先,在用于大规模图像识别的深度卷积网络(VGG16)上设计了具有三层模块结构的肺结节检测模型,利用网络第一层模块提取CT图像中肺结节特征并粗略地估计肺结节位置;然后利用网络第二层模块融合多尺度的图像特征信息进一步增强肺结节细节特征;而网络第三层模块融合分析第一层和第二层模块的特征,得到多尺度下肺结节候选框;最后利用非极大值抑制方法对多尺度下肺结节候选框进行概率分析,得到最终的肺结节位置。本文应用肺部影像数据库联盟(LIDC)公共数据集上的肺结节数据对所提算法进行了验证,平均检测精度达到90.9%。本研究成果可应用于肺结节自动筛查系统,有助于提升肺结节筛查精度。     

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。     

Time-frequency analysis to detect bone fracture in impact biomechanics. Application to the thorax

Experimental testing is a major source of data to quantify the tolerance of the human body to impact and to develop protection strategies. Correlating the time of rib fractures with the kinematics of the occupant and the action of safety systems would provide valuable data for assessing safety systems and developing injury risk functions. However, methods for determining rib fractures timing are not yet fully developed. Time-history analysis of data from multiple strain gauges mounted directly to ribs is commonly used for this purpose, but this method is not very sensitive and the time and cost required to instrument the rib cage with more than 100 strain gauges is prohibitive for many applications. In this study a new approach based on time-scale analysis of signals obtained from piezoelectric transducers (PZT) is reported. A post-mortem human subject was instrumented with four PZT on ribs 3 and 7 bilaterally and exposed to lateral blunt impacts to the shoulder and the chest. The fractures were documented after each test, and a criterion was developed to process the PZT signals. The criterion consists in detecting in the PZT signal the onset of a high frequency transient generated by the fracture of a rib using the continuous wavelet transform. Two thresholds were successfully determined to detect fractures that occurred (1) on an instrumented rib, and (2) on the adjacent rib. Further development of this method should allow the detection of all rib fractures using only a few PZT.     

双源CT结合多平面重建与容积再现三维重建技术评价肋骨骨折

背景：依靠胸部摄片诊断肋骨骨折常导致误诊和漏诊。 目的：分析双源CT结合三维重建技术在肋骨骨折中的应用价值。 方法：使用双源CT对65例肋骨骨折患者进行薄层扫描,将数据发送至工作站行多平面重建、容积再现技术,得到肋骨骨折高清晰度的三维图像后,从不同角度观察骨折线走行、骨折移位及成角情况。 结果与结论：双源CT结合三维重建图像清晰显示65例患者286根骨折,其中52例保守治疗,其余13例行切开复位、内固定治疗。制定手术方案时均参考了三维重建图像,所显示的骨折部位、移位、成角等情况与术中所见一致。提示双源CT能明确诊断肋骨骨折,多平面重建和容积再现技术互相补充对诊断肋骨骨折及指导治疗方案有明显的优势。     

融合感受野模块的卷积神经网络视杯视盘联合分割

青光眼是世界第一大不可逆致盲性眼病,早期诊断和及时治疗是预防青光眼致盲的有效措施。眼底图像中的杯盘比是青光眼早期筛查与临床诊断的重要指标。因此,精确的视杯视盘分割是准确计算杯盘比并提高青光眼计算机辅助诊断技术的关键。针对这一问题,在对眼底图像进行极坐标变换的基础上,提出一种融合感受野模块的卷积神经网络Seg-RFNet,以实现视杯视盘联合分割。Seg-RFNet以SegNet框架为基础,使用ResNet50作为编码层,增强图像的特征提取能力,并对编码层进行分支处理,进一步获得更多的深层语义信息;同时在编码层和解码层之间加入感受野模块,模拟人类视觉系统,在增大感受野的同时增强了有用特征的响应。使用MICCAI 2018公开数据集REFUGE中的800张眼底图像对所提出方法与其他方法进行性能验证和比较。结果表明,Seg-RFNet分割视杯和视盘的Jaccard相似度分别0.951 5和0.872 0,F分数达到了0.974 9和0.930 1,与常用的U-Net、SegNet 网络相比,Seg-RFNet具有更好的视杯视盘联合分割精度,为计算杯盘比提供了精确分割基础。     

四孔螺钉肋骨接骨板治疗多发性肋骨骨折的力学分析

目的分析自主设计开发的新型四孔螺钉肋骨接骨板在治疗多发性肋骨骨折中的力学特性并验证其临床疗效。方法使用有限元方法,分析四孔螺钉肋骨接骨板固定后断骨的最大位移与骨折断面间隙,并与目前临床常用的六爪肋骨接骨板的固定效果进行对比,最后回顾临床数据验证其治疗多发性肋骨骨折的临床疗效。结果有限元分析结果表明,使用四孔螺钉肋骨接骨板固定后,断骨的最大位移降低,断面间隙缩小,固定效果优于六爪肋骨接骨板。但螺钉孔处存在应力集中,可能会损伤皮质骨。回顾分析复旦大学附属浦东医院30例使用四孔螺钉肋骨接骨板治疗多发性肋骨骨折的临床资料,术后患者胸痛症状明显减轻,呼吸恢复顺畅,术后CT显示骨折复位良好,验证了四孔螺钉肋骨接骨板的临床疗效。结论四孔螺钉肋骨接骨板对断骨固定良好,且对于大曲率肋骨的骨折情形适用性强,适用于治疗多发性肋骨骨折。     

流式细胞术在外周血嗜酸性粒细胞及其相关分子检测中的应用

目的 :应用流式细胞术 ,建立一种准确、外周血嗜酸性细胞及其相关分子的快速测定方法。方法 :采集正常人外周血 ,用茶碱 (10 -4mol/L)、地塞米松 (10 -4mol/L)和rhIL 5 (10 -8mol/L)预处理 ,用抗CD16 PEmAb与FITC标记的抗相关细胞分子的进行双标记染色 ,并以CD16 FL2辅助设门 ,准确找到嗜酸性粒细胞群 ,然后对其相关分子进行分析。结果 :嗜酸性粒细胞定位准确 ,茶碱和地塞米松能够抑制IL 5引起的Eos的活化并使其表面的CD6 2L脱落。结论 :应用流式细胞术与二色荧光mAbCD16 PE阴性细胞法设门 ,可准确快速地检测外周血中嗜酸性粒细胞及分子的表达率 ,血液用样量小 ,人为影响因素少 ,是免疫学基础研究和临床检验较理想的测定方法。     

基于条件生成对抗网络的三维肝脏及肿瘤区域自动分割

肝脏计算机断层扫描成像(CT)的三维(3D)肝脏和肿瘤分割对于辅助医生的诊断及预后具有非常重要的临床价值。为了准确快速地分割肝脏及肿瘤区域,本文提出了一种基于条件生成对抗网络(cGAN)的肿瘤3D条件生成对抗分割网络(T3scGAN),同时采用了一个由粗到细的3D自动分割框架对肝脏及肿瘤区域实施精准分割。本文采用2017年肝脏和肿瘤分割挑战赛(LiTS)公开数据集中的130个病例进行训练、验证和测试T3scGAN模型。最终3D肝脏区域分割的验证集和测试集的平均戴斯(Dice)系数分别为0.963和0.961,而3D肿瘤区域分割的验证集和测试集的平均Dice系数分别为0.819和0.796。实验结果表明,提出的T3scGAN模型能够有效地分割3D肝脏及其肿瘤区域,因此能够更好地辅助医生进行肝脏肿瘤的精准诊断和治疗。     

Rib fracture timing in dynamic belt tests with human cadavers

The purpose of this article is to present data from dynamic belt loading tests on the thorax of human cadavers where the exact timing of all rib fractures is known. To quantify rib fracture timing, a total of 47 strain gages were placed throughout the thorax of two human cadavers (one male, one female). To simulate thoracic loading observed in a severe car crash, a custom table-top belt loading device was developed. The belt loading pulse was configured to result in approximately 40% chest compression during a 150 ms load and unload cycle. The time histories of each strain gage were analyzed to determine the time of each rib fracture which was then directly compared with the reaction loads and chest displacements at that exact time, thereby creating a noncensored data set. In both cadavers, all rib fractures occurred within the first 35% compression of the thorax. As a general trend, fractures on the left side of the thorax, where the passenger belt passed over the abdomen, occurred first followed by fractures to the upper ribs on the right side of the thorax. By utilizing this technique, the exact timing of each injury level can be characterized relative to the mechanical parameters. For example, using rib fractures as the parameter for Abbreviated Injury Scale (AIS) scores in the female test, it was shown that AIS 1 injury occurred at a chest compression of 21.1%, AIS 2 at 21.6%, AIS 3 at 22.0%, and AIS 4 at 33.3%.