基于U型稠密特征融合的皮肤病灶分割

皮肤病灶图像分割可作为医学相关类疾病辅助诊断的重要依据。针对皮肤病灶区域结构复杂和尺度信息参差错落的特点,提出一种基于U型稠密特征融合的皮肤病灶分割方法。编码器利用稠密网络结构和空洞空间金字塔池化充分提取特征与融合,由稠密空间注意力模块与深度可分离卷积解码深层特征,防止病灶区域周围噪声干扰,同时引入融合压缩注意力模块进一步提高分割性能,通过二值交叉熵与Jaccard系数结合的损失函数优化。在ISBI 2016皮肤病灶数据集进行仿真评估,Jaccard相似度和Dice系数分别达到86.87%和92.98%,有助于提高皮肤病灶诊断效率。     

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。     

一种提高直肠癌诊断精度的基于U型网络和残差块的电子计算机断层扫描图像分割算法EI北大核心CSCD

作为确定病灶与诊断的重要基础,医学图像分割已成为生物医学领域中极其重要的热门研究领域之一,其中基于全卷积神经网络和U型网络(U-net)等神经网络的医学图像分割算法得到越来越多研究人员的重视。目前,医学图像分割算法应用于直肠癌诊断的研究报道较少,且已有的研究对直肠癌的分割结果精度不高。本文提出了一种结合图像裁剪和预处理方法的编码—解码卷积网络模型。该模型在U型网络的基础上,借鉴残差网络思想,用残差块代替传统的卷积块,有效避免了梯度消失的问题。此外,本文还采用了图像增广的方法提高了所提模型的泛化能力,并在"泰迪杯"数据挖掘挑战赛所提供的数据集进行测试。测试结果表明,本文提出的基于残差块的改进U型网络模型结合图像裁剪预处理,可以大大提高直肠癌的分割精度,得到的戴斯系数在验证集上达到0.97。     

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。     

基于空洞空间金字塔池化的U-Net网络在肺部图像分割上的应用

目的：胸部X线图像中肺野的自动分割是相关疾病筛查和诊断的关键步骤,为了适应计算机辅助诊断系统的要求,提出一种基于空洞空间金字塔池化的U-Net网络对胸部X线图像中肺野进行自动分割。方法：在编码和解码之间引入带有空洞卷积的空间金字塔池化用于扩大接受域;同时,在多个尺度上获取图像上下文信息,用于从胸片中分割肺野,使用Montgomery数据集及深圳数据集进行验证。根据医学图像分割常用指标准确性、Dice相似系数及交并比评价基于空洞空间金字塔池化的U-Net网络分割肺野的性能。结果：验证准确性为98.29%,Dice相似系数为96.61%,交并比为93.47%。结论：本文提出一种基于空洞空间金字塔池化的U-Net网络用于分割肺野,相较于其他方法学习到更多边缘分割特征,取得更好的分割结果。     

基于多尺度特征感知的胸腔图像危及器官分割

医学图像危及器官自动分割是计算机辅助诊断中的重要组成部分,对辅助医生高质高效完成放射治疗有着极其重要的作用。胸腔CT图像对比度低,且各器官之间重叠交错、边界模糊,使得危及器官的精确分割具有较大的挑战性。提出一种多尺度特征感知的编码-解码网络模型(FA-Unet),实现胸腔CT图像危及器官的分割。针对胸腔中四类器官大小差异的问题,首先构建了输入感知模型,提取图像中各器官的多尺度特征。为了弥补编码与解码之间的语义鸿沟,在解码-编码中融入改进的inception模块。用空间金字塔卷积(ESP)与金字塔池化(PSP)模块代替传统的串行卷积运算,使得网络模型更为轻量化,在一定程度上缓解数据量不足带来的过拟合问题。采用一种联合Dice系数与交叉熵的损失函数训练分割网络,可解决胸腔CT图像中类别不平衡的问题。最后,在2019年ISBI发布的SegTHOR数据集上验证模型的有效性,该数据集共包括40例肺癌或霍奇金淋巴瘤患者的胸腔CT图像7 390张。实验结果表明,胸腔CT图像各器官分割的Dice系数分别为食道0.793 2、心脏0.935 9、气管0.854 9、主动脉0.889 0,Hausdorff距离分别为食道1.420 7、心脏0.212 4、气管0.627 3、主动脉0.887 0。结果表明,与同类型分割网络相比,模型可获得较好的分割性能,尤其在小目标器官的分割上取得竞争性优势。     

一种基于生成对抗网络的无监督域自适应磁共振图像分割方法EI北大核心CSCD

智能医学图像分割方法正在快速地发展和应用,但面临着域转移挑战,即由于源域和目标域数据分布不同导致算法性能下降。为此,本文提出了一种基于生成对抗网络(GAN)的无监督端到端域自适应医学图像分割方法。设计网络训练调整模型,由分割网络和鉴别网络组成。分割网络以残差模块为基本模块,增加对特征的复用能力,降低模型优化难度,并将分割损失与对抗损失相结合,在鉴别网络的作用下学习图像特征层面的跨域特征。鉴别网络采用卷积神经网络,并带入源域标签训练,用来区分生成网络的分割结果是来自源域或目标域,整个训练过程无监督。使用膝关节磁共振(MR)图像公开数据集和采集的临床数据集进行实验,与经典的特征级域自适应方法和图像级域自适应方法对比,所提方法的平均戴斯相似性系数(DSC)分别提高了2.52%与6.10%。本文方法有效提高了分割方法的域自适应能力,显著提高了对胫骨和股骨的分割精度,可以较好地解决磁共振图像分割中的域转移问题。     

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。     

BP神经网络在眼底造影图像分割中的应用

背景:通过眼底荧光血管造影(FFA)所得到的数字图像以及对其进行处理所得到的数据,可反映视网膜血管结构、血流动力学改变、血管病理生理变化及其相关结构的病理改变,广泛应用于视网膜、脉络膜及视神经疾病的鉴别诊断。目的:通过分析眼底造影图像和BP神经网络的特点,利用BP神经网络对眼底造影图像进行分割,并将其利用到眼科的临床辅助诊断之中。方法:将待分割图像区域分为背景和目标两类,用手工方法得到这两类的样本图像,提取样本图像的特征,如灰度、方差、纹理等;对提取的样本特征值进行归一化处理,输入神经网络分类器,利用BP训练算法进行训练;输入待分类的医学图像,提取图像特征,并进行归一化处理;将归一化后的特征值,输入已训练的神经网络分类器进行分类,得到眼底造影图像的分割结果。结果与结论:本文使用的眼底造影图像分割方法抗干扰能力强,分割的眼底造影图像清晰、内容丰富。可以为眼科医生的临床诊断提供较大帮助。     

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。     

High-temporal resolution DCE-MRI improves assessment of intra- and peri-breast lesions categorized as BI-RADS 4

Grading of cancer histopathology slides requires more pathologists and expert clinicians as well as it is time consuming to look manually into whole-slide images. Hence, an automated classification of histopathological breast cancer sub-type is useful for clinical diagnosis and therapeutic responses. Recent deep learning methods for medical image analysis suggest the utility of automated radiologic imaging classification for relating disease characteristics or diagnosis and patient stratification. To develop a hybrid model using the convolutional neural network (CNN) and the long short-term memory recurrent neural network (LSTM RNN) to classify four benign and four malignant breast cancer subtypes. The proposed CNN-LSTM leveraging on ImageNet uses a transfer learning approach in classifying and predicting four subtypes of each. The proposed model was evaluated on the BreakHis dataset comprises 2480 benign and 5429 malignant cancer images acquired at magnifications of 40×, 100×, 200× and 400×. The proposed hybrid CNN-LSTM model was compared with the existing CNN models used for breast histopathological image classification such as VGG-16, ResNet50, and Inception models. All the models were built using three different optimizers such as adaptive moment estimator (Adam), root mean square propagation (RMSProp), and stochastic gradient descent (SGD) optimizers by varying numbers of epochs. From the results, we noticed that the Adam optimizer was the best optimizer with maximum accuracy and minimum model loss for both the training and validation sets. The proposed hybrid CNN-LSTM model showed the highest overall accuracy of 99% for binary classification of benign and malignant cancer, and, whereas, 92.5% for multi-class classifier of benign and malignant cancer subtypes, respectively. To conclude, the proposed transfer learning approach outperformed the state-of-the-art machine and deep learning models in classifying benign and malignant cancer subtypes. The proposed method is feasible in classification of other cancers as well as diseases.     

基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官

目的:建立一种基于密集连接深度学习的端到端胸部CT图像危及器官自动分割方法,提供一个高精度的自动分割模型,减轻医师临床勾画的工作强度。方法:收集36例肺癌患者CT图像,27例作为训练集,随机取6例作为验证集进行交叉验证,测试集为9例,训练时间约为5 h,完成了左肺、右肺、脊髓、心脏4个危及器官的自动分割,并使用Dice系数、HD95距离与平均表面距离(ASD)3个指标对测试集进行测试。结果:测试集的分割结果显示,与U-Net与ResNet50相比,FC_DenseNet网络在Dice值、HD95、ASD指标上表现较好,但是不同网络之间的分割结果并没有显著差异(P>0.05),FC_DenseNet网络Dice值最高是左肺为0.98,最低为心脏0.84。结论:本研究的结果表明,密集连接结构的深度学习模型能够较为准确地分割左右肺、脊髓、心脏4个危及器官,这种特征图复用的思想为基于深度学习的医学图像分割提供了新思路。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

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。     

脑肿瘤分割算法研究

由于医学成像技术的复杂性和胶质瘤表面高度的异质性,对人脑神经胶质瘤的图像分割是医学影像分析中最具挑战性的任务之一。本研究对UNet++医学图像分割网络进行了改进,改进后的网络能够融合全尺度下的粗粒度语义和细粒度语义信息。在公开的BraTS脑肿瘤分割数据集中的335例图像上进行分割实验,采用2D与3D对比分割实验综合评价改进后网络的分割性能,将分割结果与UNet,UNet++,UNet3+医学图像分割网络的结果进行对比。在Dice相似度系数(DSC),95%Hausdorff表面距离(HSD95),Sensitivity,PPV等4个指标基础上,2D对比分割实现的指标均值分别为:83.70%,1.7,88.40%,84.96%;3D对比分割实验的指标均值为:90.79%,0.242,91.23%,91.06%。实验结果表明,改进的算法使神经胶质瘤的分割结果与金标准在区域上有更多的重叠,可以更好的完成脑胶质瘤的分割。在临床应用中,可望帮助神经外科医生高效地分离脑肿瘤与人脑周围组织,从而实现快速的计算机诊疗。     

基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的对比研究

目的:探究基于增强CT的手动勾画与基于PET-CT的自动勾画方法在鼻咽癌放疗中的优劣性及应用价值。方法:采集34例鼻咽癌患者的PET-CT数据,比较医生分别在增强CT和PET-CT图像上勾画靶区的差异性,以CSCO指南在PET-CT双模态融合图像上手动勾画的靶区作为金标准,应用Matlab软件计算单一标准摄取值（SUV）阈值分割法和MIM软件自带的PET-EDGE分割法两者的重叠率Dice和豪斯多夫距离HD值,并采用t检验进行统计学分析。结果:基于增强CT图像的手动勾画法、基于PET-CT图像的单一SUV阈值法以及PET-EDGE自动勾画法,3者靶区分割结果的Dice值分别为0.706、0.736、0.806,HD值分别为12.601、11.631、6.143 mm。以PET-CT双模态图像作为参考的靶区手动勾画法与基于增强CT的手动勾画存在差异（Dice:P=8.33×10-7;HD:P=1.065×10-18）;MIM软件自带的PET-EDGE靶区分割法Dice和HD值高于单一SUV阈值法,差异具有统计学意义（Dice:P=0.019 8;HD:P=0.013 7）。结论:在鼻咽癌肿瘤靶区的分割性能上,基于PET-CT图像的自动勾画优于基于增强CT图像的手动勾画,MIM软件自带的PET-EDGE分割法优于单一SUV阈值分割法。     

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%...     

阿尔茨海默病患者MR图像偏差场修正和脑组织分割的研究

目的探索适用于阿尔茨海默病（Alzheimer’s disease,AD）患者MR图像脑组织的分割的方法。方法结合阿尔茨海默病患者MR图像中组织区域和边缘的特性对传统水平集进行改进,利用同态滤波对图像进行偏差场修正,增加了UNSHARP MASK处理方法,有效避免了水平集边界泄漏问题。结果标准体膜和真实数据实验证实,该改进算法分割结果优于SPM5。结论利用修正偏差场和添加UNSHARP MASK方法有可能提高AD患者MR图像脑组织分割的准确性和鲁棒性,本研究为MR图像脑组织的精确分割和进一步准确测量作了有益探索。     

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。