基于双通道三维密集连接网络的脑胶质瘤核磁共振成像分割算法研究

针对脑胶质瘤形状、位置及大小的不一致性,本文提出了一种基于双通道三维密集连接网络的脑胶质瘤核磁共振成像(MRI)自动分割算法。该算法基于三维卷积神经网络,在两个通道采用不同大小卷积核,从而在不同尺度感受野下提取多尺度特征,并构造各自的密集连接块进行特征学习与传递,通过特征结联后输入到分类层进行目标体素分类,最终实现脑胶质瘤的自动分割。为了验证本文算法的实用性,本文采用公开的脑肿瘤分割挑战赛数据集对网络进行训练与验证,并将得到的结果与其他脑胶质瘤分割方法比较。实验结果表明,本文所提出的算法能够更准确地分割出不同的肿瘤病变区域,在临床脑肿瘤疾病诊断中具有一定的应用价值。     

基于深度学习的脑图像分割算法研究综述

基于深度学习的脑图像分割算法是目前的一个研究热点。本文首先对脑图像分割的意义以及相关算法内容进行系统阐述,突出了基于深度学习的脑图像分割算法的优势。然后,本文从针对脑图像存在的问题所提出的基于深度学习的脑图像分割算法、先验知识引导的基于深度学习的脑图像分割算法和基于通用深度学习模型的脑图像分割算法三个方面,介绍近年来流行的基于深度学习的脑图像分割算法,以便相关领域的科研工作者更系统地了解目前的研究进展。最后,本文为基于深度学习的脑图像分割算法的进一步研究提供了一些建议。     

基于多模态磁共振图像特征选择的脑胶质瘤分割

脑胶质瘤分割通常需要将肿瘤区域细分为多个不同性质的子区域,往往需要使用多种不同模态的磁共振(MR)图像。近年来,基于深度学习的脑胶质瘤分割研究已成为主流。然而,大多数基于深度学习的方法只是将不同模态MR图像(或底层特征)进行通道维度堆叠后输入到分割网络中,并且在特征提取阶段忽略不同性质子区域分割时所需模态特征的差异性,导致分割性能不够精良。本研究提出一种基于多模态MR图像特征选择的两阶段分割框架进行脑胶质瘤分割。一方面,设计多模态特征选择模块并嵌入到分割网络框架中,对当前分割任务所需多模态MR图像特征进行自动提取和有效选择;另一方面,将多个不同性质的病变组织子区域分为两阶段分割任务,利用第一阶段分割任务结果提供第二阶段分割目标的定位信息。本方法和对比方法分别在BraTS2018(训练集285个患者,验证集66个患者)、BraTS2019(训练集335个患者,验证集125个患者)和BraTS2020(训练集369个患者,验证集125个患者)公开数据集上进行了实验。在BraTS2018数据集上,本方法在完整肿瘤、肿瘤核心和增强肿瘤区域的Dice相似系数分别为0.898、0.854和0.818,Hausdorff距离分别为4.072、6.179和3.763;在BraTS2019数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.892、0.839和0.800,Hausdorff距离分别为6.168、7.077和3.807;在BraTS2020数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.896、0.837和0.803,Hausdorff距离分别为6.223、7.033和4.411。对比实验结果表明,所提方法在增强肿瘤区域和肿瘤核心区域的分割性能具有明显优势,特别是增强肿瘤区域分割性能在BraTS2020数据集上最佳。基于多模态特征选择模块的两阶段分割框架,针对每阶段分割目标实现了不同模态MR图像特征的自动和充分学习,取得了理想的分割结果,为计算机辅助肿瘤诊断提供了可能的解决方案。     

基于TensorMixup的脑胶质瘤全自动分割

脑胶质瘤及其子区域的全自动分割对临床脑胶质瘤患者的诊断、治疗与病情监控具有重要意义。本文改进传统Mixup方法,提出TensorMixup模型,并将其应用于三维U-Net脑胶质瘤分割任务。算法核心思想包括,首先从两位患者相同模态的核磁共振脑影像中分别获取肿瘤区域所在边界框的图像序列,并从获取的图像序列中选取尺寸为128×128×128体素的图像块,然后使用一个所有元素均独立采样于贝塔分布的张量,混合图像块的信息,接着将上述张量映射为矩阵,用于混合图像块的独热编码标签序列,从而合成新图像及其标注数据,最后使用合成数据训练模型,以提高模型的分割精度。在BraTs2019数据集的测试结果显示,本文算法在完整肿瘤、肿瘤核心与增强肿瘤区域的平均Dice值依次可达91.32%、85.67%与82.20%,证明使用TensorMixup进行脑胶质瘤分割,具有可行性与有效性。     

基于混合水平集的脑胶质瘤分割方法

全面考虑脑胶质瘤分割图像的边界信息和区域信息,在水平集的基础上,将基于边缘检测的活动轮廓模型(GAC模型)和局部图像拟合模型(LIF模型)相结合,提出一种混合水平集的分割方法。首先,对脑胶质瘤MR图像进行预处理,采用C-V模型提取脑组织;然后,创建混合水平集模型,对脑组织图像中的脑胶质瘤进行分割。实验证明,本研究的分割方法可以简化水平集符号距离函数的正则化过程,并且可有效克服GAC模型在弱边缘或离散边缘处产生的边界泄漏的问题,从而取得较好的分割结果。     

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。     

基于深度学习的甲状腺疾病超声图像诊断研究综述

近年来，甲状腺疾病的发病率显著升高，超声检查是甲状腺疾病诊断的首选检查手段。同时，基于深度学习的医疗影像分析水平快速提高，超声影像分析取得了一系列里程碑式的突破，深度学习算法在医学图像分割和分类领域展现出强大的性能。本文首先阐述了深度学习算法在甲状腺超声图像分割、特征提取和分类分化三个方面的应用，其次对深度学习处理多模态超声图像的算法进行归纳总结，最后指出现阶段甲状腺超声图像诊断存在的问题，展望未来发展方向，以期促进深度学习在甲状腺临床超声图像诊断中的应用，为医生诊断甲状腺疾病提供参考。     

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。     

深度学习在医学图像分析中的研究进展

人工智能领域不断创新发展,促使深度学习方法的理论和应用成为研究的热点。在医学领域中,传统的人工读片等医学图像分析方法已无法适应数量迅速增长的影像资料的诊断需求,因此,深度学习方法在医学图像中的应用备受关注。本文主要总结了深度学习方法在医学图像分割、图像分类识别和计算机辅助诊断方面的研究进展,最后进行了小结和展望。     

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。     

Toolkits and Libraries for Deep Learning

Deep learning is an important new area of machine learning which encompasses a wide range of neural network architectures designed to complete various tasks. In the medical imaging domain, example tasks include organ segmentation, lesion detection, and tumor classification. The most popular network architecture for deep learning for images is the convolutional neural network (CNN). Whereas traditional machine learning requires determination and calculation of features from which the algorithm learns, deep learning approaches learn the important features as well as the proper weighting of those features to make predictions for new data. In this paper, we will describe some of the libraries and tools that are available to aid in the construction and efficient execution of deep learning as applied to medical images.     

深度学习在数字病理中的应用

临床上,病理切片是癌症诊断的金标准。病理医生通过对病理切片进行镜检,完成病理诊断和预后评估,但是这个过程通常费时费力。在病理切片的数字化的背景下,人工智能技术走进病理领域,并推动病理分析逐渐从定性分析向定量分析转变,这一改变使病理诊断更加准确客观。尤其是以深度学习为代表的人工智能技术在病理分析中取得令人瞩目的成果,不但使病理诊断更加智能化,而且使诊断结果更加精准和客观。阐述深度学习的基本概念及其在数字病理切片分析中的应用,简要概述深度学习在细胞和组织的检测和分割、组织层面上癌症的分类和分级的应用,以及其他一些应用,最后指出目前数字病理切片分析中存在的问题并对未来的发展方向提出展望。     

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。     

基于双模态磁共振成像和决策层融合的抑郁症辅助诊断

本研究提出一种基于结构和功能双模态磁共振成像数据融合的抑郁症分类算法,首先利用功能脑网络和深度学习网络分别提取功能和结构磁共振成像数据特征,并计算类概率,然后使用软投票法和加权投票法在决策层对两种类概率数据进行融合,充分提取功能与结构磁共振成像的数据信息,得到更加准确的分类效果。试验结果表明,数据融合方法可以显著提高抑郁症分类效果,获得91.34%的准确率和96.62%的召回率,更好地实现了抑郁症的辅助诊断与预后。     

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。     

Performance of an Artificial Multi-observer Deep Neural Network for Fully Automated Segmentation of Polycystic Kidneys

Deep learning techniques are being rapidly applied to medical imaging tasks—from organ and lesion segmentation to tissue and tumor classification. These techniques are becoming the leading algorithmic approaches to solve inherently difficult image processing tasks. Currently, the most critical requirement for successful implementation lies in the need for relatively large datasets that can be used for training the deep learning networks. Based on our initial studies of MR imaging examinations of the kidneys of patients affected by polycystic kidney disease (PKD), we have generated a unique database of imaging data and corresponding reference standard segmentations of polycystic kidneys. In the study of PKD, segmentation of the kidneys is needed in order to measure total kidney volume (TKV). Automated methods to segment the kidneys and measure TKV are needed to increase measurement throughput and alleviate the inherent variability of human-derived measurements. We hypothesize that deep learning techniques can be leveraged to perform fast, accurate, reproducible, and fully automated segmentation of polycystic kidneys. Here, we describe a fully automated approach for segmenting PKD kidneys within MR images that simulates a multi-observer approach in order to create an accurate and robust method for the task of segmentation and computation of TKV for PKD patients. A total of 2000 cases were used for training and validation, and 400 cases were used for testing. The multi-observer ensemble method had mean ± SD percent volume difference of 0.68 ± 2.2% compared with the reference standard segmentations. The complete framework performs fully automated segmentation at a level comparable with interobserver variability and could be considered as a replacement for the task of segmentation of PKD kidneys by a human.     

Deep Learning for Brain MRI Segmentation: State of the Art and Future Directions

Quantitative analysis of brain MRI is routine for many neurological diseases and conditions and relies on accurate segmentation of structures of interest. Deep learning-based segmentation approaches for brain MRI are gaining interest due to their self-learning and generalization ability over large amounts of data. As the deep learning architectures are becoming more mature, they gradually outperform previous state-of-the-art classical machine learning algorithms. This review aims to provide an overview of current deep learning-based segmentation approaches for quantitative brain MRI. First we review the current deep learning architectures used for segmentation of anatomical brain structures and brain lesions. Next, the performance, speed, and properties of deep learning approaches are summarized and discussed. Finally, we provide a critical assessment of the current state and identify likely future developments and trends.     

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳.提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难...     

基于深度学习的舌象自监督聚类

目的：解决人工智能舌诊领域数据标注成本较高且带有较强主观性的问题。方法：基于深度学习中的对比学习技术,对舌象进行自监督聚类。该方法首先利用卷积神经网络将不同数据增强模式下的舌象映射到潜在空间,并在学习同类实例之间共同特征的同时尽可能区分非同类实例;随后利用高斯混合模型对网络提取的特征向量进行聚类。结果：在无需引入先验知识的情况下,利用300张舌象仪采集的无标签图像取得了52.54%的聚类纯度。结论：该方法一定程度上将医疗工作者从费事费力的数据标注工作中解放出来。除应用于自动化舌象分类外,该方法还可进一步针对不同病症的特殊舌象症候群进行聚类分析,其提取的舌象特征也可为舌体分割、舌色分类、苔质分区等下游任务提供预训练的参考。     

U-Net及其变体在医学图像分割中的应用研究综述

医学图像分割可以为临床诊疗和病理学研究提供可靠的依据,并能辅助医生对病人的病情做出准确的判断。基于深度学习的分割网络的出现解决了传统自动分割方法鲁棒性不强、准确率低等问题。U-Net凭借其出色的性能在众多的分割网络中脱颖而出,研究者以U-Net为基础相继提出了多种改进变体。以U-Net网络及其变体为主线,首先详细介绍U-Net的网络结构及常用改进方法;然后根据分割对象的不同,将U-Net变体网络进一步划分为泛用型分割网络及特定型分割网络,并就其在医学图像分割中的研究进展进行论述;最后,分析了目前研究中工作尚存在的难点与问题,并对今后的发展方向进行展望。