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...     

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。     

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。     

MR脑图像组织分割的方法

图像分割是一个经典难题,至今没有一个通用的有效分割方法,也不存在一个分割的评价标准.应用MRI图像进行脑组织自动和有效的分割对诊断、病理研究、放疗和外科手术计划的制定、手术导航、计算机辅助诊断等各方面均有着极其重要的意义.磁共振脑图像比普通图像要复杂,组织边界不清晰,用通用方法无法实现良好的分割.对目前应用于脑组织分割并取得良好效果的分割方法给予综合论述,并分析了脑组织分割的发展.     

牙颌CT图像序列中牙的半自动分割方法

牙颌CT图像序列相邻切片之间,相应牙的大小、位置以及牙区域和轮廓的灰度分布等特征比较接近,并呈一定的变化规律,根据这一特点提出了牙颌CT图像序列中牙的半自动分割方法。首先选取参考切片,加入少量用户操作进行参考切片中牙轮廓的提取,接着以参考切片为起始切片,由已完成轮廓提取的牙包围盒作为待处理切片(相邻切片)相应牙的操作区间,然后在此区间内用区域生长法提取牙轮廓,由此逐张切片处理可以自动地得到所有切片全牙列每颗牙的轮廓。实验结果表明,本方法仅需少量用户交互就能快速、基本准确地从牙颌CT图像序列中分割出牙轮廓,具有一定的实用价值。     

基于CT图像的肺气管树3D分割方法的研究

目的:对肺部气管树的分割在临床上具有重要应用价值。针对目前肺气管树分割存在的问题,本文提出了一种结合区域生长和形态学方法的气管树3D分割的方法。方法:首先,采用基于3D联通区域与形态学的方法分割出CT序列图像中的肺实质;其次,利用3D区域生长法初步提取气管树;然后,利用形态学分割方法选取细小气管候选区域,并与上一步分割结果合成三维肺气管区域;最后,再次利用区域生长法去除伪气管区域,提取出最终的气管树。结果:实验结果表明,三维区域生长方法能够很好地获得气管/主支气管、段气管及主要的气管分支,而形态学方法能够有效地检测出细小气管区域。所以利用本文方法可以简单、有效地提取出肺气管树,并防止区域生长过程中的遗漏现象。结论:本文方法可为肺部气管的定量分析奠定基础,具有十分重要的临床诊断意义。     

基于多实例学习及阈值伪标签提取的CT影像颅内出血分割

颅内出血由颅内血管破裂引起,出血体积对治疗决策和预后分析具有重要的临床意义,而基于CT影像的血肿分割是体积测量的基础。全监督方法依赖于人工勾画的标签,十分耗时和繁琐,现有弱监督分割方法的鲁棒性差,容易受伪影干扰。为此,本研究提出了基于多实例学习的弱监督颅内出血分割网络MIL-ICH,由双分支结构组成。首先,由多实例学习解码器生成热图定位出血区域;然后,在热图基础上使用CT值阈值和像素自适应优化模块提取并优化伪标签,训练分割解码器;最后,两个分支同时训练,提高训练效率并且利用多分支协同作用进一步提升分割性能。在来自RSNA颅内出血数据集的200例CT扫描上的测试结果表明,MIL-ICH网络的Dice相似性系数和体积相似度分别达到了0.822和0.896,本网络测量的出血量与实际出血量的相关性优于临床常用的多田公式估测法。所提出的方法能够提高颅内出血弱监督分割性能,有助于为临床提供出血体积测量和预后评价的依据。     

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。     

多信息融合的彩色细胞图像分割方法

本文就从病理切片的彩色图像中提取细胞核的有关方法作了研究,提出了有效的分割方法的策略。该方法以数学形态学为主要工具,可以利用细胞的多个特征,较好地解决了病理显微图像背景杂,光照不均及粘连团聚现象等因素给分割带来的困难。     

血管造影图像分割方法研究的现状与进展

血管分割能够为计算机临床辅助与可视化诊疗提供关键的结构和病灶信息。由于血管造影图像涉及多种数据模态以及个体化差异和复杂病理,诸多挑战性的问题仍待解决。我们对血管分割的主流方法进行了回顾和分析,并且讨论了血管分割的研究格局和发展趋势,旨在为该领域的进一步研究提供参考。     

基于深度学习的行人属性多标签识别

行人属性通常指的是行人的一些可被观察到的外部特征,如性别、年龄、服饰、携带品等。作为行人外部的软生物特征,行人属性对于行人检测和再识别是非常重要的,并且在智能视频监控场景和基于视频的商业智能应用中显示出巨大的潜力。在目前的行人属性多标签分类识别中,主要有基于手工设计特征的方法和基于深度学习的方法。然而,手工设计特征的方法难以应对复杂的真实视频监控场景,在实际应用中取得的效果并不是很理想。采用深度卷积网络模型,包含3个卷积层和2个全连接层,使用Sigmoid交叉熵损失函数,训练平台为Caffe深度学习框架,通过在包含19 000张行人图片的PETA数据集上对10种行人属性进行训练和测试,得到85.2%的平均识别精度。加入正样本比例指数因子改进损失函数后,平均识别精度达到89.2%,使网络性能有明显的提高。     

MR脑图像组织分割的方法

图像分割是一个经典难题,至今没有一个通用的有效分割方法,也不存在一个分割的评价标准。应用MRI图像进行脑组织自动和有效的分割对诊断、病理研究、放疗和外科手术计划的制定、手术导航、计算机辅助诊断等各方面均有着极其重要的意义。磁共振脑图像比普通图像要复杂,组织边界不清晰,用通用方法无法实现良好的分割。对目前应用于脑组织分割并取得良好效果的分割方法给予综合论述,并分析了脑组织分割的发展。     

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。     

分水岭算法在CT图像分割中的应用

目的：分水岭算法在图像分割领域得到了广泛的应用,但单独使用分水岭进行图像分割因为对噪声的抑制能力弱以及对大多数图像易产生过分割现象而变得困难。本文针对分水岭算法存在的过分割问题,提出了一种改进的分水岭算法应用于CT图像,能有效的抑制过分割现象。方法：首先对输入图像进行高斯滤波处理,然后通过Sobel算子求图像的梯度幅值,再求出多尺度灰度图,最后进行阈值分割和多尺度变换而达到对图像进行分割的目的,并将其转化成伪彩色图像显示来优化分割结果,在有效处理过分割问题的同时让图像分割后的效果更加明显。结果：仿真结果表明,与传统的分水岭分割算法比较,缓解了过分割问题,得到的分割效果要好很多。结论：本文实验可以有效地将传统的分水岭算法加以改进,将之应用于医学CT图像分割中,从而使图像各个不同的组织轮廓均得到了很好的区分,减少了图像的过分割点数,使图像的各个区域更易判断。     

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。     

医学图像分割算法的损失函数综述

基于深度学习的医学图像分割方法已经成为了医学图像处理领域的强大工具。由于医学图像的特殊性质,基于深度学习的图像分割算法面临样本不平衡、边缘模糊、假阳性、假阴性等问题,针对这些问题,研究人员大多对网络结构进行改进,而很少从非结构化方面做出改进。损失函数是基于深度学习的分割方法中重要的组成部分,对损失函数的改进可以从根源上提高网络的分割效果,并且损失函数与网络结构无关,可以即插即用地运用在各种网络模型和分割任务中。本文从医学图像分割任务中的困难出发,首先介绍了解决样本不平衡、边缘模糊、假阳性、假阴性问题的损失函数及改进策略;然后对目前损失函数改进过程中所遇到的困难进行分析;最后对未来的研究方向进行了展望。本文将为损失函数的合理选择、改进或创新提供参考,并为损失函数的后续研究指引方向。     

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.     

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。