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。     

一种基于PC的医学图像可视化系统

三维医学可视化是近年来计算机图形学和图像处理技术研究和应用的重要领域。本文在PC上对多模态脑肿瘤医学图像的可视化进行了研究，该系统对医学图像进行了配准、融合、分割及三维重建，并以多种显示方式对重建结果进行显示。为脑肿瘤在诊断、治疗方面提供了有力的工具。     

基于磁共振图像的帕金森病计算机辅助诊断研究进展

近年来,由于帕金森病(PD)的临床复杂性与多模态磁共振(MR)图像的高维性,如何有效挖掘图像中特异性标记PD的影像生物标志物、建立高效的PD计算机辅助诊断(CAD)模型是研究中极具挑战性的问题。综述目前国内外研究进展,进一步分析MR多模态特征提取、特征选择、分类器模型等传统机器学习方法建立CAD模型的关键技术,并简要概述基于深度学习方法在早期PD分类诊断中的应用。指出基于多模态MR图像,采用机器学习或深度学习方法构建CAD模型,能够客观、准确地识别PD患者,对提高早期PD诊断的准确性具有很大价值和应用前景。今后研究应更深入挖掘多模态MR图像中的潜在标记PD的影像生物指标,开发更高阶的CAD模型,以辅助早期PD的临床智能诊断。     

基于级联3D U-Net的CT和MR视交叉自动分割方法

目的:基于级联3D U-Net,利用配对患者头颈部数据［CT和磁共振图像（MRI）］,取得比仅CT数据更高分割精度的视交叉自动分割结果。方法:该级联3D U-Net由一个原始3D U-Net和改进的3D D-S U-Net（3D Deeply-Supervised U-Net）组成,实验使用了60例患者头颈部CT图像及MRI图像（T1和T2模态）,其中随机选取15例患者数据作为测试集,并使用相似性系数（DSC）评估视交叉的自动分割精度。结果:对于测试集中的所有病例,采用多模态数据（CT和MRI）的视交叉的DSC为0.645±0.085,采用单模态数据（CT）的视交叉的DSC为0.552±0.096。结论:基于级联3D U-Net的多模态自动分割模型能够较为准确地实现视交叉的自动分割,且优于仅利用单模态数据的方法,可以辅助医生提高放疗计划制定的工作效率。     

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MRI的脑肿瘤分割技术研究进展

目的:对脑肿瘤的准确分割在临床上具有重要应用价值,但由于脑肿瘤结构复杂、边界模糊且与正常脑组织混叠在一起,因此,要实现对脑肿瘤的正确分割非常困难。为给相关研究者提供有益参考,本文对基于MRI的脑肿瘤分割技术研究进展进行了探讨。方法:查阅国内外相关资料的基础上,对现有的基于MRI的脑肿瘤分割方法进行分类,然后对近年来基于MRI的脑肿瘤分割技术及其研究进展进行了比较详细的综述和讨论,并介绍了脑肿瘤分割算法的评价方法,最后对脑肿瘤分割方法的发展趋势进行展望。结果:基于MRI的脑肿瘤分割方法主要包括:区域生长法、聚类分割方法、基于形变模型的分割方法、基于形态学分水岭的分割方法、图谱匹配、多谱MR图像分割和基于异常检测的分割方法等。结论:基于MRI的脑肿瘤分割方法将向全自动、实时、准确的分割方向发展,并有效地结合多种分割方法,综合利用多种图像信息和先验知识,有望在新的理论技术上做出突破。     

图论在脑肿瘤分割及提取中的应用研究

目的 基于Matlab和VC++混合编程,实现了图论在脑肿瘤分割及提取中的应用,为之后脑肿瘤三维重建提供准确的分割结果.方法 在Matlab和VC++开发平台下,首先读取含脑肿瘤的MRI图像,经过一定的预处理后,调用C++编写的图论分割函数,实现MRI图像的全局分割,然后通过肿瘤区域的颜色信息进行区域二值化和轮廓提取等后处理,很好地完成了脑肿瘤的分割提取.结果 通过与专家手动分割的脑肿瘤区域进行比较以及对算法各模块运行时间的监测,显示脑肿瘤分割准确度高,且算法运行稳定.结论 基于图论的分割算法能够反映图像全局特性,且运行稳定,是一种值得推广的脑肿瘤分割方法.     

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。     

基于三重注意力的脑肿瘤图像分割网络

脑肿瘤图像分割问题是脑肿瘤临床诊断和治疗脑肿瘤疾病计算机辅助诊断的基础.针对脑肿瘤MRI图像分割网络深度过深和局部与全局特征信息联系匮乏导致图像分割精度降低等问题,提出一种基于三重注意力的脑肿瘤图像分割网络.首先,借鉴残差结构,将原始图像分割网络结构的编码层和解码层中的卷积模块替换为深度残差模块,解决网络加深带来的梯度...     

FCM算法在脑肿瘤MRI图像分割中的应用

聚类算法已广泛用于图像分割，根据模糊C－均值聚类算法（FCM）的磁共振颅脑图像的特点，我们利用FCM算法对磁共颅脑图像进行了分割。结果表明，聚类算法在脑肿瘤的MRI图像分割中能够得到比较理想的结果，优于边缘检测、域值分割等方法。     

基于数据融合的脑组织图像分割

随着医学影像技术的发展,我们可以用不同的成像方法对同一个脑断层得到多模态的核磁共振图像,针对脑组织分割的需要,文中介绍了一种基于数据融合的多模分割方法.算法首先用基于模糊C均值聚类(Fuzzy C-Means,FCM)的方法分别对单一模态的图像聚类进行分割,然后采用数据融合的方法得出最终的分割结果.实验结果表明,此方法能有效地分割出白质、灰质和脑脊液,并且分割精度要明显高于对单一模态图像的分割结果.     

基于DPU-Net的直肠癌肿瘤分割与T分期研究

基于MRI图像对直肠癌肿瘤进行分割与T分期识别在直肠癌术前诊断与治疗方案制定中起着重要作用。为了准确分割肿瘤并进行T分期,提出一种多任务学习模型DPU-Net,联合分割与分期任务。在分割分支中,针对直肠癌MRI图像结构复杂的特点,结合注意力机制与多尺度特征加强模型对肿瘤的关注度以及边缘特征提取能力,提高分割效果。在分类分支中,为解决直肠癌肿瘤T分期难的问题,引入诊疗文本,充分利用医疗数据。提出基于动态加权的多模态融合模型,结合图像特征与文本特征对肿瘤T分期识别。将本文模型与主流模型进行对比,实验结果表明,本文模型分割精度DSC为82.88%,相比于U-Net提升了17.96%。分类准确率为76.24%,相比于Dense-Net提高了9.43%。本文模型具备辅助医生诊断的可行性。     

结合遗传算法的脉冲耦合神经网络在新生儿缺氧缺血性脑病磁共振图像中的应用研究

为收集新生儿缺氧缺血性脑病(HIE)核磁共振图像特征数据,采用基于遗传算法(GA)结合脉冲耦合神经网络(PCNN)的方法,对新生儿HIE磁共振图像进行分割实验和病灶特征提取。结果显示:基于GA的PCNN分割不仅有较好的分割结果,且优于具有固定参数PCNN的分割,可为HIE早期诊断系统建立提供依据,为进一步诊断及研究提供有效的帮助。     

多模态MRI影像组学在脑胶质瘤中的应用进展

影像组学在肿瘤的诊断、预后评估, 以及评价肿瘤对治疗的反应等方面均发挥着关键作用。多模态磁共振成像(MRI)影像组学可以将肿瘤的影像组学表现与其分子表型联系起来, 在脑胶质瘤的分级和治疗反应的预测和预后方面具有更大的优势。它利用常规和先进技术将脑肿瘤与非肿瘤性病变进行区分, 可用于脑胶质瘤的诊断和脑胶质瘤与脑转移瘤的鉴别;半自动和自动化的肿瘤分割技术也被开发用于评估脑胶质瘤的复发情况。主要对多模态MRI影像组学在预测胶质瘤重要分子生物学标志物、胶质瘤分级诊断、与脑转移瘤的鉴别诊断及评估术后复发方面的研究进展进行综述。     

"虚拟中国人男性一号"多模态图像配准

目的：解决“虚拟中国人男性一号”CT图像、MRI图像与断层切削图像之间的多模态图像配准问题。材料和方法：根据这三种图像的特点，选择CT图像为基准图像，在对MRI图像进行配准时，通过求解两幅图像梯度特征的最大互信息，搜索出最佳配准参数；在对断层切削图像进行配准时，采用基于解剖结构特征提取的配准方法获取最佳配准参数：最后．根据所得配准参数对待配图进行变换，从而达到配准目的。结果：对头部三种模态图像数据集进行了配准，与高精度手工分割图像数据集进行对比，配准正确率达到95．8％。结论：配准结果准确，解决了“虚拟中国人男性一号”多模态图像配准问题，为数字化虚拟人多模态图像配准提供了参考。     

RSF模型的优化及其在MRI脑肿瘤分割中的应用

磁共振成像(MRI)具有图像模糊,灰度不均等特点,其分割问题一直都是研究的热点和难点。可变区域拟合(RSF)能量模型是一种较新的区域活动轮廓模型,可用于灰度不均匀图像的分割。然而,RSF模型设定的水平集函数(LSF)不适合初始轮廓内外灰度分布不同的环境,应用于整体灰度环境复杂的脑肿瘤MRI图像时,通常得不到理想的分割结果。构建新的LSF,并辅以mean shift平滑算法可使其更适用于肿瘤图像的分割,使新模型具有更好的收敛性和目标指向性。利用优化后的模型进行一系列实验,其结果表明:该算法鲁棒性强,可以快速、准确地分割出MRI图像中的脑肿瘤,具有显著的临床意义。     

一种磁共振脑组织及肿瘤区域的提取方法

脑成像的脑组织准确提取有助于提高研究脑部感兴趣区域的精度,脑部肿瘤图像分割的研究可用于组织三维重建、肿瘤体积计算等.本文使用磁共振图像,首先采用脑提取（brain extraction tool,BET）算法提取出脑组织区域,再利用一种信息熵自动阈值与形态学结合的方法;当提取出脑组织后,利用模糊C均值（fuzzy C-means,FCM）聚类算法对肿瘤区域进行提取,经过中值滤波等步骤,提取出脑肿瘤区域.与专家手工勾画对比,本文较好地提取出了脑肿瘤组织,从而实现了脑组织的自动分割,提高了工作效率.     

磁共振图像中非均匀场的校正

缓慢变化的非均匀场使磁共振图像的局部统计特性发生变化 ,不同生理组织的亮度交叠分布 ,使磁共振图像的分割比其他医学图像分割困难的多。磁共振图像中的非均匀场是磁共振图像自动分割的主要障碍。人们提出了众多的磁共振图像非均匀场的校正方法 ,其中有传统的图像处理方法 ,如图像模糊、平滑、滤波 ,也有新的方法 ,如基于分割的方法 ,基于直方图的方法等。本文对这些方法进行了综述和讨论     

神经网络技术在磁共振图像分割中的应用

神经网络具有类似人脑的并行处理结构 ,能够模拟人脑对刺激的反应方式进行工作 ,可以用于解决磁共振图像分割问题。近来 ,涌现出许多神经网络磁共振图像分割方法的应用报道 ,这些神经网络包括传统的确定型神经网络 ,以及结合模糊逻辑、混沌理论或者小波理论等新理论的混合神经网络。本文针对这些磁共振图像分割方法进行综述。