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3D卷积网络和多模态MRI的脑胶质瘤自动分割

目的:基于三维（3D）卷积神经网络和多模态MRI实现脑胶质瘤的自动分割。方法:首先对来自BraTS2020公共数据集的369例脑胶质瘤的4个模态MRI数据进行3D剪裁、重采样、去伪影、归一化的预处理。其次将MRI数据和脑胶质瘤标注信息输入到基于U-net的3D卷积神经网络模型进行训练和测试。利用相似性系数、召回率和精确率评价整体肿瘤区域、核心肿瘤区和增强肿瘤区的分割结果。结果:在74例测试数据集上,整体肿瘤区域、核心肿瘤区域和增强肿瘤区域的相似系数平均值分别为0.88、0.77和0.73,中位值分别为0.90、0.84和0.81,召回率平均值分别为0.88、0.78和0.78,中位值分别为0.90、0.84和0.84,精确率平均值分别为0.89、0.83和0.75,中位值分别为0.91、0.89和0.79。结论:基于U-net的3D卷积神经网络在多模态MRI数据集上获得了较好的分割结果,显示其在脑胶质瘤自动分割方面的潜力,可为临床诊断分级和治疗策略选择提供参考。     

基于3D U-Net 实现人体耳软骨MRI图像的解剖结构分割

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3D生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3D U-Net提出改进的网络模型,能够实现MRI图像的人体耳软骨解剖结构的自动分割。该网络模型结合残差结构和多尺度融合等设计,在减少网络参数量的同时实现12个耳软骨解剖结构的精确分割。首先,使用超短回波时间(UTE)序列采集40名志愿者单侧外耳的MRI图像;然后,对所采集的图像进行预处理、耳软骨和多解剖结构手动标注;接下来,划分数据集训练改进的3D U-Net模型,其中32例数据作为训练集、4例为验证集、4例为测试集;最后,使用三维全连接条件随机场对网络输出结果进行后处理。模型经过10折交叉验证后,耳软骨12个解剖结构的自动分割结果的平均Dice相似度系数(DSC)和平均95%豪斯多夫距离(HD95)分别为0.818和1.917,相比于使用基础的3D U-Net模型,DSC指标分别提高6.0%,HD95指标降低了3.186,其中耳软骨关键结构耳轮和对耳轮的DSC指标达到了0.907和0.901。实验结果表明,所提出的深度学习方法与专家手动标注两者之间的结果非常接近。在临床应用中,根据患者健侧UTE核磁图像,本研究提出的方法既可以为现有自体肋软骨雕刻法快速、自动生成三维个性化雕刻模板,也可以为组织工程或者3D生物打印技术构建耳软骨复合物支架提供高质量的可打印模型。     

基于3D体素增强和3D alpha背景分离的多发性硬化症病灶分割方法

目的:提出一种用于T1加权像、T2加权像和流体衰减反演恢复（Flair）磁共振图像的多发性硬化症（MS）病变分割方法。方法:首先基于3D图像增强技术,将高强度MS病变区域与其他组织区域区分开来。然后利用假阳性降低方法,去除一些强度和密度不均匀的假阳性目标区域（VOI）,并利用颜色分割法去除白质之外的VOI。最后利用彩色MR技术生成3个区域,以便细化分割MS病变。结果:在CHB数据集上进行测试,得到真阳率均值为0.48,Dice相似系数均值为0.52。结论:该方法能够有效去除噪声及其他无关非病变组织,并能准确识别并分割MS病变,该方法的有效性、准确性能为后续的MS分割技术分析提供依据。同时为MS病变的预防治疗、病情跟踪提供客观、方便的诊疗方法。 【关键词】多发性硬化症;病灶分割;3D体素增强;3D alpha背景分离;颜色分割技术     

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。     

基于深度学习的2D/3D医学图像配准研究

2D/3D配准在临床诊断和手术导航规划中有着广泛的应用,可解决医学图像领域中不同维度图像存在信息缺失的问题,能辅助医生在术中精准定位患者的病灶。常规的2D/3D配准方法主要依赖于图像的灰度进行配准,但非常耗时,不利于临床实时性的需求,并且配准过程中容易陷入局部最优值。提出用深度学习的方法来解决2D/3D医学图像配准问题。采用一个基于深度学习的卷积神经网络,通过网络对数字影像重建技术(DRR)进行训练并自动学习图像特征,预测X光图像所对应的参数,从而实现配准。以人体骨盆的模型骨为实验对象,根据骨盆的CT数据生成36000张DRR图像作为训练集,同时通过C臂采集模型骨的50张X光图像作为验证。结果显示,深度学习算法在相关系数、归一化互信息、欧式距离3个精度评价指标上的测试值分别为0.82±0.07、0.32±0.03、61.56±10.91,而常规2D/3D算法对应的测试值分别为0.79±0.07、0.29±0.03、37.92±7.24,说明深度学习算法的配准精度优于常规2D/3D算法的配准精度,且不存在陷入局部最优值的问题。同时,深度学习的配准时间约为0.03s,远低于常规2D/3D配准的时间,可满足临床对于实时配准的需求,未来将进一步开展临床数据的2D/3D配准研究。     

基于2D/3D配准技术测量颈椎间孔形态学的精度研究

目的　探讨基于2D/3D配准技术测量离体颈椎标本椎间孔形态学的精度。 方法　获取16具颈椎离体标本的螺旋CT影像,通过三维重建获得相应标本的三维模型。然后改变标本的体位,再次行CT扫描并分别拍摄各具离体标本正侧位X线平片,采用2D/3D图像配准技术还原拍摄平片时颈椎的三维位置。利用Rapidform XOR3软件测量配准前与配准后C2/3至C6/7双侧的椎间孔面积、前后径和上下径。 结果　共测得椎间孔的面积、前后径和上下径各158个,经配对样本t检验,配准后椎间孔的面积、前后径、上下径与配准前相比较,结果无显著性差异(P>0.05);椎间孔面积的准确度为96.77%、精确度为（1.27±1.16）mm2,前后径的准确度为94.35%、精确度为（0.30±0.27）mm,上下径的准确度为96.14%、精确度为（0.32±0.28）mm。 结论　应用2D/3D配准技术测量颈椎间孔的形态学参数具有较高的准确度和精确度。     

基于2D/3D配准技术的正常膝关节运动还原在体稳定性参数研究

目的应用2D/3D图像配准技术进行运动还原以获得正常膝关节韧带的在体稳定性参数。方法在生理负重下利用两台C型臂X线机采集8名志愿者健、膝关节屈曲0°、15°、30°、60°和90°时的两幅相互垂直的X线影像(2D),与由CT重建的三维图像在虚拟X线投射系统进行2D/3D图像配准,还原膝关节不同角度时的股骨和胫骨相对3D位置关系,并通过韧带止点还原的方法对ACL、PCL、MCL、LCL进行韧带长度分析。结果随屈曲角度的增大,ACL长度逐渐缩短,从0(°27.73±1.34)mm至90(°23.34±1.48)mm;PCL长度逐渐增加,从0(°26.5±1.65)mm至90(°33.80±1.97)mm;MCL长度逐渐减小,从0°(38.17±1.40)mm至90°时(35.98±1.50)mm。LCL长度同样逐渐减小,从0°(52.56±1.64)mm至90°(50.22±1.41)mm。差异均有统计学意义(P0.05)。结论基于2D/3D图像配准技术可获得正常膝关节生理屈曲过程中韧带长度的变化规律。     

2D/3D刚性图像配准在肿瘤放疗计划中的应用

目的:在肿瘤放疗中,2D/3D刚性图像配准技术是精确定位病人重要保证。方法:数字重建放射影像技术是2D/3D配准中最为关键的部分,一定程度上影响着配准效率。在对数字重建放射影像进行重点研究的基础上,实现了一种基于Bresenham方法的快速数字影像重建算法,并利用腹部CT体数据进行了2D/3D配准实验。实验以互信息、模式强度和梯度差分为相似性测度并采用了Powell-Brent优化算法。结果:在数字重建放射图像算法实验中,Bresemham方法相比于另外两种光线跟踪算法,时间仅需0.467 s。在2D/3D配准实验中,对三种相似性测度的实验结果进行了比较,互信息和梯度差分有较好的配准结果,模式强度仍存在不少问题。结论:实验结果表明,利用Bresenham方法产生的数字重建影像能使得配准具有较高精度,但配准时间仍然较长。     

一种基于2D/3D配准的脊柱术中校正方法

背景：脊柱术前三维影像有助于诊断和治疗,术中患者体位变化将引起脊柱形态改变,致使术前影像不能反映术中实际情况,无法确保手术的顺利实施。 目的：利用脊髓手术中影像校正术前脊柱模型形态。 方法：实验提出了一种基于2D/3D配准的脊柱术中校正方法,借助数字影像重建技术完成术前X射线图像与CT体数据的2D/3D配准,进一步完成术中、术前X射线图像中独立椎段的特征匹配,利用上述配准结果实现术前脊柱CT模型的术中快速校正。 结果与结论：采用附有标记的颈椎标本进行实验,校正后可基本消除术前脊柱模型与术中形态的偏差,其误差可控制在1 mm以内,能够满足医学临床要求。     

基于级联式三维卷积神经网络的肝肿瘤自动分割

目的:根据肝肿瘤CT影像中的特异性、分割难点以及残差网络思想,提出一种基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法。方法:首先根据临床知识对CT数据进行预处理,减少干扰;然后基于一个肝脏粗分割网络对肝脏进行分割,并根据分割结果坐标选取肝脏作为感兴趣区域;最后在感兴趣区域内对肿瘤进行精准分割。结果:通过级联式网络分割可以有效减少计算时间以及避免其它组织的干扰,从而实现肝肿瘤的快速分割。本研究提出的方法在2017年MICCAI肝肿瘤分割公开比赛数据集LiTS中进行测试,平均Dice分数为0.663,证实了其对肝肿瘤分割的有效性。结论:基于级联式卷积神经网络的全自动CT图像肝脏肿瘤分割方法可以实现肿瘤的快速分割。后期研究将继续增加数据量,对肿瘤进行分类,从而进一步完善模型。     

3D MRI heart segmentation of mouse embryos

MRI has become an effective tool for anatomical mice studies. Currently, embryologists study the development of mouse embryos in order to understand the mechanisms of human development. The aim of the research presented in this paper, is to develop a semi-automatic image segmentation framework based 3D deformable models to identify cardiac malformations which are a major cause of death in children. The segmentation systems have been used to segment 3D mouse embryos heart structures. Results on the ventricles and on the heart muscle are presented and compared with manually segmented models.     

Interactive 3D segmentation using connected orthogonal contours

This paper describes a new method for interactive segmentation that is based on cross-sectional design and 3D modelling. The method represents a 3D model by a set of connected contours that are planar and orthogonal. Planar contours overlayed on image data are easily manipulated and linked contours reduce the amount of user interaction.1 This method solves the contour-to-contour correspondence problem and can capture extrema of objects in a more flexible way than manual segmentation of a stack of 2D images. The resulting 3D model is guaranteed to be free of geometric and topological errors. We show that manual segmentation using connected orthogonal contours has great advantages over conventional manual segmentation. Furthermore, the method provides effective feedback and control for creating an initial model for, and control and steering of, (semi-)automatic segmentation methods.     

基于三维图像的大脑病灶显示和分析

针对头部各组织在灰度分布上存在复杂的粘连和交错叠加现象,提出在管状加强滤波算法中增加体素亮度调和参数并与管状控制的其他参数一起共同控制管状响应值的产生,该管状加强滤波算法和其他相关切割算法通过采用GPU编程方式实现,并对脑部肿瘤的提取和显示技术进行了探讨。实验结果表明,本文方法对于脑部组织和相关病灶的分割提供可视的实时显示,对脑部疾病的微创手术和介入治疗提供图像导视。     

心音信号分段规则的探讨

目的 如何有效提取心音信号的有效成分（第一心音S1、第二心音S2）是分析心音信号的关键。为提取心音信号的有效成分,必须明确心音信号的分段规则。方法 首先对目前心音研究领域中常用的两类心音分段方法进行分析和比较。根据现有文献资料,结合作者对实际采集的829例心音实例的研究,提取心音的各时域特征并进行统计分析,最后对心音信号分段规则进行了探讨。结果 心音信号的S1、S2及收缩期、舒张期等时域特征呈现一定规律性。结论 可按照上述时域特征对心音信号进行自动分段,并借助心音分段规则进行进一步识别和分析。     

基于图谱的肝脏CT三维自动分割研究

目的在肝脏外科手术或肝脏病理研究中,计算肝脏体积是重要步骤。由于肝脏外形复杂、临近组织灰度值与之接近等特点,肝脏的自动医学图像分割仍是医学图像处理中的难点之一。方法本文采用图谱结合3D非刚性配准的方法,同时加入肝脏区域搜索算法,实现了鲁棒性较高的肝脏自动分割程序。首先,利用20套训练图像创建图谱,然后程序自动搜索肝脏区域,最后将图谱与待分割CT图像依次进行仿射配准和B样条配准。配准以后的图谱肝脏轮廓即可表示为目标肝脏分割轮廓,进而计算出肝脏体积。结果评估结果显示,上述方法在肝脏体积误差方面表现出色,达到77分,但在局部（主要在肝脏尖端）出现较大的误差。结论该方法分割临床肝脏CT图像具有可行性。     

基于3D ResUnet网络的肺结节分割

目的:将深度残差结构和U-Net网络结合形成新的网络ResUnet,并利用ResUnet深度学习网络结构对胸部CT影像进行图像分割以提取肺结节区域。方法:使用的CT影像数据来源于LUNA16数据集,首先对CT图像预处理提取出肺实质,然后对其截取立体图像块并进行数据增强来扩充样本数,形成相应的肺结节掩膜图像,最后将生成的样本输入到ResUnet模型中进行训练。结果:本研究模型最终的精度和召回率分别为35.02%和97.68%。结论:该模型能自动学习肺结节特征,为后续的肺癌自动诊断提供可靠基础,减少临床诊断的成本并节省医生诊断的时间。 【关键词】肺结节;分割;深度残差结构;召回率;ResUnet