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。     

医学图像深度学习处理方法的研究进展

由于医学图像数据爆炸式增长,传统依靠医生人工对医学图像进行分析诊断,不仅工作效率低下,工作量大,还容易误诊、漏诊。随着人工智能(artificial intelligence,AI)技术的发展与应用,机器学习(machine learning,ML),尤其是深度学习(deep learning,DL)在医学图像分析领域发挥着越来越重要的作用。本文对DL在医学图像自动分割和分类识别中的研究进展进行综述,为DL在解决医学图像分析诊断方面提供有益参考。     

基于深度学习的甲状腺癌病理图像分级方法

针对日益增长的甲状腺癌早期诊断的需求,基于深度学习方法,在EfficientNet网络的基础上结合CA注意力机制,进行甲状腺癌病理图像自动分级方法研究。实验结果显示,CA-EfficientNet网络模型的精确率达到96.6%,证明了基于CA-EfficientNet网络的甲状腺癌病理图像自动分级算法的先进性,基于该算法实现的自动辅助诊断系统具有实际应用性,可有效降低病理医生工作负担,并降低因疲劳等主观因素造成的人工诊断误诊率。     

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。     

多模态医学图像融合技术的研究与进展

医学图像融合技术是影像学技术在医学上极具特色的应用,它将解剖影像与功能影像两者有机的结合起来,实现了从单一的形态学诊断进入到功能与形态相结合的综合影像诊断。重点介绍了多模态医学图像融合的意义、融合技术的分类以及各实现方法的原理,主要包括加权平均法、多分辨金字塔法、小波变换法等常用技术,并分析了当前该领域存在的技术难点以及发展前景。     

基于深度学习的七类病毒电镜图像自动识别

目的应用深度学习进行病毒电镜图像的分类,通过多种模型性能的比较,提供适用于病毒电镜图像分类的网络模型,提供病毒电镜图像识别的辅助与支持,减少研究人员的劳动强度和分析时间。方法通过加深网络深度、调整学习率和批量大小等参数,使用AlexNet、VGG、ResNet、DenseNet、SqueezeNet、MobileNet、ShuffleNet多种经典的卷积神经网络对七种病毒电镜图像进行分类。结果DenseNet169以91.9%的准确率、90.1%的敏感度和98.6%的特异度取得了模型最佳性能。其中,模型对细小病毒的识别效果最好,乳头瘤病毒、疱疹病毒、痘病毒和轮状病毒的精确率、敏感度、特异度和F1值均在90%以上,甚至接近100%。同时,轻量级网络ShuffleNet的性能以更少的参数量和浮点次数超越了深度网络AlexNet和VGG,并能够以比ResNet少约15倍的参数量和90余倍的浮点运算次数取得与之相当的结果;与DenseNet相比,孙世丁通过牺牲可接受范围内的识别性能换取了比其少约10倍的参数量和80余倍的浮点运算次数。结论深度网络DenseNet169能够以最佳性能实现病毒电镜图像的自动识别,轻量网络ShuffleNet_v2_x0_5能够以更少的参数量和浮点运算次数实现次优性能,在实际应用中可结合具体情况在深度网络和轻量级网络之间进行取舍。     

基于深度学习的跨模态医学图像转换

运用深度学习的方法基于脑部CT扫描图像合成相应的MRI。将28例患者进行颅脑CT和MRI扫描得到的CT和MRI的断层图像进行刚性配准,随机选取20例患者的图像输入U-Net卷积神经网络进行训练,利用训练好的网络对未参与训练的8例患者的CT图像进行预测,得到合成的MRI。研究结果显示:通过对合成的MRI进行定量分析,利用基于L2损失函数构建的U-Net网络合成MRI效果良好,平均绝对平均误差（MAE）为47.81,平均结构相似性指数（SSIM）为0.91。本研究表明可以利用深度学习方法对CT图像进行转换,获得合成MRI,现阶段可以达到扩充MRI医学图像数据库的目的,随着合成图像精度的提高,可以用于帮助诊断等临床应用。     

基于深度学习的乳腺钼靶图像分类方法研究进展

钼靶检查是当前临床诊断乳腺肿瘤的常规手段,患者痛苦相对较小、简便易行、分辨率高、可重复性好。为了提高诊断效率,减小误诊风险,针对乳腺钼靶图像开发基于人工智能的计算机辅助诊断系统(computer-aided diagnosis,CAD)显得尤为重要。传统的分类方法需要使用大量的手工特征,而深度学习能够自动从数据中学习特征,避免了传统算法中人工设计、提取特征的复杂性和局限性。我们从感兴趣区域和全图两个方面对近年来基于深度学习的乳腺钼靶图像分类方法研究进展予以综述和展望。调研发现深度学习在乳腺钼靶图像分类方面展示了不错的效果,其中基于深度卷积神经网络的分类方法已经成为当下的热门技术。     

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。     

医学图像识别中多分类器融合方法的研究进展

计算机辅助医学图像分析识别对多种疾病的临床诊断有着重要的意义。由于医学图像自身的复杂性,单一分类器的识别性能常常难以满足临床上的要求,因此近年来,作为一种能有效改进单一分类器识别性能的方法,多分类器融合技术被逐步应用到包括乳腺X光片识别、肿瘤细胞识别以及内窥镜图像分析等领域,并取得了更为满意的识别结果。在参阅大量文献的基础上,对多分类器融合识别技术的理论分析及其在医学领域的研究及应用现状进行了综述,进而对其存在的问题进行了分析以及前景展望。     

基于医学图像的超分辨率重建算法综述

随着临床对医学图像高分辨率的要求,基于低分辨率医学图像的超分辨率重建算法已成为研究热点,该类方法在不需要改进硬件设备的情况下,可以显著提高图像分辨率,因此对其进行综述具有重要意义。针对医学图像领域中特有的超分辨率重建算法,首先分析了该类算法的研究现状,并将其分为三类:基于插值的超分辨率重建、基于重构的超分辨率重建和基于学习的超分辨率重建。同时,基于MR图像、CT图像、超声图像等细分医学图像领域,深入分析了超分辨率重建算法的研究进展,并对不同类型的算法进行了归纳总结和比对分析。其次,对超分辨率重建算法所对应的评价标准也进行了介绍。最后,展望了超分辨率重建技术在医学图像领域的发展趋势。当前应用于医学图像领域的超分辨重建算法已经发展到一定水平,逐步突破基于单一方法的研究形式,通过与机器学习和稀疏表示等理论的深度融合,形成了更高效的算法。     

基于3D-ResNet深度影像特征的胆囊癌生存预测模型

建立一个精准的个体化胆囊癌患者生存预测模型,分析、寻找新的胆囊癌预后因素,对于患者预后评估、治疗模式选择、手术患者筛选、术后辅助治疗方案确定及医疗资源合理使用均具有重要意义。本文提出一种基于3D-ResNet提取深度影像特征建立胆囊癌患者生存预后模型的方法,通过迁移学习以及训练3D-ResNet自动提取患者CT的深度特征,并利用提取的深度影像特征,通过Cox比例风险回归模型建立胆囊癌患者的生存预测模型。实验结果表明,基于深度影像特征建立的胆囊癌患者预后因子在预测患者生存时的C指数达到0.734,利用深度影像特征预后因子预测患者的1、3、5年存活率AUC分别达到0.833、0.791、0.813。本方法对胆囊癌预后预测有着良好的指示作用。     

基于深度监督全卷积神经网络的MRI脑图像语义分割算法

目的 依据临床诊断对MRI脑图像自动分割算法的需求,基于卷积神经网络(convolutional neural networks,CNN)设计了一种端到端的深度监督全卷积网络(deeply supervised fully convolutional network,DS-FCN)以解决脑图像中脑组织的自动分割问题。方法 针对三维MRI脑图像,先将体数据切割成二维图像切片,在FCN网络结构的基础上,加入了深度监督机制,即在特征提取的多层级结构中提前得到损失值反馈。结果 以三维MRI脑图像公开数据集LPBA-40为实验数据,56类脑组织的准确率(precision rate)、召回率(recall rate)、F1评估值分别为74. 40%、74. 82%、73. 75%,测试速率为152 ms。结论 通过引入深度监督结构,改进后的DS-FCN在MRI脑组织分割任务中得到了更精准的分割效果。     

基于深度学习技术的磁共振成像研究进展

磁共振（MR）成像是当前应用于临床医学诊断的重要医学成像手段之一。如何缩短扫描时间进行快速成像一直以来都是MR成像领域中的热门研究问题。近年来，随着深度学习的兴起和快速发展，深度学习被广泛应用于医学图像处理领域中。目前基于深度学习的MR成像方法作为MR成像的新兴方向，相应的研究已取得了一系列进展。本文对几种常见的基于深度学习的MR成像方法进行归纳和简要分析，并对其研究前景进行了展望。