基于2.5D级联卷积神经网络的CT图像胰腺分割方法

目的:由于胰腺体积小、形态个体差异性大，影像上的准确分割较为困难。本文提出一种基于2.5D级联卷积神经网络的CT图像胰腺分割方法。方法:实验中使用的数据为NIH胰腺分割公开数据集，共包含82例腹部CT图像，随机选取其中56、9、17例分别作为训练集、验证集和测试集；训练过程中使用旋转、拉伸、平移、裁剪等操作对数据进行扩增。实验中提出一种用于胰腺分割的、结合概率图的2.5D级联深度监督UNet，即CSNet（Cascading deep Supervision UNet）。该网络由3个部分组成:第1部分基于UNet，输入连续5层图像，输出中间3层对应的粗分割图像，设置适当的阈值，使其变成二值的粗分割结果；第2部分将第1层、第3层的粗分割结果与中间层的原始图像相结合，输入另一个深度监督UNet网络，得到中间层的精细分割；第3部分将第1部分网络输出的中间层的粗分割概率图与第2部分网络输出的细分割概率图通过1×1卷积进行概率融合得到最终的输出结果。3个子网络同时进行训练，对应的能量函数联合优化，从而得到更精准的分割结果。最后，使用DSC对分割结果进行评估。结果:在独立测试集上，CSNet实现了（83.74±5.27）%的DSC值。结论:CSNet可以准确分割出CT图像上的胰腺区域。     

基于有限训练样本的融合网络模型用于盆腔危及器官自动分割的研究

将深度学习应用到医学影像中危及器官自动分割领域时,为解决训练样本不足时三维卷积神经网络优化出现的退化、梯度消失等问题,本研究将Dense Net与V-Net两个网络模型进行融合,开发一种用于三维计算机断层扫描(CT)图像自动分割的Dense V-Network算法,勾画女性盆腔危及器官。采用戴斯相似性系数(DSC)、豪斯多夫距离(HD)、杰卡德距离(JD)三个参数来定量评估分割效果。结果显示膀胱、小肠、直肠、股骨头和脊髓自动分割的DSC值均在0.87以上(平均值是0.9);JD值均在2.3以内(平均值是0.18);除小肠外,HD值均在0.9 cm以内(平均值是0.62 cm)。经验证,Dense V-Network网络可精准地勾画盆腔危及器官。     

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。     

基于三维U-NET深度卷积神经网络的头颈部危及器官的自动勾画

勾画危及器官是放射治疗中的重要环节。目前人工勾画的方式依赖于医生的知识和经验,非常耗时且难以保证勾画准确性、一致性和重复性。为此,本研究提出一种深度卷积神经网络,用于头颈部危及器官的自动和精确勾画。研究回顾了496例鼻咽癌患者数据,随机选择376例用于训练集,60例用于验证集,60例作为测试集。使用三维(3D)U-NET深度卷积神经网络结构,结合Dice Loss和Generalized Dice Loss两种损失函数训练头颈部危及器官自动勾画深度卷积神经网络模型,评估参数为Dice相似性系数和Jaccard距离。19种危及器官Dice相似性指数平均达到0.91,Jaccard距离平均值为0.15。研究结果显示基于3D U-NET深度卷积神经网络结合Dice损失函数可以较好地应用于头颈部危及器官的自动勾画。     

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。     

利用深度反卷积神经网络自动勾画放疗危及器官

目的:勾画危及器官是放射治疗中非常重要的常规工作。然而,目前的人工勾画非常耗时,而且依赖于医生的知识和经验。为此,本研究提出一种深度反卷积神经网络,用于自动和精确地勾画危及器官。 方法:深度反卷积神经网络是一个用于自动分割的端到端框架。实验使用了230例头颈部患者的数据,在其中随机选择了184例作为训练集,用于调制自动分割模型的参数,其余46例用作测试集评估方法的性能。用于分割的危及器官包括脑干、脊髓、左腮腺、右腮腺、左颞叶、右颞叶、甲状腺、喉、气管9个危及器官。自动分割精度的量化指标使用戴斯相似性系数和豪斯多夫距离。 结果:所有危及器官自动分割的戴斯相似性系数值均在0.70以上（平均值为0.81）,豪斯多夫距离值在5.0 mm内（平均值为4.3 mm）,表明本研究提出的自动分割方法能准确地分割危及器官。 结论:利用深度反卷积神经网络建立了一种自动分割危及器官的方法,可以得到较准确的结果,为放射治疗流程自动化提供了技术支持。     

深度学习在肝脏肿瘤CT图像分割中的应用

肝脏肿瘤严重危害着全人类的生命健康。近年来，随着深度学习的快速发展，涌现了许多使用腹部计算机断层扫描（computed tomography,CT）图像进行肝脏肿瘤分割的深度学习方法，这些方法的应用对于临床上实现肝脏肿瘤的计算机辅助诊断具有十分重要的意义。为此，本文对深度学习方法在肝脏肿瘤CT图像分割中的应用进行了归纳，将各种卷积神经网络（convolutional neural networks,CNN）分为二维（two-dimensional,2D）、三维（three-dimensional,3D）和2.5维（2.5-dimensional,2.5D）卷积神经网络。此外，本文总结了各类网络的优缺点以及改进方法，为深度学习在肝脏肿瘤分割中的应用提供了有益参考。     

基于新型深度全卷积网络的肝脏CT影像三维区域自动分割

肝脏分割对于肝肿瘤肝段切除及肝移植体积测量具有重要的临床价值。由于在CT影像中肝脏与邻近脏器的灰度值相似性很高,因此对肝脏区域的三维自动分割是一项具有挑战性的难题。为解决精准肝脏分割的问题,提出一种新型的深度全卷积网络结构3DUnet-C2。该结构充分利用肝脏CT图像的三维空间信息,并有效结合肝脏区域的浅层特征和深层特征。特别地,还提出一种新的3DUnet-C2网络训练策略,通过选取清晰图像,并从图像中截取肝脏区域作为样本进行训练的方式,得到初步3DUnet-C2模型权重,并使用该权重来初始化3DUnet-C2的网络参数,从而使网络达到收敛。最后,针对3DUnet-C2网络分割肝脏边界不精准的问题,在原有3DUnet-C2网络模型的基础上,运用三维条件随机场构建3DUnet-C2-CRF模型来优化肝脏分割边界。为了验证所提出三维分割模型的性能,从ISBI2017 Liver Tumor Segmentation Challenge的数据集中选取100张CT图像用于训练、验证和测试,3DUnet-C2-CRF模型在随机选取的20张测试集上的分割准确率的Dice系数为96.9%,高于3DUnet和Vnet模型的Dice系数。实验结果表明,3DUnet-C2-CRF模型具有更好的特征表达能力以及更强的泛化性能,从而可提升模型的分割准确率。     

颞骨CT内面神经、迷路、听骨结构深度学习的自动化分割方法

目的 探讨神经网络的深度学习方法,进行颞骨CT内面神经、迷路及听骨结构的自动化分割的可行性和精确性。方法 选择常规颞骨CT检查患者的数据,随机分为两组,一组为训练集（20例）,另一组为测试集（5例）。在上述颞骨CT中采用手工分割的方法,分割出迷路、听骨及面神经结构。选择三维卷积神经网络3D U-Net作为深度学习中的神经网络结构部分,通过对训练集的训练,得到该网络的平均精度。用该网络模型对5组测试集中的不同解剖标志自动分割的结果与手工分割的结果进行测试,分别获得面神经、迷路及听小骨的测试精度。并将上述精度与另一种基于三维卷积神经网络结构的V-Net网络模型获得的精度进行比较。结果 在颞骨CT标本中,采用面神经、迷路及听小骨分别对3D U-Net-plus和V-Net网络结构的自动分割进行训练,在训练样本中,3D U-Net-plus网络结构的平均误差为0.016,V-Net网络结构的平均误差为0.035,两者差异有统计学意义（P<0.05）;利用3D U-Net-plus神经网络自动分割的迷路、听小骨及面神经与手工分割图像的Dice相似指数分别为0.618±0.107、0.584±0.089和0.313±0.069, 利用V-Net神经网络自动分割的迷路、听小骨、面神经与手工分割图像的Dice相似指数分别为0.322±0.089、0.176±0.100和0.128± 0.077,两者差异有统计学意义（P<0.001）。结论 采用3D U-Net-plus神经网络,在颞骨内听骨、迷路及面神经的自动识别和分割方面具有可行性,该方法优于V-Net神经网络。随着网络结构的优化和学习样本的扩大,其将更加接近人工分割的效果。     

基于FC_DenseNet深度学习网络自动分割肺癌放疗中的危及器官

目的:建立一种基于密集连接深度学习的端到端胸部CT图像危及器官自动分割方法,提供一个高精度的自动分割模型,减轻医师临床勾画的工作强度。方法:收集36例肺癌患者CT图像,27例作为训练集,随机取6例作为验证集进行交叉验证,测试集为9例,训练时间约为5 h,完成了左肺、右肺、脊髓、心脏4个危及器官的自动分割,并使用Dice系数、HD95距离与平均表面距离(ASD)3个指标对测试集进行测试。结果:测试集的分割结果显示,与U-Net与ResNet50相比,FC_DenseNet网络在Dice值、HD95、ASD指标上表现较好,但是不同网络之间的分割结果并没有显著差异(P>0.05),FC_DenseNet网络Dice值最高是左肺为0.98,最低为心脏0.84。结论:本研究的结果表明,密集连接结构的深度学习模型能够较为准确地分割左右肺、脊髓、心脏4个危及器官,这种特征图复用的思想为基于深度学习的医学图像分割提供了新思路。     

基于滑动块的深度卷积神经网络乳腺X线摄影图像肿块分割算法

目的:提出一种基于滑动块的深度卷积神经网络局部分类、整图乳腺肿块分割的算法,为临床诊断提供有效的肿块形态特征。方法:首先通过区域生长算法和膨胀算法提取患者乳腺区域,并进行数据归一化操作。为了得到每一个像素位置上的诊断信息,在图像的对应位置中滑动提取肿块类及非肿块类图像块,根据卷积神经网络提取其中的纹理信息并对图像块进行分类。通过整合图像块的预测分类结果,进行由粗到细的肿块分割,获得乳腺整图中像素级别的肿块分割。结果:通过比较先进的深度卷积神经网络模型,本文算法滑动块分类结果DenseNet模型下准确率达到96.71%,乳腺X线摄影图像全图肿块分割结果F1-score最优为83.49%。结论:本算法可以分割出乳腺X线摄影图像中的肿块,为后续的乳腺病灶诊断提供可靠的基础。     

基于3D卷积神经网络的肝脏自动分割方法

原发性肝脏恶性肿瘤是我国高发且危害极大的恶性肿瘤。肝脏手术（如肿瘤切除、活体肝移植等）是各种常见肝脏良恶性疾病的主要治疗方法之一。从医学影像中将肝脏组织准确地分割出来,是计算机辅助肝脏疾病诊断与手术规划中一个基础且至关重要的步骤。针对肝脏分割的特异性及分割难点,提出3D卷积神经网络（3DCNN）肝脏自动分割算法模型。3DCNN基于对体数据的训练能很好地学习到肝脏图像平面与空间信息。通过将深度监督机制无缝地整合到3DCNN中,能够有效解决梯度消失或爆炸的优化问题,加快收敛速度的同时提高分辨能力。最后,将初始分割结果作为先验信息,采用基于多星凸约束的图割算法做进一步的分割优化。实验结果表明该分割模型能够将肝脏组织从腹部CT图像中精确分割。     

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。     

基于改进型V-net卷积神经网络的胃壁分割方法

实现上腹部CT影像的胃壁分割与中心线提取是成功实现早期胃癌筛查和辅助T分期的前提。基于改进型V-net的胃壁分割方法加入了全局平均权重模块的全卷积神经网络框架,有效解决了神经网路下采样过程中信息丢失的问题。此外,本文在原水平集方法的基础上,提出了正则化水平集损失函数。该损失函数有效抑制了全卷积网络胃壁边缘特征丢失率和因数据量较少而引起的过拟合问题,提高了神经网络对上腹部CT影像中胃壁的识别精度。实验表明,在上腹部CT影像数据集中本文方法分割准确度Dice系数高达0.916 5,IOU达到了0.822 3。该方法的Dice相对于3D V-net方法准确度提高了近6%,同时比CE-net和Dense U-net方法的准确率分别提高了2.7%和3.1%。     

卷积神经网络的原理及其在医学影像诊断中的应用

利用卷积神经网络快速高效地对医学影像数据进行分析和处理可以实现医学影像数据快速分类、定位等操作,提高医学诊疗的效率。本研究从卷积神经网络的背景和原理入手,介绍各种类型的卷积神经网络的应用场景和一些常用的卷积神经网络模型,包括残差卷积神经网络、U-net、循环卷积神经网络等及其在医学影像诊断中的应用,最后针对卷积神经网络和人工智能技术讨论了其未来的展望和挑战。     

基于空洞卷积神经网络的心律失常分类算法

本文提出了一种基于卷积网络的心电信号分类算法,设计了空洞卷积池化金字塔模块,通过不同尺寸的空洞卷积提取信息,再将各通道的信息聚合,在增强网络的特征提取能力的同时可以降低参数量。本文聚焦于窦性心律、房性早搏、心动过速以及心动过缓4种分类,使用的心电图数据集来自医院的实测数据,数据集包含75000名不同检测者的心电记录。经过测试,本文提出的模型在该数据集上取得了0.89的F1值,另外在CinC2017数据集上也达到了0.87的F1值。实验结果表明该分类算法具有优秀的特征提取和分类能力,在心电信号的实时分类中具备应用前景。