超声图像分割研究现状

目前,医学图像作为临床检测以及放疗引导的重要参考依据,在医学的发展中起着关键作用。医学图像主要包括计算机断层扫描（CT）、核磁共振（MRI）、X射线、超声（US）等,超声相对前三者价格较低,对软组织成像效果较好且对人体基本无伤害,在现阶段应用已越来越广泛。超声图像分割对后期图像分析有很大的作用,可以给临床诊断及放疗摆位等提供一定的参考,本文就超声图像的分割的传统方法、基于形变模型的分割方法和结合深度学习方法的研究情况进行阐述。     

MR图像预测CT图像研究进展

医学图像可以为医生提供准确和全面的病患信息.由于人体因各种疾病引起的形态或功能异常可以表现在很多方面,MR图像和CT图像能重点呈现出患者不同组织结构的医学图像数据,但单独的MR图像或者CT图像不能全面反应出疾病的复杂性.MR图像预测CT图像属于医学图像跨模态预测的一种,将MR图像预测CT图像的方法分为4类,基于图集的方...     

超声图像分割的研究进展

医学图像主要包括CT、MRI、X线、超声等,其中超声检查价格低,对软组织成像效果好,对人体基本无伤害,目前临床已广泛应用。超声图像分割对后期图像分析有很大作用,可为临床诊断及放疗摆位等提供参考。本文就超声图像分割的传统方法、基于形变模型的分割方法及结合深度学习方法的研究进展进行综述。     

循环生成对抗网络基于颅脑MR图生成伪CT图模型

目的 采用改进循环生成对抗网络（UCycleGAN）基于颅脑MR图映射模型生成伪CT图。方法 对50例鼻咽癌颅脑MR图与CT图进行配准及预处理；以U-net网络并添加L1距离函数替换原始循环GAN （CycleGAN）模型生成器的深度残差网络。随机选取40例图像作为训练数据对UCycleGAN模型进行训练，将剩余10例用于测试；比较生成伪CT图与原始图像质量的差异，并与以ResNet、U-net的CycleGAN以及Pix2Pix生成的图像进行对比。结果 相比其他模型，以UCycleGAN模型生成的伪CT图与原始CT图更为接近，体素平均绝对误差（MAE）为（81.45±3.87） HU，峰值信噪比（PSNR）为（34.13±3.28） dB，结构相似性（SSIM）为0.87±0.03。采用UCycleGAN模型生成的伪CT图的MAE小于、而SSIM明显大于其他3种模型（P均<0.05）；UCycleGAN伪CT图的PSNR大于CycleGAN_ResNet图像（P<0.05）。结论 利用UCycleGAN可基于颅脑MR图生成伪CT图；改良后CycleGAN模型的准确性更高。     

基于双次梯度联合改进Criminisi算法去除超声图像中的人工标记并修复图像的可行性

目的 观察基于双次梯度联合改进Criminisi算法去除超声图像中人工标记并修复图像的可行性。方法 选取30幅二维声像图，图中均包含十字、箭头和/或文字标记，以20幅无标记图像作为参考。算法由标记提取模块及图像恢复模块两个部分组成，前者采用双次梯度最大连通面积方法，后者采用改进重加权Criminisi算法；以峰值信噪比(PSNR)和结构相似性(SSIM)作为指标评价修复图像的质量。结果 基于双次梯度联合改进Criminisi算法可准确检出超声图像中的人工标记并生成掩模，用于去除标记、恢复图像。相比无标记图像，30幅超声图像提取的标记掩模的平均检测精度和平均错误发现率分别为0.96和0.63,修复图像的平均PSNR及SSIM分别为46.78 dB和0.99。结论 基于双次梯度联合改进Criminisi算法可有效去除超声图像中的人工标记并修复图像。