多尺度残差可变形肺部CT图像配准算法

肺部4维CT(4D-CT)图像因受到呼吸、心跳的影响而发生较大的形变,肺内的运动尺度可能大于算法用于优化过程的感兴趣结构(血管、气道等),这可能导致配准算法仅对齐了血管、气道等明显特征。针对肺实质轮廓配准后强度差异性较大的问题,文中提出了以无监督端到端深度学习为基础的多尺度残差可变形肺部CT图像配准算法,使用编码器-解码器结构形式的多尺度深度残差网络作为形变向量场的生成模型,以增强特征表达能力,提高参数利用效率和网络收敛能力;通过多分辨率自注意力融合模块提高网络对多尺度信息的感知能力;设计包含特征校正提取模块的跳跃连接,以有选择地提取编码器输出的特征图,并在重新校准后供解码器学习对齐偏移。最后,在Dir-lab公共数据集上采用文中配准算法与传统算法、目前先进的无监督配准算法进行了比较实验。结果表明:所提出的配准算法在Dir-lab公共数据集上的目标配准误差可以达到1.44mm±1.24mm,优于传统算法和主流的无监督配准算法;在控制体素折叠率小于0.1%的情况下,估计密集变形向量场耗时小于2.00s,表明文中算法在对时间敏感的肺部研究中有巨大潜力。

基于图论分割的肺部CT图像的三维重建

为了得到精准的人体肺部CT图像的分割结果,采用改进的最小生成树法对人体肺部CT图像进行分割,再采用面绘制中的Marching Cubes(MC)算法进行三维重建,实现肺部的三维立体显示.通过实验仿真,验证了改进最小生成树算法的快速有效性,并将该算法与基于阈值分割的三维重建仿真效果进行对比.结果表明,改进后的算法能有效提高肺部CT图像三维重建的效率和完整度,在保证了快速三维重建的同时,三维重建的效果更佳,将为医生的医疗诊断提供有力的判断依据.

基于动态自适应体素生长的肺部CT图像3维分割算法

为了解决传统体素生长算法中容易产生分割泄漏问题以及左右肺分离的难题,提出了一种动态自适应的体素生长算法,用于对肺部CT图像进行3维分割。该算法采用了半侧肺预分割的方式,并针对分割区域的局部统计信息动态调整分割参数,有效地避免了分割泄漏,并在准确度和鲁棒性方面得到了很大的改进,而且能够应用于纯3维环境的自动分割。该算法通过对多组实验数据,包括健康人和不同类型肺病患者的肺部CT图像进行试验,取得了良好的效果,为肺部组织的定量计算以及临床应用提供了可靠的基础。

基于点集与互信息的肺部CT图像三维弹性配准算法

针对基于互信息的肺部CT图像三维弹性配准算法精度低、耗时多的问题,提出了一种基于混合配准框架的配准算法.该方法将点集与互信息相结合,先采用点集配准算法获得点集位移向量,再求出变换函数,最后以基于互信息的方法进行细化配准.采用4组三维肺部CT图像,以标志点距离误差来验证算法精度.试验结果表明,所提方法能够快速精确地完成三维肺部CT图像弹性配准;相对于仅基于互信息的配准算法,耗时平均减少70%,配准精度平均提高5%.该方法可以用于4D肺CT图像的快速配准.

基于一致性法的肺部CT图像血管提取

在肺部CT图像中,血管与背景的对比度较低,很难分辨肿瘤和血管结节。为了解决这个问题,本文提出具有旋转不变性的一致性法。根据肺部CT影像细小血管具有局部亮度和结构光滑的纹理特征检测细小血管。首先采用OTSU等算法快速定位CT图像的肺部区域并对定位出的结果进行去噪,应用图像二值化方法分割出粗大血管,然后对没有粗大血管肺部区域的各个子区域采用一致性法进行分类计算,最后根据细小血管的纹理特征值使用支持向量机对有细小血管的子区域及有肺结节的子区域进行样本训练,判断是否是细小血管然后将其提取。实验说明该方法是有效的。

基于跟踪算法的肺部CT图像血管提取

在肺部CT图像中,血管与背景的对比度较低,因此传统的阈值细化方法只能提取有限的一部分血管。为了解决这个问题,我们在阈值细化方法处理后,以检测出的血管为基础,利用血管与背景梯度信息跟踪检测出在阈值细化方法中漏检的血管。采用OTSU算法二值化肺部CT图像,形态学细化算法提取血管骨架,依据血管光滑性确定跟踪方向并根据灰度梯度信息跟踪出更多的细小血管。实验说明该方法是有效的。

基于otsu和区域生长的肺部CT图像分割方法

为了解决对病人肺部CT图像进行准确有效分割的问题,文章提出了一种基于otsu和区域生长的肺部CT图像分割方法。该方法先用otsu对肺部CT图像进行预分割,在此基础上使用区域生长法分割肺实质区域得到肺实质掩模,最后利用掩模从原始肺部CT图像分割出肺实质。实验表明,该方法能准确有效地分割肺实质。

超限邻域平均算法在肺部CT图像除噪中的应用

本文针对含有高密度椒盐和高斯噪声的肺部CT图像除噪中细节信息保留不够,图像较模糊、清晰度欠佳等问题,提出了一种超限邻域平均算法,该方法首先通过阈值策略法对指定邻域内像素加权均值与其中任一像素灰度值大小进行比较判断,然后将大于阈值的像素剔除,而小的作为有用信息输出,最后运用该方法对含有高密度椒盐和高斯噪声的医学影像图像进行除噪实现设计。仿真实验表明,超限邻域平均算法对肺部CT图像的高密度椒盐和高斯噪声抑制力强,计算速度快,峰值信噪比(PSNR)比单纯中值和均值算法大,而均方根误差(RMSE)小,且去噪后的图像具有良好的细节保真度和清晰度。

浅析早期肺癌患者肺部CT图像中磨玻璃样结节的特征

目的:分析早期肺癌患者肺部CT图像中磨玻璃样结节的特征.方法:将2015年3月至2017年1月期间西京医院门诊部综合医疗服务中心收治的80例良性磨玻璃样结节患者和70例恶性磨玻璃样结节患者作为研究对象.将80例良性磨玻璃样结节患者作为良性组,将70例恶性磨玻璃样结节患者作为恶性组.对两组患者均进行肺部CT检查.然后,比较两组患者CT图像中磨玻璃样结节的形态、大小、边缘、界面及其与邻近结构的关系等特征.结果:恶性组患者中结节的大小为0.9~2.9㎝患者的占比高于良性组患者,P<0.05.恶性组患者中结节边缘为棘状突起患者的占比高于良性组患者,P<0.05.恶性组患者中结节呈分叶状患者的占比高于良性组患者,P<0.05.恶性组患者中结节界面清晰患者的占比低于良性组患者,P<0.05.恶性组患者中出现胸膜凹陷征患者的占比高于良性组患者,P<0.05.结论:早期肺癌患者肺部CT图像中磨玻璃样结节的特征是:结节的大小为0.9~2.9㎝、边缘为棘状突起、形态为分叶状、界面模糊、可导致胸膜凹陷征等.

基于深度学习的肺部CT图像分割研究进展

肺部CT图像分割是早期筛查和诊断肺部疾病的关键。传统的CT图像分割技术(如阈值法、聚类法和区域生长法)存在精确性差、效率低和鲁棒性差的问题。随着深度学习的发展,基于深度学习的模型在CT图像分割方面表现出卓越的能力。本文结合近年来国内外研究文献,对深度学习的算法发展及其在肺部CT图像分割中的应用进行综述。文献复习结果表明,采用图像分割评价指标Dice相似系数(Dice similarity coefficient,DSC)对算法性能进行评估,肺部CT图像分割深度学习算法的DSC均大于0.9。这些结果表明深度学习能实现精确、高效和鲁棒性的肺部CT图像分割。同时,未来需要对医学图像的复杂性,深度学习数据集的大小、隐私性、网络架构设计和模型可解释性等难题进一步深入研究。

基于深度卷积神经网络的异常肺部CT图像初筛平台的设计与临床实践

针对肺部疾病初筛实践中CT图像异常先验判读机制的效能性问题,设计了一种基于深度卷积神经网络的异常肺部CT图像初筛平台并开展了临床实践验证。该平台使用CT扫描设备采集肺部CT图像,形成数据池;利用深度卷积神经网络对数据池训练集进行肺部异常特征学习,构建时间正序下的肺部CT图像异常特征全息感知机制;在Inception V3模型中结合Google Net网络结构,实现参数自动调整优化,达到对肺部疾病精准初筛的目的。使用青岛市中心医院临床肺部CT图像集进行实验,结果表明,该平台在肺部CT图像异常判读均值准确率达96.52%,肺部疾病初筛均值有效率达93.07%,可实现肺部疾病的初筛工作。

基于对比学习的肺部CT图像阶段式自监督诊断模型

深度卷积神经网络(deep convolutional neural networks,DCNN)模型因其高效的学习表征能力,被广泛应用于包括肺病等各类型疾病的辅助诊断。现有DCNN模型大都具有自监督性,对数据集的数量和质量要求较高。然而,医疗数据的隐私性和数据标注的成本极大限制了模型的性能和效力。对此,提出一种基于对比学习的阶段式自监督诊断模型。该模型对随机数据增强后的未标记肺部CT图像进行特征提取,且不需要过多对标注COVID-19数据集进行训练,有效解决了因标注数据集少而产生有监督模型训练困难的问题。同时,设计了4个消融实验来验证模型的性能。实验结果表明,提出的模型在新冠肺炎CT图像自监督诊断任务中有良好的表现。

基于Transformer的肺肿瘤三维CT图像分割

基于信息学技术自动分割病人的肺部CT图像,有助于医生对于肺癌患者的早期诊断,提取和整合图像区域间的空间关联,对于提升肺肿瘤分割性能是十分重要的。本文提出了一个新的基于Transformer的分割模型,用于肺肿瘤三维CT图像分割、学习和整合此类关联。本文分别设计了带有混合多头图像区域节点注意力的Transformer模块和类别注意力模块,学习并融合了肺部CT图像的空间层面和通道层面的信息。将新的基于Transformer的分割模型同其他较为先进的模型进行了对比实验,实验结果表明新的模型在骰子系数、交并比和豪斯多夫距离等方面优于其他模型。

基于结构联合字典的肺部LDCT图像降噪

肺部LDCT(Low-Dose Computed Tomography)图像中噪声及条状伪影等异常显著,顶部和底部图像尤为严重.为提高整个肺部LDCT图像的质量,本文提出一种基于结构联合字典的图像降噪方法.首先,利用肺部CT图像的灰度特点,将HRCT(High Resolution Computed Tomography)图像块分类并训练,获得4类字典,通过计算原子的信息熵和HOG(Histogram of Oriented Gradient)特征,得到相应的结构字典,进而构造出结构联合字典;然后,在对肺部LDCT图像进行非局部均值滤波的基础上,将结构联合字典作为全局字典,对图像进行稀疏表示及重构,获得降噪后的图像.为验证算法有效性,选用模拟和临床两类数据进行实验,并与KSVD、AS-LNLM、BF-MCA等3种算法对比.对比发现,本文算法在去除噪声和条状伪影以及保留细节方面效果较好,特别是对序列顶层和底层图像处理优势更加明显.该方法能够显著提升整个肺部LDCT图像的质量.

肺部CT图像的增强方法研究

探讨和分析肺部CT图像的增强方法。方法:随机抽取2009年3月至2012年3月在我院经胸部X线或CT检查确诊的肺部肿瘤患者48例,对48例患者进行分期动态增强CT检查。结果:通过对比分析,结果表明,肺动脉期、主动脉期和延长期的CT净增加值有显著性差异(P<0.05)。结论:采用多期CT增强扫描对肺部肿块的诊断具有较好的临床应用价值,值得推广。

肺部CT图像的增强方法研究

目的：对肺部CT图像的增强方法进行研究与分析。方法：随机抽取在2009年3月-2012年3月这段时间里我院收治的经胸部平片或者是CT扫描确诊存在肺部肿块的患者病例48例，对这48例患者进行分期动态CT增强研究。结果：通过比较分析结果得出，肺动脉期、主动脉期以及各个延长时期CT净增值之间比较存在显著的统计学差异（P〈0．05）。结论：采用多期CT增强扫描对肺部肿块进行诊断具有很好的临床应用价值，值得对其予以推广。

基于CT图像的肺实质分割技术研究

基于CT图像的肺实质分割不仅仅是后续图像处理最基础和最重要的技术,而且是一个典型的亟待解决的问题。基于CT图像的精确的肺实质分割是数学分析、计算机辅助分析和治疗的前提。本文明确了肺实质分割的概念及本质,以及肺实质分割在临床治疗中的重大意义。重点介绍了阈值法、区域生长法、主动轮廓模型和遗传算法,分析了它们的本质以及优缺点,并且列举大量实例说明。最后指出了基于CT图像的肺实质分割方法的发展趋势与面临的挑战。

引入轮廓监督的动态规划CT图像肺结节分割算法

目的:提出一种基于轮廓监督的动态规划方法,实现对CT图像肺结节的分割。方法:在基于动态规划的轮廓跟踪过程中,引入轮廓监督机制,对比改进以前常见的算法,减少了周围组织和对比度不足对分割精度的影响。结果:轮廓监督的引入,有效地掩蔽了肺结节周围组织,避免了轮廓偏离。结论:改进的算法提高了肺结节分割准确性,且具有更好的鲁棒性。

一种CT图像的肺实质分割方法

基于CT图像的肺实质分割不仅仅是后续图像处理最基础和最重要的技术，而且是一个典型的亟待解决的问题。本文利用水平集方法能初步获取较好的目标轮廓的特点和分水岭算法准确的边缘检测能力，提出一种基于水平集和分水岭相结合的改进轮廓检测算法。该算法采用由粗糙到准确的方式，在运用水平集演化初步检测目标轮廓的基础上，进一步运用标记分水岭算法检测准确的轮廓边界。结果表明，该方法能实现肺实质分割，解决了肺结节检测的预处理问题。

一种CT图像的肺实质分割方法

基于CT图像的肺实质分割不仅仅是后续图像处理最基础和最重要的技术,而且是一个典型的亟待解决的问题。本文利用水平集方法能初步获取较好的目标轮廓的特点和分水岭算法准确的边缘检测能力,提出一种基于水平集和分水岭相结合的改进轮廓检测算法。该算法采用由粗糙到准确的方式,在运用水平集演化初步检测目标轮廓的基础上,进一步运用标记分水岭算法检测准确的轮廓边界。结果表明,该方法能实现肺实质分割,解决了肺结节检测的预处理问题。