基于YOLOv5s和超声图像的儿童肠套叠特征检测模型

为帮助医生快速寻找到儿童腹部超声中肠套叠的病变特征并实现肠套叠超声诊后数据的快速质检,文章将目标检测算法应用于儿童腹部超声图像检测肠套叠“同心圆”征.首先探索了基于YOLOv5s的儿童肠套叠检测模型,发现该模型检测肠套叠“同心圆”征的精确度、召回率、F 1分数、mAP@0.5、FPS以及参数量等方面均优于Faster RCNN.进一步,为解决肉眼难以观察的“同心圆”征的检测问题,使用双向特征金字塔网络,并将注意力机制加入YOLOv5s网络,形成基于YOLOv5s_BiFPN_SE框架的儿童肠套叠“同心圆”征检测模型.该模型检测的精确率、召回率、F 1分数、mAP@0.5分别达到了91.33%、90.73%、91.03%、88.77%,性能更优于YOLOv5s.

基于SoS核函数调制的超声图像伪影剔除方法

针对超声图像伪影严重的问题,提出了一种基于SoS核函数调制的超声图像伪影剔除方法,该方法能同时剔除由等声程线扩散、传感器拖尾现象和检测噪声产生的伪影.该方法利用SoS核函数对测得的超声回波信号进行调制,对调制后的信号等间隔低速率采样来获取离散序列值,再对离散序列进行离散傅里叶变换得到傅里叶系数序列,利用谱估计算法对回波信号参数进行估计,获取检测信号的特征参数,最后对回波信号进行自适应重构,计算声场得到超声图像.试验结果表明,聚焦和直探头对槽和通孔类缺陷的去伪影效果明显,与传统B扫图像相比,峰值信噪比分别达到了24.306、23.213、15.074和16.444 dB,结构相似度分别为0.931、0.932、0.746和0.773,表明该算法有效提高了缺陷图像的质量.

改进Segformer的前列腺超声图像语义分割算法

前列腺超声图像在临床中的准确分割对后续诊断具有重要影响。因此,通过深度学习辅助实现前列腺边界的快速、准确分割非常必要。为此,文中提出了一种改进的前列腺分割网络(DA-Segformer)。利用Transformer、深监督和注意力机制,快速准确地分割前列腺超声图像。引入MAG模块提高网络对特征图和像素关联性的理解能力,以及对前景像素的敏感度。采用深监督策略,在解码过程中引入损失函数,优化梯度传播,增强网络对关键特征的学习表征能力。实验结果显示,在前列腺超声图像数据集上,DA-Segformer模型的mIoU、Dice系数、准确率和召回率等指标均优于其他主流语义分割模型。该方法有效解决了前列腺超声图像手工分割的难题,为临床诊断提供了有价值的计算机辅助工具。

胎儿动脉弓位置异常并血管环的形成及超声图像分析

探讨胎儿动脉弓位置异常并血管环形成及其超声图像特点。方法 选择本院产前超声诊断的动脉弓位置异常并血管环形成胎儿23例进行回顾性分析,将其与随访结果(产后或尸检)对照,同时分析其超声图像特征。结果 产前超声检查23例并血管环形成胎儿,16例为右位主动脉弓+左位动脉导管+迷走左锁骨下动脉16例,其余则相对少见,而随访结果证实21例并血管环形成,产前超声诊断准确率为91.30%。结论 血管环的形成往往与胎儿动脉弓位置异常有关,比如主动脉弓及其分支,部分可围绕食管或气管形成完全血管环,有些则形成不完全的血管环,部分病例会导致气管或食管的受压而产生相应的症状,产前超声对血管环的观察具有一定的特征性。

基于TransUNet的甲状腺结节超声图像精准分割方法

目的甲状腺结节的精准分割在医学影像处理中具有重要意义,然而,超声图像中的结节通常具有尺寸多变和边缘模糊的特点,这为其准确分割带来了挑战。为有效应对这一挑战,本文提出了一种结合卷积神经网络(convolutional neural network,CNN)和Transformer的分割网络,命名为TransUNet,旨在实现对甲状腺结节超声图像的精准分割。方法首先,使用卷积神经网络对超声图像进行编码,以生成特征图。接着,将特征图转换为序列向量,并利用Transformer的编码机制来捕捉上下文信息。此外,为保持局部细节特征的完整性,研究组还引入了跳跃连接,将其用于在解码器中对编码特征进行上采样,这对于处理边缘模糊等问题尤为重要。结果通过在甲状腺结节图像分割任务中进行广泛的实验,验证TransUNet的有效性。具体而言,骰子系数(dice coefficient,DICE)为0.75,交并比(intersection over union,IoU)为0.60,F1分数(F1 Score)为0.72,准确率高达0.93,AUC(area under the ROC curve)为0.91。这些性能指标反映了该方法在处理尺寸多变和边缘模糊等挑战方面的出色表现。结论本文提出的TransUNet为甲状腺结节超声图像分割任务带来了显著的性能提升。相较于传统的U-Net方法,TransUNet不仅更好地处理了尺寸多变和边缘模糊等挑战,而且在分割性能上具有更为出色的表现,为医学图像处理领域的进一步研究和临床应用提供了有力支持。

改进ConvNeXt的肝囊型包虫病超声图像五分类研究

肝包虫病是严重危害人畜健康的重要人畜共患寄生虫病,超声检查是肝包虫病的首选检查方法,采用深度学习技术能够有效减少人工误差,降低成本并提高诊断效率。以ConvNeXt模型为基础,结合焦点损失函数和Lion优化器,最后引入CBAM构建CLCFNet模型实现肝囊型包虫病早期筛查和精确诊断。在肝囊型包虫病超声影像数据集进行的消融实验表明,对比基准模型分类准确率、精确率、召回率、特异度和F1指数平均提升了4.3%、21%、25%、4%和26%,对比实验也验证了所提出方法各指标优于现有流行方法。改进算法显著降低了模型推理时间,增强了模型训练的稳态性能,可以实现肝囊型包虫病的快速和精准分类识别。

基于序列注意力和局部相位引导的骨超声图像分割网络

在超声辅助的骨科手术导航中,需要从采集的超声图像序列中精确分割出骨结构,并展示给医生,来辅助医生进行术中决策.但是,图像噪声、成像伪影以及模糊的骨边界导致从超声图像序列中精确分割提取骨结构十分困难.为解决该问题,提出一种新的基于序列注意力与局部相位引导的骨超声图像分割网络.该网络一方面自适应地利用超声序列帧之间的关系即序列注意力来辅助骨结构的语义分割.另一方面,该网络通过引入局部相位引导模块,突出骨边缘信息,进一步提高分割精度.利用包含19050幅图像的骨超声数据集,进行交叉实验、消融实验并与最新的超声骨分割方法进行比较.实验结果表明所提方法对骨结构分割精度高,优于现有的超声骨分割方法.

基于ResNet与分离注意力机制的肺部超声图像分类系统设计

目的为解决传统的深度学习模型在处理具有多样性图像质量和微妙病变区域差异的肺部超声图像方面性能不佳的问题,设计一种基于残差网络(Residual Network,ResNet)与分离注意力机制的肺部超声图像分类系统。方法采用ResNet152作为基础模型,结合分离注意力机制,通过对肺部超声图像进行预处理、数据增强和标准化处理,以提高模型的特征提取和分类能力。模型首先通过ResNet152进行深度特征提取,随后在各层引入分离注意力机制,增强模型对重要图像特征的关注,从而提高分类性能。结果实验结果表明,优化后模型与原始模型相比,分类准确度在A线、B线、胸腔积液和肺实变上分别提升了0.51%、0.95%、14.17%和6.29%。通过消融实验,当同时使用Mish函数和分离注意力机制时,混合模型达到了97.92%的准确度。结论本文提出的融合ResNet与分离注意力机制的肺部超声图像分类系统模型可为临床超声诊断提供较高的参考价值。

儿童传染性单核细胞增多症颈部淋巴结超声图像特征回顾性分析

目的对儿童传染性单核细胞增多症(Infectious mononucleosis,IM)颈部淋巴结超声图像特征进行回顾性分析,为临床早期发现此类疾病提供可靠的定量信息。方法252例儿童IM颈部肿大淋巴结(504个),其均接受超声检查,对其临床资料进行回顾性分析,就患者的超声检查结果及超声图像特征展开分析。超声图像特征包括淋巴结的形态、边界、内部回声特征(淋巴门髓质有无回声减低区)、淋巴门髓质是否增宽、皮髓质分界、融合、钙化、液化坏死、血流模式等。结果从性别来看,以男性患儿居多,从临床表现来看,以发热、颈部淋巴结肿大及扁桃体白苔为主;从实验室检查结果来看,患儿白细胞计数异常升高、淋巴细胞及异型淋巴细胞增多,肝功能异常;淋巴门髓质双侧增宽(98.41%),双侧融合(80.16%),部分内部可见卵圆形低回声(46.03%);皮髓质分界不清(99.60%),边界模糊(99.21%),且无钙化及液化坏死,血流模式以门型血流(98.02%)为主。在淋巴门存在的IM淋巴结中,淋巴门表现为不均匀的低/等回声(85.32%),与皮质回声分界不清,内可见门型血流,伴随淋巴门髓质增宽疏松网状。结论儿童IM颈部肿大淋巴结虽与其他病因导致的颈部肿大淋巴结的超声图像有些相同特点,但前者具有典型的超声图像特征,对其加以综合分析可为临床早期诊断儿童IM提供有效的影像学依据。

基于超声图像评估甲状腺和乳腺病变的通用计算方法

甲状腺和乳腺病变是影响女性身心健康的两类常见疾病。为了深入挖掘两类病变在超声图像上的个性差异和共性特征,提出一种通用的计算方法识别甲状腺和乳腺病变。先利用小波包变换将超声图像分解为4个子图;再借助灰度共生矩阵提取不含高频噪声的3个子图的纹理特征;最后利用最大相关最小冗余算法筛选特征,输入4种机器学习模型,完成甲状腺、乳腺结节良恶二分类和四分类。将方法应用于来自不同平台的甲状腺和乳腺超声图像,随机排列交叉验证二分类AUC达到0.88~0.99,准确率ACC达到0.84~0.98,均优于已有研究结果;四分类AUC达到0.95~0.97,ACC达到0.88~0.92,优于深度残差网络ResNet50。基于甲状腺(乳腺)图像训练的四种模型在交叉识别乳腺(甲状腺)良恶结节方面也取得了理想的分类结果,进一步验证了所提方法的稳定性和通用性。同时,T检验结果显示:甲状腺和乳腺恶性结节超声图像的近似子图存在非常显著的纹理差异,垂直细节子图展示出6个潜在的共性特征。

融合CNN和ViT的乳腺超声图像肿瘤分割方法

针对乳腺超声图像肿瘤区域形状大小差异大导致分割困难,卷积神经网络(convolutional neural networks,CNN)建模长距离依赖性和空间相关性方面存在局限性,视觉Transformer(vision Transformer,ViT)要求数据量巨大等问题,提出一种融合CNN和ViT的分割方法。使用改进的Swin Transformer模块和基于可形变卷积的CNN编码器模块分别提取全局特征和局部细节特征,设计使用交叉注意力机制融合这两种尺度的特征表示,训练过程采取二元交叉熵损失混合边界损失函数,有效提高分割精度。在两个公共数据集上的实验结果表明,与现有经典算法相比所提方法的分割结果有显著提升,dice系数提升3.8412%,验证所提方法的有效性和可行性。

乳腺癌超声图像分割算法研究

针对乳腺癌超声图像分割问题,提出了一种基于掩膜区域卷积神经网络(Mask R-CNN)的算法。首先,进行了超声图像分割网络的算法设计;其次,将整理好的数据集制成COCO数据集图像分割形式,提取了训练集和测试集;最后,采用迁移学习方法对网络进行了训练,得出全部测试集的乳腺癌超声图像分割结果图,并且以Dice系数、交并比和平均类准确率为评价指标对图像分割效果进行了评估。结果表明,该算法的Dice系数达到0.91,显著提升了乳腺癌超声图像病变组织的分割精确度。

超声图像对乳腺导管原位癌患者HER-2表达的预测价值

目的建立基于超声图像特征的预测模型,并探讨该模型预测乳腺导管原位癌患者人表皮生长因子受体2(HER-2)表达的价值。方法选取2016年10月至2020年6月于屯昌县人民医院就诊的126例乳腺导管原位癌患者为研究对象,收集患者入院时超声图像特征,并收集患者入院治疗后1年的HER-2表达情况,根据患者HER-2表达分为阳性组(67例)和阴性组(59例),比较两组患者临床资料,采用logistics回归方程分析影响乳腺导管原位癌患者HER-2表达的影响因素,并构建基于超声图像特征的预测模型,分析其预测乳腺导管原位癌患者HER-2表达的价值。结果单变量分析显示阳性组乳腺导管原位癌级别、形状不规则、边界不清晰、边缘毛刺、内部微钙化、腋窝淋巴结转移比例比较,差异有统计学意义(χ^(2)=3.002、5.911、4.456、2.363、8.374、10.730,P均<0.05);Logistics分析显示高临床分期乳腺导管原位癌、边缘毛刺、内部微钙化、腋窝淋巴结转移是影响乳腺导管原位癌患者HER-2表达的影响因素(OR=0.073、1.448、0.550、0.481,P均<0.05);列线图分析显示该预测模型预测乳腺导管原位癌患者HER-2表达的C-index为0.732,校正曲线显示预测可能性绝对误差为0.042。结论边缘毛刺、内部微钙化、高临床分期乳腺导管原位癌、腋窝淋巴结转移是影响乳腺导管原位癌患者HER-2表达的影响因素,基于此建立的预测模型可预测乳腺导管原位癌患者HER-2的表达。

胎盘超声图像分割

妊娠早期的胎盘形状和大小与胎儿生长等临床结果紧密相关。针对人工手动标注胎盘轮廓较为耗时的分割方法,设计一种新型深度学习分割网络:DEC-U-Net,该模型设计依据U-Net架构,在U-Net下采样阶段使用深度超参数化卷积代替2D卷积并且联合ECA(Efficient Channel Attention)注意力机制,在不过多引入参数量的同时提高对胎盘细节特征识别的准确度。将交叉注意力机制引入跳跃链接,解决胎盘边界模糊、对比度不均等问题。与普通U-Net网络相比,本文算法分别在交并比(IoU)、召回率(Recall)、精确度(Precision)、Dice系数上提升4.14、9.59、6.2、16.41个百分点。实验结果表明,改进后的网络模型具有较好的分割效果,能够将超声图像中的胎盘进行精确分割。

基于改进BM3D的乳腺超声图像去噪算法研究

低噪声、高对比度的超声图像能极大提高医生对病情诊断的准确率。为解决乳腺超声图像在采集和传输过程中引入散斑噪声而导致图像质量恶化从而影响乳腺癌早期诊断的问题,提出一种基于改进BM3D的乳腺超声图像去噪算法。首先引入基于DBSCAN的超像素分割方法,对原图进行超像素分割得到相应的超像素标签矩阵;然后利用超像素标签矩阵引导BM3D算法中的块匹配过程,一方面可以减少待匹配块的搜索时间,另一方面可以给相似块度量提供辅助信息,进而提高块匹配的准确性;最后改进BM3D算法中的硬阈值滤波,采用自适应噪声参数估计进一步提升去噪效果。实验结果表明,改进BM3D算法的等效视数相较传统BM3D算法提高了1.75%,边缘保持指数提高了2.56%,而算法处理时间却减少了51.26%,说明其是一种兼顾去噪效果与运行时间的实用方法。

基于SEEDS的医学超声图像分割算法

针对高强度聚焦超声(HIFU)治疗过程中肿瘤的快速识别与自动定位问题,提出了一种基于SEEDS超像素的自动分割方法,能够为医生快速、准确地定位肿瘤提供帮助,大大减少医生的工作量。该方法基于分裂合并的思想,先利用SEEDS将图像分裂成超像素,再提取超像素的纹理和边界信息,使用纹理边界编码压缩算法完成超像素合并,最后在先验信息的限制下实现肿瘤的自动分割。实验结果表明,该方法可以应对图像质量低、背景复杂等不同情况下的肿瘤分割问题,分割结果比较准确。

基于卷积神经网络的甲状腺癌超声图像分类

针对甲状腺癌超声图像是否具有侵袭性进行分类,对于辅助医生诊断病情具有重要意义。本文应用卷积神经网络ConvNeXt-T分别在甲状腺癌超声图像数据集、补全零数据集A(PaddingZero-A)以及补全零数据集B(PaddingZero-B)上进行甲状腺癌超声图像分类,提出了基于卷积神经网络的甲状腺癌超声图像分类模型,并与4个先进的图像分类网络模型进行了对比实验,实验结果表明:ConvNeXt-T在3个数据集上的准确度均高于其他4个先进的分类网络;在补全零数据集B(Pad⁃dingZero-B)上,4个先进模型的分类准确度提升明显;该模型可以自动检测感兴趣区域并制作补全零数据集,能较为准确地预测甲状腺癌是否具有侵袭性;同时医生可以手动标注感兴趣区域制作补全零数据集,实现更准确的辅助诊断。

优化贝叶斯非局部均值算法的超声图像去噪方法

为了去除超声成像中可能产生的斑点噪声,提出了一种基于优化贝叶斯非局部均值算法的超声图像去噪方法,重点探讨优化算法改进的两个方面:(1)针对原始非局部均值算法运算复杂度高这一问题,应用像素预选择算法优化去噪时间;(2)针对原始算法只适用于加性高斯噪声的问题,利用伽马分布噪声模型,通过贝叶斯公式推导出适用于超声斑点噪声的非局部均值算法,引出皮尔逊距离来计算图像块之间距离,并且通过多次实验,得出噪声标准差和滤波参数的比值关系,实现参数自适应。为了评估优化算法的去噪能力,在模拟超声图像和真实超声图像上分别进行实验验证,结果表明,该优化算法去噪效果更好,图像边缘和细节保持能力更强;且在运行效率方面,较原始非局部均值算法有较大提升。

基于非酒精性脂肪性肝病超声图像的预训练神经网络分类算法

超声检查因其无创性已成为诊断非酒精性脂肪性肝病(NAFLD)的首选方法,计算机辅助诊断技术的引入可以帮助医师减少在NAFLD检测和分类的偏差。为此,本研究提出了一种将结合注意力机制的预训练VGG16网络与Stacking集成学习模型相结合的混合模型,集合了基于自注意力机制的多尺度特征聚合和基于Stacking集成学习模型多分类模型(逻辑回归、随机森林、支持向量机)融合的特性,实现基于肝脏超声图像的正常肝脏、轻度脂肪肝、中度脂肪肝、重度脂肪肝的4分类,准确度为91.34%,略优于传统神经网络算法(≤89.41%)。结果显示,相较于预训练VGG16网络,引入自注意力机制使得准确度提高了3.02%,使用Stacking集成学习模型作为分类器进一步将准确度提高到91.34%,超过了逻辑森林回归(89.86%)、支持向量机(90.34%)、随机森林(90.73%)等单一分类器。该方法能有效提升NAFLD超声图像检测的效率和准确性。

基于Swin-Transformer的颈动脉超声图像斑块分割

评估颈动脉超声图像斑块需要大量且经验丰富的临床医生,并且超声图像具有边界模糊、噪声干扰强等特性,使得评估斑块耗时费力,因此需要一种全自动的颈动脉斑块分割方法来解决人力稀缺问题。文中提出了一种基于Swin-Transformer(Shifted-Windows Transformer)模块的深度神经网络模型用于自动分割颈动脉斑块。在U-Net(U-Convolutional Network)架构基础上,编码部分使用3个用于图像下采样的卷积块以获得不同分辨率大小的特征图像,再添加6对连续Swin-Transformer模块用于更细化的特征提取。解码部分将Swin-Transformer模块输出的细化特征逐级上采样,分别与编码部分各级分辨率的特征图进行跳跃连接。基于同仁医院数据集进行对比实验,结果显示所提网络模型Dice指标达到0.8142,高于其他对比网络,证明了所提模型可以有效地提取颈动脉超声图像斑块特征,实现自动化、高精度的斑块分割。