南海神狐海域天然气水合物微观赋存特征的超分辨率CT图像识别

南海神狐海域是我国天然气水合物资源勘探开发的主要目标区之一,2017和2020年先后两次现场试验性开采证实了水合物资源的利用前景。目前,对该地区含水合物储层的精细评价还有待进一步提升,水合物在沉积物孔隙空间中的微观赋存形态是其中的重要影响因素。针对水合物微观赋存形态CT图像表征存在的分辨率不足的问题,建立了一种基于自监督学习的数字图像超分辨率重建算法,实现了CT扫描图像空间分辨率的2倍和4倍提升。在此基础上,对南海神狐海域含水合物沉积物孔隙结构演化规律和水合物微观赋存特征进行了形态表征。由于南海沉积物中存在大量有孔虫壳体,水合物主要占据有孔虫壳体内部空间并堵塞了空隙间的连通喉道,显著降低了沉积物的气、水渗透能力;然而,水合物未能全部占据整个孔隙空间,仍然会有少量的气体和水残留,气体则主要分布于水合物颗粒内部,而水则主要分布在水合物颗粒表面,上述实验结果对地震、测井等现场勘探数据解释具有一定的指导意义。

一种新的术中X线与术前CT图像配准方法

目的本研究旨在配准胸主动脉血管内修复术(thoracic endovascular aortic repair,TEVAR)术中X线与术前CT图像,为TEVAR支架植入提供精确安全的导航。然而,现有配准算法存在无法有效弥合投影CT图像生成的数字重建影像(digitally reconstructed radiography,DRR)与X线图像之间的域间差异和难以获得图像分割标签的问题。因此,需要提出新的方法来改善这一问题。方法本文提出了一种新的配准框架,该框架结合了基于生成对抗网络(generative adversarial network,GAN)的域自适应网络和基于Transformer的配准网络。基于GAN的域自适应网络将X线图像的风格迁移到DRR图像上,使两者在图像风格上更接近。基于Transformer的配准网络采用CNN与跨模态变换器(cross-modality transformer,CMT)相结合的模式,直接配准X线与CT图像,无需进行图像分割。结果本文在208对标定的TEVAR术中X线与CT图像对上对新的配准方法进行了验证。与其他域适应方法相比,本文所采用的CycleGAN网络作为风格转换模块,有效减小了DRR图像与X线图像之间的域间差异。消融实验结果进一步证实,配准网络中的全局局部感知模块(global-local perception module,GLPM)对提高配准精度具有明显作用,而空间缩减(spatial reduction,SR)则有效缩短了配准时间。通过对比现有方法和本文方法在真实患者X线与CT图像对上的配准效果,本文的方法在配准精度和成功率方面均表现出最佳性能。结论本文提出的新的X线与CT图像配准方法有效克服了现有方法存在的域间差异以及难以获得分割标签的问题。

SOSNet:一种非对称编码器-解码器结构的非小细胞肺癌CT图像分割模型

非小细胞肺癌严重损害人类健康,早期非小细胞肺癌CT(Computed Tomography)图像中的肿瘤结节体积小,不易发现,极易造成漏诊和误诊.为了精确分割非小细胞肺癌CT图像中的小体积肿瘤结节,本文提出SOSNet(Small Object Segmentation Networks)自动分割模型,利用ResNet(Residual Network)基础层和空洞卷积构造非对称编码器-解码器结构作为分割主网络,利用轴向取反注意力模块ARA(Axial Reverse Attention)逐步擦除背景中对分割有影响的结构,再使用结构细化模块SR(Structure Refinement)对主网络输出的粗略特征图进行结构细化,从而实现非小细胞肺癌肿瘤结节分割.在非小细胞肺癌公开数据集的实验测试表明,本文提出的小目标自动分割模型SOSNet可以有效分割出非小细胞肺癌CT图像中的小体积肿瘤结节,其mDice(mean-Dice)、mIoU(mean Intersection over Union)、Sensitivity、F1、Specificity、平均绝对误差MAE(Mean Absolute Error)均优于当前最先进的小目标分割模型CaraNet(Context Axial Reverse Attention Network).

面向肺炎CT图像识别的DL-CTNet模型

肺炎常缺乏明显呼吸系症状,症状多不典型,易发生漏诊、错诊.利用深度学习技术辅助医务人员安全、高效地检测感染者是一种有效途径.针对COVID-19感染者CT图像的磨玻璃影、铺路石征、血管扩张等特点,提出一种可有效地提取CT图像中的局部与全局特征的轻量级模型——DL-CTNet.输入预处理的CT图像后,首先采用空洞卷积和动态双路径多尺度特征融合(D-DMFF)模块的2个支路提取浅层特征;然后使用局部与全局特征拼接模块(LGFC)中的D-DMFF模块提取局部特征、Swin Transformer提取全局特征,并通过拼接获得深层特征;最后经过全连接层输出分类标签.实验结果表明,在2个CT图像数据集上,验证了LGFC模块以及DL-CTNet的低复杂度与有效性;DL-CTNet的分类准确率高达98.613%,与其他方法相比,其能更准确地识别肺炎的CT图像.

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CT图像的活检可帮助预测非小细胞肺癌患者HOPX表达状态和预后的研究

目的本研究旨在阐明具有放射基因组特征的基于CT图像的活检以预测非小细胞肺癌(NSCLC)患者仅同源域蛋白同源盒(homeodomain-only protein homeobox,HOPX)基因表达状态和预后。方法根据HOPX的表达将患者标记为HOPX阴性或阳性,并将其分为训练数据集(n=92)和测试数据集(n=24)。在对116例患者进行基因与图像特征的相关性分析中,从1218个图像特征中选出了8个与HOPX表达相关的显著特征作为放射基因组特征候选,以预测HOPX的表达状态和预后。结果通过叠加集成学习模型建立具有放射基因组特征的影像活检模型,在测试数据集中,模型显示出对HOPX表达的预测能力,ROC曲线下的面积为0.873,Kaplan-Meier曲线的预测能力(P=0.0066)。结论具有放射基因组特征的基于CT图像的活检可以帮助医生预测HOPX在非小细胞肺癌中的表达状况和预后。

融合片内语义和片间结构特征的自监督CT图像分类方法

针对CT(Computed Tomography)图像分析存在人工标签稀缺、分类性能不佳等问题,文中提出一种融合片内语义和片间结构特征的自监督CT图像分类方法。该方法利用CT图像的层次结构特性和局部组成要素的语义特点,通过混淆切片生成算法对无标签的病灶部位图像进行处理,生成空间指数和混淆切片作为监督信息。在自监督辅助任务中利用ResNet50网络从混淆切片中同时提取与病灶部位相关的CT片内语义和片间结构特征,将学习到的特征迁移到后续医学分类任务中,使得最终模型从无标签数据中获得增益。实验结果表明,当被使用的有标签数据有限时,相比其他针对CT图像的二维模型和三维模型,所提方法的分类性能和标签利用效率更优。

改进UNet++的杉木CT图像年轮分割

为解决裂纹、虫孔和节子等缺陷影响下的年轮准确分割问题。以医疗CT为实验设备,重构125张杉木横切面CT图像为研究对象,经裁切、旋转、翻转等预处理实现数据扩充,提出改进UNet++模型用于年轮分割。改进UNet++模型采用增加卷积块、下采样层、跳跃连接和上采样层的方式,将学习深度增加至6层,以BCEWithLogitsLoss和ReLU分别作为损失函数和激活函数,RMSProp作为优化函数,对杉木横切面CT图像进行年轮分割,并对年轮分割性能进行评价。结果显示:改进UNet++模型对于杉木横切面CT图像的年轮分割的像素准确率为97.81%,骰子系数为98.89%,交并比为95.29%,平均交并比为84.75%,充分提取杉木年轮特征,分割效果最好。与U-Net模型和UNet++模型相比,改进UNet++模型在多数年轮被裂纹和虫孔切割,无法形成完整圆形闭合曲线的条件下,使分割的年轮具有很好的完整性和连续性,消除分割过程中的断裂和噪声现象;年轮分割结果不受裂纹、节子、虫孔等缺陷影响,结构非常清晰,有效解决多种缺陷干扰下的虫孔误分割和密集年轮欠分割等问题。

基于CT图像建模的TATB基PBX超声检测仿真方法

为突破TATB基PBX超声仿真精度的局限,实现结构与性能关联的超声无损检测与表征,提出基于CT图像建模的PBX超声仿真建模方法,利用CT图像中颗粒相与黏结剂相显著的灰度分布差异提取结构形态和特征,通过对CT图像切片降噪、二值化、边界优化等处理,获得了包含造型粉颗粒及边界形态的二维几何结构模型,并将该模型用于超声传播过程的有限元仿真,定量对比了基于CT图像的超声仿真模型与Voronoi模型仿真效果的差异。研究表明,基于CT图像模型可以实现TATB颗粒及边界形态随机复杂结构特征的有效刻画,使得超声仿真结果与实验更趋一致,声速、衰减、频域幅值和表观积分背散射系数的误差分别为0.32%、1.14%、0.92%和1.55%,均在2%以内,相较于Voronoi模型的误差(2.77%、35.93%、20.70%、13.68%)大幅降低,仿真准确性得到显著提升。

基于双解码器网络的岩心CT图像分割

在石油地质领域,分析岩心内部微观孔隙结构的形态分布、特征参数,对研究油气资源的渗流特性和储集性能具有重要意义。岩心CT图像具有噪点多、比度低、亮度不均匀的特点,目前实际工程运用的孔隙提取方法,仍然存在着需要大量人工交互且分割精度较低的问题。针对这些问题,本文提出了基于双解码器网络的分割方法,构建了岩心CT图像分割数据集,用图像预处理网络分支,辅助训练图像分割网络。实验结果表明,本方法的模型参数量仅有33.3 MB,像素精度PA能达到91.41%,平均检测交并比MIoU能达到85.32%,具有模型小、推理速度快、分割精度高的优点。

工业CT图像直接生成四边形网格的方法研究

针对具有内腔结构工件任意指定截面或局部的应力-应变分析问题,提出了一种将工业CT图像直接生成四边形网格有限元模型的方法。首先使用四叉树对工业CT图像进行初始网格划分;然后生成边界网格;最后进行网格优化。在生成边界网格过程中,结合二次误差函数与贝塞尔曲线,提出了准确定位网格边界点的方法;在四叉树邻域搜索算法基础上,提出了边界单元连接模板。为了提高边界网格质量,提出了优化模板进行优化。对生成网格进行质量评价,结果表明:网格边长比均小于2,倾斜度均小于0.6,满足实际工程要求。通过对汽车轮毂和阀体CT图像生成的四边形网格进行应力-应变分析,数值仿真结果验证了提出方法的正确性。

用于低剂量CT图像去噪的多级双树复小波网络

基于卷积神经网络(CNN)的图像去噪方法能有效去除低剂量计算机断层扫描(CT)图像伴随的伪影和噪声,从而确保CT设备输出高质量图像同时降低辐射,这对患者健康和医学诊断具有重要意义。为了进一步提高低剂量CT图像的质量,提出一种小波域去噪网络MDTNet。首先,基于双树复小波变换(DTCWT)构造多级编解码去噪网络,在多个尺度上提取特征以保留更多高频细节;然后,利用扩展的像素重排技术替代卷积上下采样,实现多级输入和特征融合,从而降低计算复杂度;最后,通过大量训练找到最佳的去噪模型,即二级MDTNet配合LeGall滤波器和Qshift_b滤波器,并选择较大尺寸的CT图像作为训练数据。使用AAPM数据集评估MDTNet的性能,实验结果表明,MDTNet能有效去除条纹状伪影和噪声,在定量和定性评估中性能均优于同类型去噪方法。与FWDNet相比,对于1 mm的切片,MDTNet的平均峰值信噪比(PSNR)和结构相似性指数(SSIM)分别提高了0.0887 dB和0.0024;对于3 mm的切片,分别提升了0.1443 dB和0.003。对于单张512×512像素的低剂量CT图像去噪,MDTNet在GPU上仅需0.193 s。MDTNet在保持高效率的同时保留了更多的高频细节,能够为低剂量CT图像去噪提供一种新的框架。

基于双重注意力机制的间质性肺病高分辨率CT图像分类方法

为了更精确地分类间质性疾病,提出了一种基于深度学习的分类网络,首先将多头自注意力机制模DenseNet-121结合,使得模型能够同时关注多个重点区域。然后采用卷积注意力模块实现更高效的特征提取,提升网络的空间感知能力,从而增强分类性能。最后,添加改进的空间金字塔池化层将不同尺度的特征图拼接起来以捕获更丰富的空间信息。此外针对高分辨率C图像数据集类别不均衡问题,引入FocalLoss损失函数,使得模型在训练时更专注于难分类的样本,从而进一步增强模型的分类能力。所提方法在未经训练的数据集上进行测试,达到了88.28%的准确率。相较于原始DenseNet-121在准确率、召回率、精确率、F1分数和Kappa系数提高了4.65%、5.08%、5.82%、5.45%和6.38%。实验结果表明,该方法具有特征提取能力强和分类准确率高的特点。

甲状腺乳头状癌的CT图像特征及对淋巴结转移的诊断价值

目的分析甲状腺乳头状癌的CT图像特征并观察其在淋巴结转移诊断中的应用价值,以期提高甲状腺乳头状癌及淋巴结转移的诊断效果。方法回顾性选取我院经病理证实为甲状腺乳头状癌的患者76例为研究对象,采集时间为2021年6月至2023年6月,收集其一般资料及CT影像资料,分析其图像特征并观察CT对淋巴结转移的诊断价值。结果76例患者中有33例病灶位于左叶,28例病灶病灶位于右叶,8例病灶位于峡部,7例病灶左右叶同时出现;大部分病灶形状呈类圆形、椭圆形及不规则形,大小不一,以≥1cm占多数,且病灶边界部分清晰或不清晰,与周围组织分界不清;大部分病灶在CT平扫时表现为周围伴有不均匀的低密度影,平扫密度欠均匀,可有散在粗钙化、细钙化病灶区域及更低密度坏死区;在增强CT扫描下病灶大多数表现为不均匀强化,可见到镶嵌征;少数病灶包膜破损,还可见到乳头状结节;76例患者中有淋巴结转移31例,共检出转移阳性淋巴结73枚,淋巴结转移组与未淋巴结转移组相比,钙化病灶、淋巴结边缘强化、淋巴结大小、淋巴结形态、与周围组织比较,差异有统计学意义(P<0.05)。结论甲状腺乳头状癌好发部位为左叶,CT特征下可见形状大小不一的病灶,边缘模糊且与周围组织分界不清,平扫可发现低密度影,增强扫描可见镶嵌征;且对于淋巴结转移患者,能通过比较CT特征之间的差异来提高诊断效能,对于临床治疗方案的制定具有重要意义。

改进OTSU算法的砂土CT图像分割及组构分析

针对砂土各向异性的量化这一关键问题,以CT技术获取的砂土试样断面图为研究对象,首先采用直方图均衡化和中值滤波法对图像预处理,降低图像噪声、提高分辨率,其次运用数学形态学改进的OTSU算法有效克服了非均匀光照的影响,最后利用分水岭算法优化重叠颗粒之间的粘连情况,从而提高分割性能,得到清晰的二值化图像。结合环形测试线法对砂土颗粒内部孔隙的定向分布进行量化,并判断其宏观力学性。结果表明,经该方法处理后,提取的细观参数准确,能够清晰地展现砂土颗粒细观组构。验证了砂土颗粒确有典型的各向异性,证明了该方法的有效性和可靠性。

基于注意力机制和深度学习的颅脑外伤患者CT图像分割

CT脑组织图像分割对颅脑外伤的临床诊断与治疗具有重要辅助作用。基于此,研究引入基于深度学习的V-Net模型进行脑组织定位,同时引入注意力机制,以实现脑组织图像的精准分割。结果表明,研究所提分割模型的Dice指标最高达到99.81%。同时,该分割模型的精确率与召回率最高分别达到99.38%、99.84%。说明,研究所提算法具有显著的性能优势,且具有良好的实际应用效果,可为颅脑外伤的脑部诊断及治疗提供可靠的技术支持。

基于改进Wasserstein生成对抗网络的出血性脑卒中CT图像去噪研究

目的 为提高无配对参考图像的出血性脑卒中CT的图像质量,提出一种基于改进Wasserstein生成对抗网络(Wasserstein generative adversarial network,W-GAN)的CT图像去噪算法。方法 以W-GAN网络为框架,在生成器部分引入视觉几何组(visual geometry group,VGG)网络计算感知损失模块,并在鉴别器部分加入自注意力机制和谱归一化卷积对模型进行改进,对输入的低剂量CT数据进行去噪,得到接近标准剂量的图像。随后对无配对参考图像的出血性脑卒中数据用训练完成的模型进行迁移学习,并对最终得到的图像分别使用全变分(total variation,TV)、无参考图像空间域质量评估(blind/referenceless image spatial quality evaluator,BRISQUE)和对比语言-图像预训练模型图像质量评估(contrastive language-image pre-training image quality assessment,CLIP-IQA)3种无参考图像质量评估方式进行评估。结果 在TV、BRISQUE和CLIP-IQA 3种无参考图像质量评估指标上相对于输入提升分别为0.016 5、0.127 2、0.007。结论 本文提出的改进W-GAN网络模型可以用于出血性脑卒中低剂量CT图像去噪的迁移学习任务,并取得良好的性能提升,为辅助医师诊断出血性脑卒中提供了一种可能的工具。

基于全局注意力多任务网络方法的CT图像细小骨折检测研究

目的:通过全局注意力多任务网络提升CT图像细小骨折检测的感知,通过多任务实现实例级别细小骨折目标的检测,快速、准确地从大量CT图像中识别并定位骨折,以辅助临床及时开展治疗。方法:引入分组非局部(non-local)网络方法,计算CT图像连续切片任何位置和通道之间的远程依赖关系,将多目标检测模型3D RetinaNet单级检测器与医学图像语义分割(3D U-Net)架构相融合,实现端到端的多任务3D卷积网络,以多任务联合的方式实现对细小骨折的实例级别检测。选择医学图像计算与计算机辅助干预(MICCAI)2020挑战赛提供的肋骨骨折公开数据集(Rib Frac Dataset)600例CT扫描图像,通过5∶1的比例划分为训练集(500例)和验证集(100例),测试多任务3D卷积网络的精度性能。结果:多任务3D卷积网络方法的检测精度性能优于单任务网络FracNet、3D RetinaNet及3D Retina U-Net,其平均精度与3D RetinaNet和3D Retina U-Net网络相比分别高出7.8%和11.4%,且优于3D Faster R-CNN、3D Mask R-CNN两种单任务网络检测方法,平均精度分别高出约6.7%和3.1%。结论:全局注意力多任务网络融合不同模块,对于细小骨折检测性能均有提升,引入分组非局部(Non-local)网络方法能够进一步提升对细小骨折目标的检测精度性能。

一种基于CT图像的物体曲面旋转展开方法

各类疾病的CT图像表现都存在相似性和复杂性,医生通过CT图像诊断病情其实是一个很大的挑战,误诊和漏诊的可能性时刻存在。随着医学影像判读需求的不断增加,计算机辅助诊断技术也在不断发展。通过医学影像辅助医生诊断,减少了CT图像的判读时间,提高了效率和准确性。本文提到的方法是通过三维插值和医学影像的降噪和增强等处理,提高图像质量的同时将CT图像组曲面展开,给医生提供了新的阅片视角,展示更加清晰的内部结构组织,得到纵向剖面图像。这种方法能够克服传统阅片方式的局限性,提供更加全面、准确的医学影像信息。很大程度上,还能为机器人辅助手术等技术提供准确清晰的视觉信息。

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。