识别脑卒中微小病灶的多维度图像分割模型和系统开发

目的开发一种基于深度学习的多维度分割系统,在磁共振成像(magnetic resonance imaging,MRI)影像中识别微小病灶,为急性缺血性脑卒中(acute ischemic stroke,AIS)的诊治提供决策依据。方法提取并融合2D、3D网络的特征,引入了联合损失函数,进而提出了一种新的2.5D方法——多维度多尺度注意力增强网络(multi-dimensional multi-scale attention enhanced network,MMAE-Net)。在AIS分割数据集(训练集171例、测试集43例)上训练和测试了所提方法的性能,并与其他方法进行比较。结果相较于2D、3D网络,2.5D网络(MMAE-Net)在各项评价指标上均可取得最优异的分割性能,获得了81.25%的Dice相似系数(dice similarity coefficient,DSC)和84.82%的灵敏度(sensitivity,SEN)。相较于U-Net、ResU-Net、DenseU-Net、AttentionU-Net和SEgmentation TRansformer(SETR)等经典方法和既往研究,MMAE-Net取得了更优异的分割性能。我们还开发了可视化自动分割系统以提升方法的实践和推广能力。结论本文基于2D、3D特征融合的理念设计了2.5D多维度分割模型MMAE-Net,其在MRI微小病灶的识别中取得了优异性能,为AIS疾病诊治提供了有效的解决方案。

基于多尺度多模式图像的肺结节分类对比研究

基于深度卷积神经网络模型,讨论了不同尺度及不同模式肺结节图像对模型分类表现的影响,并提出了一种2D多视图融合的肺图像处理方法,该方法比传统的2D方式能获取更多的肺结节信息,同时又能比3D的方式引入更少的干扰组织。为了验证模型,对LIDC-IDRI和LUNA16数据集进行了预处理,得到了16、25、36三种尺度下2D、3D、2D全视图融合以及2D多视图融合四种不同模式的肺结节图像,然后构建了2D CNN、3D CNN、2D全视图融合卷积神经网络、2D多视图融合卷积神经网络四种模型。利用上述样本对模型进行训练和验证,最终结果表明,2D多视图融合模式下的肺结节图像相对于其他模式图像具有更佳的肺结节分类表现;对比多种尺度图像,小尺度下的分类表现相对更佳。