基于Transformer深度学习模型在医学图像分割中的研究进展

医学图像的准确分割在现代临床影像检查、精准诊断和治疗规划中意义至关重要。近10年来,卷积神经网络(CNN)凭借其独特的特征提取能力,在医学图像分割领域成绩显著。CNN架构中存在的局部感受野和固有归纳偏置局限,限制其对图像中远程依赖关系的有效建模。近年来,Transformer架构依赖其对全局信息的捕获能力,有助于建模长距离的依赖关系并挖掘语义信息,在生物医学图像分割领域展示出卓越的性能和巨大潜力。在此,对Transformer架构的组成及其在医学图像分割中的应用进行了全面综述,从全监督、无监督和半监督的角度出发,对Transformer架构在医学图像的腹部多器官分割、心脏分割和脑肿瘤分割中的运用价值及性能进行了归纳分析,并对Transformer模型在分割任务中存在的局限不足进行了概括总结,最后对其未来发展趋势及优化路径进行了探讨展望。

基于空洞空间金字塔池化的U-Net网络在肺部图像分割上的应用

目的:胸部X线图像中肺野的自动分割是相关疾病筛查和诊断的关键步骤,为了适应计算机辅助诊断系统的要求,提出一种基于空洞空间金字塔池化的U-Net网络对胸部X线图像中肺野进行自动分割。方法:在编码和解码之间引入带有空洞卷积的空间金字塔池化用于扩大接受域;同时,在多个尺度上获取图像上下文信息,用于从胸片中分割肺野,使用Montgomery数据集及深圳数据集进行验证。根据医学图像分割常用指标准确性、Dice相似系数及交并比评价基于空洞空间金字塔池化的U-Net网络分割肺野的性能。结果:验证准确性为98.29%,Dice相似系数为96.61%,交并比为93.47%。结论:本文提出一种基于空洞空间金字塔池化的U-Net网络用于分割肺野,相较于其他方法学习到更多边缘分割特征,取得更好的分割结果。

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。

一种基于毛细管X光透镜的微型锥束CT扫描仪

活体小动物成像系统是疾病研究、新药开发的重要组成部分.其中,X射线微型锥束计算机断层成像(X-ray micro cone-beam computed tomography,Micro-CBCT)能实现数十至数百微米空间分辨率的解剖结构成像研究.Micro-CBCT成像仪的一个关键挑战是其空间和对比度分辨率主要取决于X射线源焦斑大小、探测器分辨率和系统几何结构等因素.为提高Micro-CBCT的空间分辨率、对比度分辨率和成像均一性,本文基于毛细管X光透镜研制了一款能够调控照射X射线束斑孔径的Micro-CBCT扫描仪,用于小动物成像研究.此系统由微焦斑X射线源、非晶硅平板探测器、旋转工作台和控制电脑组成,并采用Feldkamp-Daivs-Kress算法重建投影图像.对该系统的性能进行了测试,结果表明,系统在10%调制传递函数下的空间分辨率为9.1 lp/mm,提高了1.35倍.同时,由于毛细管X光透镜对低能X射线的吸收和散射抑制作用,实现了2倍以上的对比度增强,减轻了多色X射线束硬化效应引起的图像均一性恶化问题.应用该Micro-CBCT系统对麻醉小鼠进行了活体成像,验证了该系统在小动物成像研究中的实用性.