肺部CT图像气管树分割技术研究进展

肺部气管是人体与外界进行气体交换的唯一通路;其解剖结构信息可用于诊断呼吸系统疾病。计算机断层扫描技术(CT)是检测呼吸系统疾病的主要手段,但因就诊人数多、图像数据量大等因素;导致人工阅片费时费力。而肺部气管树的自动提取与分割;是实现自动化定量分析与呼吸系统疾病辅助诊断的前提。首先对肺部气管树分割技术的背景及意义进行介绍;然后分析对比传统分割技术、基于管状结构检测的分割技术以及基于机器学习的分割技术所运用的研究方法和存在的问题。最后指出提高肺部气管树分割效果;依赖于将气管分割技术与泄漏剔除技术相互结合;需要在尽可能分割出多数气管树分枝的基础上;消除分割结果中存在的伪气管区域。

结合灰度直方图和细胞自动机的多模态MRI脑胶质瘤分割

为了解决脑胶质瘤边界模糊、复杂而导致的分割不准确问题,提出了一种将灰度直方图(GLH)与改进细胞自动机相结合的脑胶质瘤分割算法。首先,对脑胶质瘤的T2加权图像和液体衰减反转(FLAIR)图像进行融合;然后,利用灰度直方图特性增强脑胶质瘤区域;最后,以加权距离为特征向量用改进的细胞自动机进行分割,并得到脑胶质瘤各组织分割结果。在20组BraTS2015(brain tumor segmentation)数据库数据和10组临床脑胶质瘤数据上进行分割实验,整个肿瘤区域及核心肿瘤区域的平均分割准确率分别达到90. 76%和89. 73%。实验结果表明,相对于对比方法,所提算法不仅能更好地分割出对比度明显的胶质瘤区域,还在一定程度上解决了模糊胶质瘤区域分割不准确的问题。该算法在保持不增加算法复杂度的同时,亦提高了算法分割的准确性和鲁棒性。

基于CT影像组学的非小细胞肺癌预后分析方法

为了辅助医生规划非小细胞肺癌(Non-Small Cell Lung Cancer,NSCLC)患者治疗和复查方案,提出了一种基于CT影像组学的NSCLC预后分析方法.首先,对患者肺部CT影像中的肿瘤区域进行分割;然后,对肿瘤区域进行影像组学特征提取、优化;最后,将优化后的特征数据与患者的预后生存情况作为输入,利用机器学习的方法构建预后分析模型,预测患者的预后生存时间范围.选用124例NSCLC患者数据进行实验,以具有临床意义的3年生存期为预测界限,对患者预后生存时间范围进行预测.实验结果表明,预后分析模型的预测准确率达到91.9%,可以有效地辅助医生对非小细胞肺癌患者的预后情况进行更加精准的评估,制定出更具个性化的治疗与复查方案.

传统解剖学特征与深度学习相结合的肺叶分割算法

CT图像中肺叶位置的确定对于肺部疾病的准确定位以及定性定量分析具有重要意义。为了提高肺叶自动分割准确率,提出了一种结合气管,血管等传统解剖学特征以及深度学习的肺叶分割算法。对原始图像进行预处理,获取肺实质、气管、血管以及基于深度学习网络的肺裂分割结果;整合来自多个解剖结构的信息生成分水岭分割所需成本图像;通过基于深度学习网络的肺叶粗分割结果,获取肺叶标记区域;执行基于标记的分水岭分割,实现肺叶的自动分割。选取了来自上海市肺科医院的20例含有肺部疾病患者的CT图像对该方法进行验证,最终的Jaccard相似性系数为92.4%。实验结果表明方法具有较高的肺叶分割精度,并且具有较强的鲁棒性。

基于CT影像的肺叶分割技术研究进展

肺叶的鉴别对于肺部疾病类型以及严重程度的鉴别具有重要的临床意义,但由于部分容积效应,患者运动以及病理因素等导致CT图像模糊,肺叶分割成为一项具有挑战性的分割难题。本文主要对国内外肺叶分割算法的发展情况进行综述:首先对肺叶分割的研究背景及意义进行介绍;然后以肺裂检测步骤以及肺裂曲面生成步骤为区分标志,分别对各类肺叶分割算法的优点及其存在的缺陷进行分析;最后对肺叶分割算法未来的发展进行展望。

非小细胞肺癌影像学特征与基因表达间相关性的探索性研究

影像基因组学通过挖掘肿瘤的影像和基因组学间的关联性,将两者的优势互补,以此指导不同患者个体化治疗方案的制定、预后评估、疗效检测等。针对非小细胞肺癌(NSCLC),建立其CT影像定量特征与基因表达之间的映射。首先,将对应的CT影像中肿瘤区域进行分割和特征提取,选用66种三维定量特征作为肿瘤区域影像特征集;然后,利用基因组学数据分析流程,在原始基因数据经过预处理、聚类后,获取其第一主成分作为具有相似表达谱基因聚类结果的代表;最后,运用基因芯片显著性分析算法探寻两者之间的相关性,并进行基因集的富集分析和预测模型的建立。对癌症图像归档数据库(TCIA)中的26例NSCLC影像数据和基因表达综合数据库(GEO)中相对应的基因数据进行分析,共得到126组成对的显著关联(q<0.05)。将所得结果中的29组元基因建立预测模型,并通过TCIA中更新的211组数据,对其中10组预测准确率大于70%且预测的元基因有生物学意义的预测模型进行验证,最终预测准确率为35.48%~80.85%,10个预测模型中有6个的准确率在70%以上。实验结果表明,特定的影像特征或其组合可以作为基因表达的影像标记物。

深度学习在癌症预后预测模型中的应用研究

近年来,深度学习为癌症预后分析提供了新的方法。对深度学习在癌症预后应用中的相关文献进行归纳总结,可为深入开展癌症预后研究提供借鉴和参考。因此,本文对深度学习在癌症预后模型中的最新研究进展进行了系统综述。首先,明确深度学习癌症预后模型的构建思路及性能评价指标;其次,介绍搭建模型所采用的基本网络结构,对所用数据类型、数据数量、具体网络架构及优缺点进行探讨;然后,验证构建深度学习癌症预后模型的主流方法并对实验结果进行分析;最后,对该领域现阶段面临的挑战及未来研究方向进行总结与展望。深度学习癌症预后模型与以往模型相比,能够更好地提高癌症患者的预后预测能力。未来我们应继续探索深度学习在癌症复发率、治疗方案、药物疗效评估等方面的研究,充分挖掘深度学习在癌症预后模型中的应用价值与潜力,以便建立一个高效精准的癌症预后模型,实现精准医疗的目标。