基于卷积神经网络的超声影像肝癌自动分类

目的针对从原发性肝癌中检测肝细胞癌(HCC)的灵敏度不高和诊断结果高度依赖放射科医生的专业性和临床经验,本文利用深度卷积神经网络(CNN)的方法自动学习B超和超声造影(CEUS)图像中的特征信息,并实现对肝癌的分类。方法建立并验证基于CNN的多个二维(2D)和三维(3D)分类模型,分别对116例患者(其中100例HCC和16例非HCC)的B超和CEUS影像进行定量分析,并对比分析各个模型的分类性能。结果实验结果表明,3D-CNN模型的各方面性能指标都优于2D-CNN模型,验证了3D-CNN模型能同时提取肿瘤区域的2D影像特征及血流时间动态变化特征,比2D-CNN模型更适用于HCC与非HCC分类。其中3D-CNN模型的AUC、准确率和敏感度值最高,分别达到了85%、85%和80%。此外,由于HCC和非HCC样本不均衡,通过扩充非HCC样本的数量可以提升网络的分类性能。结论本文提出的3D-CNN模型能够实现快速、准确的肝癌分类,有望应用于辅助临床医师诊断与治疗肝癌。

基于SKA-Unet的眼底图像视网膜血管自动分割

针对视网膜血管结构复杂,对比度较低及边界模糊等问题,构建了一种改进的Unet模型来自动分割视网膜血管。该算法在Unet基础上引入了选择性内核和注意力机制,通过增加多重感受野得到目标多维度的特征信息,并将注意力集中在最有效的特征中,从而提升网络分割血管的性能。利用网上公开的DRIVE和STARE两个常用眼底图像数据集训练和评估该模型,得到骰子系数、精确度、特异性、灵敏度和准确率分别为86.49%、88.65%、98.82%、84.5%和97.46%。实验结果表明,该算法能有效地分割视网膜血管,获得血管的形态和结构信息,对于诊断和治疗眼底相关疾病具有重要意义。

通过SEC-UNet精准分割糖尿病视网膜病变眼底OCT图像脉络膜层

目的糖尿病视网膜病变(DR)是糖尿病的严重并发症,可导致患者视力下降甚至失明。脉络膜的早期检查在DR诊断中起着至关重要的作用。然而,由于DR患者的光学相干层析成像(OCT)中存在脉络膜和巩膜边界模糊、视网膜病变阴影等问题,导致大多数现有算法无法精准分割脉络膜层。本文目的在于提高DR患者OCT图像中脉络膜层分割的精准度。方法本文提出了一种结合挤压激励连接(SEC)模块和UNet的网络,简称SEC-UNet,不仅增强Unet的局部细节目标关注能力,且能跳出局部最优来增强整体表达能力。结果SEC-UNet模型的ROC曲线下面积(AUC)达到0.9930,优于传统UNet模型和SE-UNet模型。这表明SEC-UNet能够获得准确、完整的脉络膜层分割结果。统计分析脉络膜参数变化发现,与正常眼相比,87.1%的DR患者脉络膜中央凹1 mm内体积增加,这证明了DR很可能导致脉络膜增厚。结论该技术有望成为一种新的辅助诊断工具,帮助医生研究脉络膜在糖尿病眼病的预防、发病机制和预后中的作用。

利用归一化互相关算法去除吸收强度涨落调制血管造影图像模糊

吸收强度涨落调制成像(AIFM)方法是基于血红细胞和背景组织对低相干光照明的吸收差异,通过在频域分离动态的血红细胞信号和静态的背景信号,实现对近透明活体生物样本全场无标记的光学血管造影成像.但此成像方法需采集较长的原始图像序列,系统漂移或生物抖动会造成图像模糊,难以实现对某些特定区域的血管造影成像.本文提出一种结合AIFM成像和归一化互相关算法的新方法来提升血管造影图像的质量:原始的图像序列被分成若干短时序列,每个短时序列先利用AIFM成像算法重构得到全场的血管造影图像;再利用归一化的互相关算法将所有的短时重构图像与第一帧重构图像相匹配,并融合得到最终的血管造影片.我们以活体鸡蛋胚胎为样品,通过实验验证了利用短时归一化互相关AIFM成像方法,能够消除鸡胚胎心跳引起的图像模糊,从而获得高分辨率和信噪比的心血管造影片,对研究活体动物心脑血管疾病具有重要应用价值.

基于深度学习的B超图像肝癌病灶自动定位

利用B超影像定位肝癌病灶区域有助于医生观察肿瘤及周围组织的特征变化,对病人的临床诊断、治疗方案选择以及预后具有重要的意义。然而在临床应用中,由于肿瘤的异质性和B超影像具有噪声斑点多、对比度差及病灶边缘不清晰等问题,导致定位结果高度依赖于放射科医生经验,具有较大的主观性。基于深度学习的方法建立了SSD肝癌病灶定位网络,并引入Yolo V3、Yolo V4、Faster RCNN和CenterNet等4种常见的目标检测网络进行对比实验,利用自主建立的肝癌B超影像数据集训练和评估模型性能。结果表明,相比其他网络,SSD各方面性能更好,能够自动、快速定位肝癌目标,准确率为94.8%,平均交并比为78.4%。

基于RAU-net的视网膜OCT图像快速自动分层研究

利用计算机图像处理技术自动分割视网膜图像,获得各层的厚度,可对多种视网膜疾病进行直观评估.为了快速准确地对OCT视网膜图像进行自动分层,提出一种结合RAU-net和图像搜索的视网膜图像自动分层方法.该方法在U-net的基础上加入了残差块结构和注意力门结构,残差块结构在构建更深的网络、获取高级特征的同时,有效避免了梯度消失和梯度爆炸问题,注意力门结构突出了模型对视网膜图像重要特征的学习.由模型预测后得到的分割结果获取9条边界的感兴趣区域,然后运用图像搜索对分层图像进行边界优化,得到精确的视网膜分层图像.结果表明:该RAU-net算法与手动分层的误差约为1像素,且完成1帧OCT视网膜图像的分层只需要4 s.通过RAU-net与图像搜索相结合的方法为视网膜疾病的临床诊断和治疗提供了快速准确的定量分析方法.

基于U-Net神经网络眼底图像的视盘分割研究

眼底图像中的视盘在青光眼筛查和诊断中起着重要作用。因此,从眼底图像中对视盘进行准确、快速地定位与分割具有重要意义。在过去,研究者们已经进行了对视盘的深入研究,但如何提高定位准确率和分割精度仍是视盘分割的一大难题。对此本文提出一种采用深度学习结构U-Net的视网膜视盘自动分割的方法,该方法结合机器学习,通过深度网络提取输入图像的视盘特征,从而得出相应的分割结果图。相对于传统的视盘分割方法,本文的U-Net神经网络能够有效学习有利于分割视盘的特征,从而提高分割的精确度,而且分割耗时更短。