几种漫射光学成像图像重建算法的比较研究

针对漫射光学成像(DOT)选择不同的逆问题求解算法将直接影响成像质量的问题,对4种常用重建算法的重建效果进行了比较研究,采用双异质模型,利用Rytov方法对扩散近似方程进行近似,假设散射系数是已知常量,重点关注吸收系数图像的重建.通过使用Tikhonov正则化、截断奇异值分解(TSVD)、代数重建算法(ART)和同时迭代重建技术(SIRT)4种常用重建算法,对不同条件下的双异质图像的逆问题进行求解,研究不同算法重建后图像的空间分辨率、抗噪声能力和成像速度.研究结果表明:低噪声条件下,Tikhonov正则化算法重建图像的空间分辨率最好;当信噪比小于20dB时,TSVD算法具有最佳的抗噪声性能;当源-探测器结构不变,成像的感兴趣区域的尺寸和体素划分固定时,Tikhonov正则化算法的速度最快.总体上讲,子空间技术优于代数重建技术,研究结果对不同成像条件下选择合适的重建算法具有一定的指导意义.

基于级联式深度网络模型的胃及胰腺自动分割研究

目的:旨在研究自主创新设计的级联式深度卷积神经网络VB-Net在胃和胰腺上的自动分割精度及效率。方法:回顾分析150例胰腺癌患者临床资料,随机选取132例非增强CT数据和其中116例胰腺期增强CT以及结构数据进行胃及胰腺的分割模型训练。对剩余18例患者的非增强CT和胰腺期增强CT给予模型测试,使用戴斯相似性系数量化分析模型的分割精度,同时评估其分割效率。结果:基于非增强CT的胃、胰腺的自动分割平均DSC值分别为87.93%、80.05%;基于胰腺期增强CT的胃、胰腺自动分割平均DSC值分别为89.71%、84.79%。胃及胰腺的自动分割平均时间为1.22、0.84 s,手动分割平均时间为158.70、115.52 s。结论:基于VB-Net的胃及胰腺自动分割模型测试结果较为准确,且极大提高了器官分割的效率。

基于深度学习宫颈癌靶区自动分割勾画临床研究

目的验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法选取535例宫颈癌CT影像,参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV),经专家审查后作为参考勾画,用于自动分割勾画训练和测试。另从测试组中随机挑选根治4例及术后6例,分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试,以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时,分别记录算法和手动勾画耗时。结果数据经VB-Net网络训练得到根治CTV1(dCTV1)、dCTV2、术后CTV1(pCTV1)自动分割模型,自动勾画结果与参考勾画具有较好的一致性(DSC:0.88、0.70、0.86;MSD:1.32、2.42、1.15 mm;HD:21.6、22.4、20.8 mm)。dCTV1算法与三组医师勾画相近(P>0.05);dCTV2及pCTV1算法均优于初中级医师勾画(P<0.05),自动分割勾画耗时较手动勾画显著缩短。结论基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当,应用于临床中将有助于大幅提高工作效率,具有提高勾画一致性和准确性的潜能。