基于各向异性注意力的双分支血管分割模型

血管分割对于血管疾病的诊断和治疗具有重要意义,但由于血管边界模糊、病变血管的形状多变且不同样本之间的差异性较大,因此要求分割模型能够准确地挖掘血管与背景类间的差异性以及血管内部的连通性。提出一种基于中心线约束与各向异性注意力的新型三维血管分割网络CAU-Net。针对血管分割的难点,对基础网络结构ResU-Net进行改进,构建各向异性注意力模块,该模块根据管腔结构特有的空间各向异性,从3个方向提取血管空间各向异性特征,并对特征通道间的相关性进行建模,学习血管的三维空间信息。采用主-辅双分支模型,b-Net对血管进行语义分割,a-Net学习血管中心线的连续性特征,约束b-Net的血管分割结果,保证血管分割结果的完整性。在公开数据集3D-IRCADb-01上的实验结果表明,对于门静脉及肝静脉的分割,CAU-Net分别取得(74.80±8.05)%和(76.14±6.89)%的Dice系数、(54.80±8.09)%和(50.40±5.22)%的NSD系数、(72.43±8.26)%和(70.84±6.05)%的clDice系数、(46.47±12.89)%和(39.19±7.97)%的分支检测率以及(67.08±15.59)%和(61.47±9.32)%的树长检测率。在公开脑血管数据集IXI上进行组件消融实验,模型在验证集上的平均Dice、NSD、clDice、BD和TD分别为(94.11±0.39)%、(96.53±0.37)%、(95.83±0.59)%、(98.64±1.63)%和(95.44±1.22)%,相比于Baseline分别提升了0.92%、0.82%、0.92%、1.11%和1.60%。CAU-Net血管分割模型能够显著提升血管分割的精度和完整度。

基于LevelSet的超声乳腺肿瘤图像的轮廓提取

乳腺癌的发病率在女性癌症中居首位,在计算机辅助下精确地提取出乳腺图像中包含的结构信息和功能信息是当前面临的难题。本研究主要探讨利用水平集分割方法对超声乳腺图像进行肿瘤的自动分割。基本思路:①粗提取肿瘤所在的区域;②采取改进的各项异性扩散方程(MCDE),在保证乳腺肿瘤边界信息不被削弱的前提下削减超声图像的噪声;③利用图像梯度获取边界的潜在图像;④设置初始轮廓;⑤调整水平集中的速度函数,寻求适用于乳腺超声图像中肿瘤轮廓的提取方法,探索过程涉及两种改进的LevelSet方法:测地活动轮廓(geodesic active contour)和阈值水平集(threshold LevelSet)。结果表明,针对乳腺超声肿瘤的弱边界信息,利用阈值水平集分割可以自动获取与手动勾画较为相似的轮廓。

基于超声RF信号的超声成像实验设计

该文为让学生更直观地了解超声RF信号重建出B超图像的过程,首先在超声设备上完成RF数据的采集,然后在Matlab平台上对每个成像步骤的信号进行分析,完成成像过程的仿真,最后将得到的结果与超声设备上显示的图像进行对比。该实验具有较强的设计性和参与性,实验结果具有一定的开放性。实践表明,实验过程既能锻炼学生分析问题的能力,又能加深学生对专业课程的理解,激发其学习兴趣,进而改善教学效果、提高教学质量。

超声左心耳图像的轮廓自动提取

针对经食道超声左心耳图像的分辨率低、对比度低、含有斑点噪声等问题,提出一种结合左心耳解剖位置和超声图像灰度及相位信息的方法,全自动定位常规切片中的左心耳。首先,根据医生采集习惯,以左心耳在标准切面中的解剖位置为先验知识,结合其灰度特性,自动确定分割模型中的初始轮廓;然后,通过线型加权相位和梯度信息构造新的外力项,改进向量场卷积模型,完成左心耳轮廓的自动提取。300张左心耳超声图片测试结果表明,以医生手动勾勒的轮廓作为"金标准",该方法自动提取左心耳的准确性为0.896 9±0.049 4、敏感性为0.905 8±0.076 2、特异性为0.964 5±0.168 7。分割效果优于传统的向量场卷积模型,能够解决自动定位超声图像中左心耳的初始轮廓和弱边界分割的问题。

基于VTK和ITK环境的超声图像三维重建

背景:医学图像的三维模型,能够准确的三维结构在临床诊断上凸显重要性。目的:对连续多帧的超声图像进行三维结构重建。方法:利用可视化工具VTK和图像的配准分割工具ITK,在VC++的平台下,采取直接体绘制的方法,对连续多帧的DICOM医学超声图像进行了三维重建,并且用户可以利用鼠标与图片进行交互,实现任意角度的旋转。结果与结论:合成体绘制在重建中的效果较优,相对而言更适合超声图像的三维重建。

基于光学定位仪的三维超声图像重建系统的开发

三维超声图像相较于传统的二维超声,能够更加直观立体地展现组织器官的形态特征,是目前超声研究领域的一个热点。为提高三维成像的精度,本实验设计的系统结合了高精度的光学定位仪和自由臂超声图像扫描。三维重建需要建立精确的坐标转换体系及准确的目标提取。坐标转化过程中,为克服大角度旋转对于矩阵变换的影响,该系统引入了罗德里格矩阵法。在目标提取中,利用各向异性扩散滤波和水平集分割,实现准确的目标对象提取。实验表明,该系统操作方便,在实验教学应用中效果良好,对促进学生掌握超声图像处理的基础知识和三维重建技术具有重要帮助。

对接管焊缝的双壁双投影工业X射线图像处理研究

准确提取对接管焊缝的有效评定区域是实现自动识别X射线焊缝图像缺陷的首要步骤。针对这一难题,提出一系列结合X射线成像机理和焊缝灰度特征的图像处理方法。首先,以X射线成像原理为基础,对焊缝图像进行灰度变换;然后,以区域图像灰度方差为基础,修正焊道的偏移;进而利用最小二乘法拟合环形管焊缝,确定其中心;最后,利用距离映射方法将环形焊缝变换成矩形焊缝。根据3 000样本的测试结果,该算法对于焊缝中心点的确定以及椭圆拟合的成功率为100%,焊缝偏转角度修正误差为-0.216°±0.826°。因此,该设计能可靠地提取出低对比度X射线数字图像中的焊缝有效评定区域。

面向上颌骨骨折复位手术的虚拟系统设计

基于3D计算机触觉视觉交互(CHAI3D)和开放图形库(Open GL)等开源软件,设计了针对上颌骨复位手术的仿真系统。使用真实病例的CT图像搭建虚拟场景,通过Geomagic力反馈设备对虚拟模型进行三维操作并输出触觉反馈。在原有单点碰撞算法的基础上,提出了使用多个中介代理的多点碰撞算法,避免了虚拟手术工具的手柄插入虚拟器官的不实仿真;通过力反馈设备对头颅骨模型进行选择、移动和旋转,模拟手术中对头颅骨的移动和放置。系统可用于训练医学院学生,也可用于复杂手术的术前规划。

基于深度学习的超声图像左心耳自动分割方法

从超声图像中分割出左心耳(LAA)是得出临床诊断指标的重要步骤,而准确自动分割的首要步骤和难点就是实现目标的自动定位。针对这一问题,提出了一种结合基于深度学习框架的自动定位和基于模型的分割算法的方法来实现超声图像中LAA的自动分割。首先,训练YOLO模型作为LAA自动定位的网络架构;其次,通过验证集确定最优的权重文件,并预测出LAA的最小包围盒;最后,在正确定位的基础上,将YOLO预测的最小包围盒放大1.5倍作为初始轮廓,利用C-V模型完成LAA的自动分割。分割结果用5项指标加以评价:正确性、敏感性、特异性、阴性、阳性。实验结果表明,所提方法能够实现不同分辨率条件和不同显示模式下LAA的自动定位,小样本数据在1000次迭代时已经达到最优的定位效果,正确定位率达到72.25%,并且在正确定位的基础上,C-V模型的分割准确率能够达到98.09%。因此,深度学习技术在实现LAA超声图像的自动分割上具备较大的潜力,能够为基于轮廓的分割算法提供良好的初始轮廓。

基于相位信息的乳腺超声图像水平集分割

目的基于相位信息改进距离正规化水平集演化(DRLSE)模型的速度收敛项,改善对乳腺肿瘤超声图像的分割效果。方法首先,利用Log-Gabor滤波器组对图像进行频域滤波,得到一组基于相位信息的特征图。其次,在相位一致性的基础上,求出乳腺超声图像经高斯噪声补偿后的最大方向能量相位PC(M),并采用细节保留各向异性扩散滤波(DPAD)模型对PC(M)降噪,减少斑点噪声的干扰。最后,选用Sigmoid函数,将滤波后的PC(M)作为其自变量,以替换DRLSE模型中的速度收敛项。结果采用改进后的模型对多幅临床乳腺肿瘤超声图像进行分割,分割结果显示基于相位信息的正规化水平集演化(PB-DRLSE)模型在相似性(SI)、真阳性(TP)和假阴性(FN)方面均优于原始DRLSE模型(P均<0.05)。结论本研究提出的分割方法较之原始模型对乳腺肿瘤超声图像的分割更为优越。

基于功能连接的脑磁弱源成像方法

目的广泛使用的时空脑成像方法 beamformer在用于脑磁(MEG)源成像时,经常无法有效定位弱源。为解决此问题,本文尝试发展一种针对MEG信号的弱源成像方法。方法我们首先利用经典成像方法 beamformer获取源空间的源强度和波形,然后选取种子点(产生最强磁场的源),获取功能连接图,最后根据功能连接的强度得到相关弱源的定位及其波形。结果在听觉刺激MEG数据上的测试结果证明了该方法可有效地定位脑磁强源和弱源。结论本文提出的基于功能连接的脑磁弱源成像方法可以识别经典方法不能定位的弱源,具有很大的应用价值,如定位癫痫病灶。

基于幅度图像引导的磁敏感加权图像相位解缠算法

为了更好地利用相位信息补偿血流造成的影响,本文对磁敏感加权成像(SWI)中存在的相位缠绕问题展开了研究。为提高解缠绕的准确性,本文提出了幅度图像引导的磁敏感加权图像相位解缠算法。基本思路如下:(1)通过改进旋转不变非局部主成分分析滤波(PRI-NL-PCA)降低噪声影响;(2)结合C-V模型水平集提取相位图像中对应的实性组织区域,从而规避背景噪声对相位解缠方法的影响;(3)采用相位补偿的方法约束K空间重建出的相位图像。最后,利用四种统计量作为量化指标,评价解缠绕方法的可靠性:相位误差的突变点个数、均值(M)、方差(Var),以及阳性百分比(Pos)和阴性百分比(Neg)。通过对比仿真数据和226组真实头部磁敏感数据,结果表明,本文算法相对于经典的枝切法和最小二乘法,解缠绕结果具有较高的准确性。

面向多模态MRI脑胶质瘤区域三维分割与生存期预测的级联U-Net网络

目的针对常见方法对脑胶质瘤的肿瘤分割和生存预测需要单独建模的问题,提出一种带有变分自编码器(variational auto-encoder,VAE)分支的两阶段级联U-Net算法,旨在分割肿瘤的同时提取鲁棒的特征预测患者生存期,有助于患者的精准治疗。方法提出的两阶段级联U-Net网络,第1阶段实现初步粗分割,第2阶段实现精细化分割。此外,在第2阶段添加变分自编码器分支以提取更加鲁棒的特征并提高模型泛化性。其中,变分自编码器分支获取的特征被送入随机森林算法以进行生存期预测。另外,在两个阶段的解码器部分都添加了SE(squeeze-and-excitation)-残差模块以及注意力门模块,提高了分割精度。结果在Brain Tumor Segmentation(BraTS)竞赛官网分别评估了本文方法在BraTS2020验证集上分割以及总体生存期预测两大任务的结果,本文算法在该验证集的全肿瘤区域、肿瘤核心区域以及增强型肿瘤区域分别取得了90.66%、85.09%和79.02%的Dice相似系数。相较3DU-Net在3个肿瘤子区域的Dice相似系数分别提高了4.3%、1.37%和5.36%。对于总体生存期的预测准确率达到了55.2%,相较性能最佳算法的预测准确率虽然低3.4%,但是从均方误差这一评估指标来看略有优势。结论为了防止出现过拟合,提出带有VAE分支的两阶段级联U-Net网络结构,同时该分支能够提取肿瘤的鲁棒特征用于后续生存分析。实验表明,该网络能够较为准确地分割脑肿瘤,并且其提取的特征能够准确地预测患者生存期,可以为临床医生进行脑胶质瘤诊断提供有力的参考。