基于WRN-PPNet的多模态MRI脑肿瘤全自动分割

多模态磁共振成像脑肿瘤图像存在灰度不均匀、组织类别多样等缺陷,导致脑肿瘤分割难度大、精度低,且已有脑肿瘤分割算法多为半自动分割算法。为此,建立一种端到端的全自动脑肿瘤分割模型。对脑肿瘤三维图像切片化以获得大量二维切片图像,将训练集的切片图像标准化后直接输入该分割模型,然后用训练好的模型正确分割出脑部神经胶质瘤区域,并采用Dice系数、灵敏度系数以及阳性预测率系数评估模型的分割性能。实验结果表明,该模型操作简单,鲁棒性较好,3个评估指标值分别能够达到0. 94、0. 92和0. 97。

一种全自动的脑部MR图像分割算法

目的噪声和灰度不均使得脑部MR图像的全自动分割更具挑战性,本文提出一种改进的模糊C均值聚类算法,并将其应用于脑部MR图像分割。方法首先,采用同质滤波器和对比度扩展作为图像预处理,去除图像的奇异区域;然后,采用直方图峰值点检测算法求得阈值点,避免初始聚类中心选取的盲目性;接着,采用模糊C均值聚类算法进行图像分割;最后,采用基于模糊关联隶属度算法进行图像后处理,达到平滑模糊边界和去除噪声的效果,得到最终分割图像。结果选用噪声程度0~9%和灰度不均匀度0和40%的脑部MR图像进行仿真实验。视觉分析表明基于本文算法的分割图像边缘清晰,图像质量优于没有预处理或后处理所得;定量评估结果显示基于本文分割算法获得的敏感性、特异性和相似性均高于改进的模糊C均值算法和现存的FSL图像分割软件。结论本文提出的算法收敛更快,能实现全自动分割脑部MR图像,在噪声和灰度不均的情况下均表现出强健性、优越性和普适性,是一种可行的图像分割算法。

基于MaskRCNN改进的全自动脑肿瘤分割

提出了基于Mask RCNN引入注意机制模块的全自动脑肿瘤分割算法.该算法分为2步:(1)利用区域卷积神经网络,提取预处理后脑图像特征并生成候选区域;(2)利用插入注意机制模块的改进全卷积神经网络,对生成的候选区域进行推断,预测其所属类别,回归框位置及分割图.结果表明:改进的Mask RCNN模型的Dice系数和敏感性比原模型提高了约1%,证明引入注意机制模块在只增加微量计算量的情况下,可以提高分割脑肿瘤的准确性.

一种基于KNN纹理分类的超声图像自动分割方法

针对HIFU超声图像中目标的自动识别和分割进行了研究。提出了一种结合了动态阈值分割和K-最近邻(KNN)纹理分类方法的全自动图像分割方法。首先对图像进行预处理,减小噪声干扰。然后进行动态阈值分割,得到包括目标轮廓在内的很多轮廓。同时利用KNN纹理分类方法对预处理后的图像进行分类,其中用到的纹理特征通过灰度共生矩阵计算得到。接着将动态阈值分割结果与KNN分类结果做一个与运算,与运算以后的结果通过形态学操作和区域滤波就得到准确的目标区域轮廓。从对HIFU超声图像的分割结果和对该方法的评价结果来看,该全自动图像分割方法是可行并且有效的,有可能进一步将其投入实际应用中去。

一种单一背景下快速全自动人物精确提取方法

提出了一种在单一背景下不需要用户介入的全自动人物精确提取方法。该方法首先用边缘检测和单色背景颜色特征相结合自动获取人物的大体边缘,然后按人体形态分区域,针对不同区域用基于当前像素颜色与背景颜色的距离比来精确获取人体的边缘。另外,该方法对于人体服装和背景颜色相近时的图片也能够取得很好的精细分割效果。

基于深度学习的脊柱CT图像分割

脊柱CT图像具有组织对比度低,脊柱边界形态不规则,图像中存在噪声等问题。传统分割算法常需人工干预或引进先验信息,分割效率较低,不能很好地满足临床实时性需求。针对以上问题,将深度学习算法应用于脊柱图像分割,提出基于卷积-反卷积神经网络的脊柱CT图像全自动分割方法。在全卷积网络的基础上构建其对称的反卷积网络,卷积网络用于自动提取脊柱图像的深层次特征,反卷积网络将特征图循序渐进地恢复到原图像尺寸。在网络训练阶段,为了加快网络收敛速度、提高训练效率,采用预训练法和改进的随机梯度下降法来训练网络。利用训练好的模型,直接对输入图像每个像素所属类别的概率进行预测,达到分割目的。实验结果表明,运用该法分割脊柱CT图像所获得的准确度和实时性好,DSC指标约89. 63%。

基于多通路CNN的多模态MRI神经胶质瘤分割

由于传统卷积神经网络CNN(Convolutional Neural Networks)受卷积核尺度的限制,容易丢失磁共振成像MRI(Magnetic Resonance Imaging)脑肿瘤图像的全局信息,而且卷积、池化的过程会导致网络浅层的部分信息丢失,造成基于CNN的脑肿瘤分割特征信息不足,分割精度不高。针对上述问题,提出一种具有全局通路,同时结合网络浅层信息的多通路CNN模型,用来完成多模态MRI脑部神经胶质瘤的全自动分割任务。算法主要思想:将三维多模态MRI图像沿轴向切片化,在相同序列的切片上按比例选取尺度为33×33像素的图像块,得到训练集;将训练集图像块输入多通路CNN模型进行训练;将测试集输入训练好的模型,将脑肿瘤从脑部MRI图像中正确分割出来,并具体划分为坏死、水肿、增强和非增强四种区域,利用模型评估参数Dice系数、敏感度(Sensitivity)系数和特异度(Specificity)系数评测模型的质量。实验结果表明,该方法操作简单,能够有效地完成脑肿瘤的分割任务。

基于支持向量机的颈动脉超声图像内中膜厚度测量

为解决人工标定的繁琐、非客观等问题,本文提出一种基于支持向量机的全自动分割算法。该算法采用K-means对图像像素进行聚类,根据聚类结果和聚类中心对图像进行标准化处理,并进行图像分割提取感兴趣区域。根据训练样本训练支持向量得出分类模型,将感兴趣区域的像素分为边界点和非边界点。然后将边界点再次分类为管腔-内膜边界点和中膜-外膜边界点。最后采用启发式搜索对分类结果进行甄别,去除错分类的像素点。本文采用80幅颈动脉超声图像进行实验,比较实验结果与金标准,内中膜厚度平均绝对误差为(46.08±23.50)μm,平均每幅图像处理时间为0.88 s。实验结果表明全自动分割算法具有快速、全自动等特点,测量结果与金标准具有较高的一致性,能满足临床应用的实际要求。

基于U-Net网络的儿童腺样体及鼻咽气道图像分割

目的探讨基于U-Net网络的深度学习模型对儿童腺样体及鼻咽气道的全自动图像分割效果。方法2021年3月-2022年3月在深圳大学总医院耳鼻咽喉头颈外科因睡眠打鼾或张口呼吸进行锥形束计算机断层扫描(CBCT)检查的患儿240例,选取其中52例进行鼻咽部和腺样体人工标注,再由深度学习模型训练与验证。将模型应用于剩余188例数据后,比较所有240例数据常规二维指标及深度学习三维指标间的差异。结果对于52例建模以及训练数据集,深度学习预测结果与人工标注结果差异均无统计学意义(P>0.05),模型评价指标鼻咽气道容积的均交并比为(86.32±0.54)%;相似系数为(92.91±0.23)%;准确度为(95.92±0.25)%;精准度为(91.93±0.14)%;腺样体体积的均交并比为(86.28±0.61)%;相似系数为(92.88±0.17)%;准确度为(95.90±0.29)%;精准度为(92.30±0.23)%。240例不同年龄段患儿二维指标A/N和三维指标AV/(AV+NAV)之间均呈正相关性(P<0.05),9~14岁的相关系数达0.74。结论基于U-Net网络的深度学习模型对儿童腺样体及鼻咽气道全自动图像分割效果良好,为今后进一步研究导致OSA的腺样体肥大的三维诊断标准提供有利的大数据计算模型。