对比学习驱动的医学影像分割单源域泛化

医学影像分割中极为常见的域偏移问题会导致深度网络应用于新目标域时遭遇性能下降。为此,本文提出了一个单源域泛化训练框架ContraSDG。该框架基于对比学习,使用单源域训练数据。通过消除深度网络对风格信息的依赖,使其专注于语义信息的学习,从而学习出鲁棒的特征表示,达到提升泛化能力的目的。实验结果表明,对于医学影像跨域分割任务,本文方法能够较大幅度地提高分割性能。

基于边缘引导的多尺度医学影像分割方法

医学影像的灰阶变化小,分割目标与背景不易区分,因此,进行影像分割是充满挑战性的问题。现有网络模型大多将高频的分割边缘与低频的主体部分统一学习,忽视了高频与低频信息的差异性和两者在图像中占比不同的差别。针对这一问题,提出了基于边缘引导的多尺度卷积神经网络Edge Guided V-Shape Network(EGV-Net),从低频分割主体和高频分割边缘两个特征角度进行针对性学习。其中,低频特征通过编码-解码方式进行特征传递,学习分割目标的主体部分;高频特征则通过边缘提取方法,首先将高频语义信息从分割图谱中提取出来,再将分割边缘过滤分离。高频边缘通过边缘引导模块指导模型对低频特征做出精准的分割,并恢复边缘细节精度。在肝脏影像与ISIC2016数据集上进行的实验结果表明,所提算法对整体分割的把控能力更强,在边缘细节处有更好的分割效果,优于其他模型。

医疗技术公司Axial3D宣布Axial3D INSIGHT^(TM)医学影像分割平台获FDA批准

2023年7月31日,医疗技术公司Axial3D宣布,基于人工智能的自动化云分割平台率先获得美国食品药品监督管理局(FDA)批准,该平台适用于创伤骨科、整形外科、颌面部和心血管应用。这是Axial3D的INSIGHT^(TM)分割平台获得的第二项FDA认证,也是医疗保健行业利用自动化和人工智能为患者提供个性化护理的一个重要里程碑。

基于U-Net结构改进的医学影像分割技术综述

深度学习在医学影像分割领域得到广泛应用,其中,2015年提出的U-Net因其分割小目标效果较好、结构具有可扩展性,自提出以来受到广泛关注.近年来,随着医学图像割性能要求的提升,众多学者针对U-Net结构也在不断地改进和扩展,比如编解码器的改进、外接特征金字塔等.通过对基于U-Net结构改进的医学影像分割技术,从面向性能优化和面向结构改进两个方面进行总结,对相关方法进行了综述、分类和总结,并介绍图像分割中常用的损失函数、评价参数和模块,进而总结了针对不同目标改进U-Net结构的思路和方法,为相关研究提供了参考.

基于深度学习的医学影像分割研究综述

医学影像分割是计算机辅助诊断中的一项基础且关键的任务,目的在于从像素级别准确识别出目标器官、组织或病变区域。不同于自然场景下的图像,医学影像往往纹理复杂,同时受限于成像技术和成像设备,医学影像噪声大,边界模糊而不易判断。除此之外,对医学影像进行标注极大依赖于医疗专家的认知和经验,因此可用于训练中的标注数据少且存在标注误差。由于上述的医学影像边缘模糊不清、训练数据较少和标注误差较大等特点,基于传统图像分割算法搭建的辅助诊断系统难以满足临床应用的要求。近年来随着卷积神经网络(CNN)在计算机视觉和自然语言处理领域的广泛应用,基于深度学习的医学影像分割算法取得了极大的成功。首先概述了近几年基于深度学习的医学影像分割的研究进展,包括这些医学影像分割算法的基本结构、目标函数和优化方法。随后针对医学影像标注数据有限的问题,对目前半监督条件下医学影像分割的主流工作进行了整理归纳和分析。此外,还介绍了针对标注误差进行不确定度分析的相关工作。最后,总结分析了深度学习医学影像分割的特点并展望了未来的研究趋势。

结合多层特征及空间信息蒸馏的医学影像分割

U-Net在医学影像分割领域是目前应用最广泛的分割模型,其“编码-解码”结构也成为了构建医学影像分割模型最常用的结构。尽管U-Net在许多领域实现了非常高的分割准确度,但是存在着计算复杂度高、推理速度慢、运行消耗内存大等问题,导致其难以在移动应用平台部署。为解决这一问题,提出了一种结合多层特征及空间信息蒸馏的医学影像分割方法TinyUnet。该方法使用轻量化的U-Net作为学生网络。考虑到小模型没有足够的学习能力,通过选择合适的蒸馏位置,对多层教师特征图进行蒸馏;同时加强教师网络深层特征图的边缘,并构建边缘关键点图结构,采用图卷积网络对学生网络进行空间信息蒸馏,从而补充重要的边缘信息和空间信息。实验表明:在3个医学影像数据集上,TinyUnet能够达到U-Net 98.3%~99.7%的分割准确度,但是将U-Net的参数量平均降低了99.6%,运算速度提高了约110倍;同时,与其他轻量化医学影像分割模型相比,TinyUnet不仅具有较高的分割准确度,而且占用内存更少,运行速度更快。

融合空间先验的医学影像分割神经网络模型

由于现有神经网络方法泛化性能的局限性、医学影像参差不齐的质量以及肿瘤的不规则性和浸润性,应用神经网络全自动分割方法的效果无法令人满意.为了充分地利用不同图像特有的信息,提出融合空间信息的先验嵌入网络的新范式.在神经网络中引入基于图像空间位置的先验信息引导模型聚焦于病灶区域,学习肿瘤的判别性特征并排除无关信息,从而增强模型对于特征的选择能力并提高分割精度.使用医学图像分割框架2D U-Net和3D nnU-Net分别作为主干网络,在肝肿瘤分割任务上采用LiTS数据进行实验.经过5折交叉验证,先验嵌入网络在训练集上的分割精度比2D U-Net提高22.4%;在测试集上比集成式nnU-Net提高1.2%,比非集成式nnU-Net提高4.4%.

基于U-Net的COVID-19病灶医学影像ZMINet分割模型

针对COVID-19病灶医学影像边缘模糊及小病灶丢失的问题,基于多尺度多层级特征集成与多分支交互式学习策略对U-Net进行改进,提出一种基于U-Net的COVID-19病灶医学影像ZMINet分割模型。原图被缩放至多个尺度输入编码器;利用SIU-AIM模块多分支交互式地逐层学习融合层内与层间的多尺度关键特征,并将特征传入由SIM组成的解码器之对应层;SIM利用交互式学习策略以获取更丰富的多尺度信息表征,并自下而上集成多层特征;使用UAL作为损失函数指导模型输出更清晰的预测结果。在公开数据集上的对比实验表明,ZMINet分割模型在Dice、精确率、特异性和平均绝对误差等指标分别达到了79.2%、81.8%、96.8%和6.3%,与其他算法相比其性能得到了明显的提升。

多尺度残差挤压和激励的双U舌图分割网络

在图像分割中,单次卷积和频繁的池化操作容易产生冗余信息或遗漏关键信息.本文设计了一种多尺度的残差挤压和激励注意力的双U形分割网络(MRSEA-DUNet)来解决上述问题.首先,该网络由两个U形的网络组成,分别是预编码网络和精确分割网络.为避免频繁的卷积和池化操作导致信息丢失或产生无效信息,提出了具有不同大小感受野的阶梯卷积模块(SCM),并采用并行结构,可以在不同尺度上捕获更丰富、更详细的特征.其次,还设计了一种残差挤压和激励注意力模块(RSEAM),可以通过空间和通道提高有效特征增益,消除冗余信息,并且提高了模型的整体鲁棒性.最后,为了减少了降采样操作的数量,简化了纵向复杂度.实验结果表明,本文MRSEA-DUNet模型的精度、Jaccard系数和Dice系数分别达到0.995 4、 0.979 4和0.989 5,均优于其他7种主流模型,优化了分割效果.

改进协同训练的肺部CT影像COVID-19病灶分割方法

在新型冠状病毒肺炎的肺部病灶分割任务中,基于半监督学习进行病灶分割可以利用大量未标记数据。针对半监督学习中伪标签置信度不足问题,采用UNet和DeepLabV3+作为基础网络搭建协同训练框架,以集成方法获取高质量伪标签;引入JS距离度量伪标签的不确定性,给予伪标签监督损失一个正则项,减轻低质量伪标签对分割性能的影响。在公开数据集中进行实验,获得Dice系数76.06%、IOU分数65.1%、敏感度分数77.22%和精确率分数81.46%。

基于EM路由算法的医学图像分割UCaps网络

传统的医学图像分割网络存在分割精度低、图像信息易丢失、分割轮廓不清晰等问题。为提高医学图像分割准确率,提出一种结合胶囊网络与U-Net的多标签图像分割网络UCaps。以U-Net网络为架构,基于胶囊网络原理设计适用于胶囊网络的上采样算法,通过结合高斯混合模型作为聚类算法的EM路由算法聚合底层特征对高层特征的推导过程,使高层特征包含底层特征信息,同时底层特征间的位置、姿态等信息具有统一性。实验结果表明,相比U-Net、SegCaps、MaVec-Caps网络,UCaps网络的平均分割准确率为93.21%,其中左肺分割准确率达到98.24%,具有较高的图像分割准确率和较快的收敛速度。

CT影像肝脏转移瘤分割与检测深度网络的研究

肝脏肿瘤的评估是结直肠癌肝转移临床诊疗的重要步骤。为了完成腹部CT影像中的肝脏肿瘤自动分割和检测任务,提出一种改进的级联深度学习网络。级联网络采用U-Net和Mask R-CNN模型分别完成分割和检测任务。训练U-Net模型作为级联网络的第一层来分割肝脏器官作为感兴趣区域(ROI);针对ROI区域进行形态学活动轮廓提取;使用U-Net模型和Mask R-CNN模型作为级联网络的第二层分别完成精准分割和检测ROI内肝脏肿瘤的任务。实验结果表明,对于级联U-Net模型的肝脏转移瘤分割平均Dice系数为74%;Mask R-CNN的肿瘤实例分割Dice系数为67%(置信度为95%),均值平均精度(mAP)为88%。

CTA影像头部骨骼组织提取算法

计算机断层血管造影(CTA)影像单纯根据灰度信息无法良好地分离血管组织和骨骼组织.结合CTA影像的灰度特点,提出基于改进的三维区域生长算法的骨骼组织外轮廓提取和基于改进的Snake模型的骨骼提取算法.首先结合概率论的相关知识改进区域生长判定条件的准确性,提出三维区域生长的快速的骨骼区域种子点提取方法,使得它可以获得比较准确的骨骼组织区域.之后选取Snake模型并对其进行改进,增加了影像能量信息项,使得该模型可以更好地解决当前的问题.最后给出了实验结果并和传统算法进行对比,证实所提出的骨骼组织分割提取算法效果良好.

深度卷积神经网络在放射治疗计划图像分割中的应用

目的:结合全卷积神经网络(Fully Convolutional Network,FCN)和多孔卷积(Atrous Convolution,AC)的深度学习方法,实现放射治疗计划图像的组织器官自动勾画。方法:选取122套已经由放疗医师勾画好正常器官结构轮廓的胸部患者CT图像,以其中71套图像(8 532张轴向切层图像)作为训练集,31套图像(5 559张轴向切层图像)作为验证集,20套图像(3 589张轴向切层图像)作为测试集。选取5种公开的FCN网络模型,并结合FCN和AC算法形成3种改进的深度卷积神经网络,即带孔全卷积神经网络(Dilation Fully Convolutional Network,D-FCN)。分别以训练集图像对上述8种网络进行调优训练,使用验证集图像在训练过程中对8种神经网络进行器官自动识别勾画验证,以获取各网络的最佳分割模型,最后使用测试集图像对充分训练后获取的最佳分割模型进行勾画测试,比较自动勾画与医师勾画的相似度系数(Dice)评价各模型的图像分割能力。结果:使用训练图像集进行充分调优训练后,实验的各个神经网络均表现出较好的自动图像分割能力,其中改进的D-FCN 4s网络模型在测试实验中具有最佳的自动分割效果,其全局Dice为94.38%,左肺、右肺、心包、气管和食道等单个结构自动勾画的Dice分别为96.49%、96.75%、86.27%、61.51%和65.63%。结论:提出了一种改进型全卷积神经网络D-FCN,实验测试表明该网络模型可以有效地提高胸部放疗计划图像的自动分割精度,并可同时进行多目标的自动分割。

基于改进区域生长算法的肝脏分割方法研究

目的:把肝脏从医学图像中提取出来,为肝脏三维定位以及放疗计划制定提供准确的数据。肝脏与其周围器官组织灰度差别小、边界不明显,而传统区域生长算法生长准则单一,不能满足分割精确度需求,并且未经处理的轮廓比较粗糙。针对这些问题,本文提出一种改进的区域生长算法。方法:本文算法主要从三个方面改进:基于先验经验和肝脏特性的种子区域选择;基于Canny算子边缘检测结果的区域生长准则动态优化;基于漫水填充法和曲线拟合的轮廓后处理。结果:本文使用多套临床实际腹部CT序列测试算法,以医生手动勾画结果为标准进行评价。在大多数CT切片上的肝脏自动分割都能取得较好的结果,并且分割用时很短,保证了效率。结论:测试结果表明,本文算法在动态控制区域生长和平滑轮廓方面有很好的作用,在保证速度的同时有效提高了肝脏自动分割精度。

全局与局部注意力机制的胃部肿瘤分割算法

通过CT实现术前胃部肿瘤诊断是一种潜在高效的技术方法,而准确的肿瘤影像分割是实现该方法的关键。为了能够精确地提取到肿瘤区域,提出一种基于注意力机制的2D分割网络GLat-Net对上腹部CT影像中的胃部肿瘤区域进行分割,通过增加对肿瘤周围区域的关注,从全局和局部两个角度提取有效的上下文信息;同时在解码模块中引入权重模块突出具有代表性的特征。通过实验结果证明,相比较于其他前沿分割方法,该算法在胃部肿瘤分割上有更高的准确度。