基于CT图像的全心脏分割方法研究

为了解决无法准确分割全心脏的难题,提出一种基于形态学操作和形态学梯度的阈值分割算法。传统的阈值分割由于图像本身灰度分布不均及噪声干扰等多种因素的影响,往往不能得到理想的分割结果。该算法结合形态学开闭操作重构图像,在形态学梯度的基础上,对图像进行自动阈值分割,不但可以消除噪声,还能较好地保留图像的边缘信息,得到全心脏组织。实验结果显示,基于形态学梯度的阈值分割算法对心脏的提取准确率较高,解决仅使用传统阈值分割或直接对普通梯度图像分割存在的问题。

基于深度学习的心脏磁共振图像分割

心脏磁共振检查是用于评估心脏结构和功能的一种非侵入式的医学成像技术,与其他医学成像技术相比,不存在辐射伤害并且更擅长捕捉软组织细节,可为医生提供关于心脏结构和功能的详细信息,在心脏疾病的诊断和治疗中发挥着至关重要的作用。为了精准分割心脏磁共振图像(Magnetic resonance image,MRI),在nnU-Net自适应分割框架的基础上提出基于改进nnU-Net的分割方法。通过在编码器部分应用残差模块代替原始卷积以缓解梯度消失问题并增强特征学习,利用在最底层瓶颈部分引入十字交叉注意力模块以捕获长距离依赖关系并提升模型的特征表达能力,此外,在跳跃连接部分加入卷积块注意力模块以减小噪声干扰并聚焦于关键特征。在心脏自动诊断挑战(Automatic cardiac diagnosis challenge,ACDC)数据集上进行实验,结果表明基于改进nnU-Net的分割方法具有更精确的分割效果。

传统方法和深度学习用于不同模态心脏医学图像的分割研究进展

随着老龄化加剧,心血管疾病患病人数逐年增加,借助医学图像实现心脏功能的评估在诊疗过程中起着重要作用.心脏分割是评估心脏功能的前提,一直受到临床医生和科学研究者的密切关注.本文从传统方法和深度学习方法角度梳理了近十年以来关于心脏分割研究的文献.重点介绍了基于主动轮廓和图谱模型的传统分割方法,以及基于U-Net和全卷积神经网络(FCN)的深度学习算法.其中针对通过增加局部模块、优化损失函数、强化网络结构等方式改进深度学习网络以实现心脏特定区域精准分割这一主题进行了详细展开,并从心脏磁共振、X射线计算机断层扫描(CT)和超声3种成像模态对上述方法进行总结.最后总结了该领域目前的研究现状并对未来研究方向进行了展望.

基于模态交互学习的多源心脏图像分割方法研究

目的通过研究和搭建人工智能深度学习网络,实现多模态心脏磁共振(cardiac magnetic resonance,CMR)图像分割,并提升Dice系数。材料与方法回顾性分析来自2019年多序列CMR分割挑战赛的公开数据集,它包含了45例患者平衡稳态自由进动(balanced-steady state free precession,bSSFP)模态,晚期钆增强(late gadolinium enhancement,LGE)模态与T2WI模态的CMR图像数据。本文构建了一种新的双流U型网络框架,实现bSSFP与LGE两种模态以及bSSFP与T2WI两种模态的CMR图像分割。在编码阶段,未配准各模态图像被交替地送入各自分支进行特征学习,所获取的特征图接着都流入共享层,实现多模态信息的交互补充,最终共享特征分开流出到各自分支进行解码输出。通过在45例患者的CMR图像数据集上进行五折交叉验证实验,分别对bSSFP与LGE模态、bSSFP与T2WI模态进行了分割,以Dice系数对提出的模型进行性能评估,Wilcoxon符号秩检验被用来检验模型差异性。结果在bSSFP与LGE模态的分割实验中,本文方法在bSSFP模态的平均Dice系数相较于传统UNet模型和最新的Swin-Unet模型都有显著提升(P<0.001);在LGE模态的平均Dice系数较传统UNet模型(P<0.001)、Swin-Unet模型(P=0.001)、双流UNet(P=0.021)均有显著提升。在bSSFP与T2WI模态的分割实验中,本文方法在bSSFP模态的平均Dice系数较UNet模型、Swin-Unet模型与双流UNet均有显著提升(P<0.001);在T2WI模态的平均Dice系数较UNet模型有显著提升(P<0.001),较Swin-Unet模型有提升(P=0.025)。结论本研究提出的双流U型网络框架为CMR图像多模态分割提供有效方法,且该网络提高了CMR图像bSSFP模态与LGE模态及bSSFP模态与T2WI模态的Dice系数,很好地解决了多模态CMR图像个体解剖学差异大和图像间存在灰度不一致问题,提升了模型的泛化能力。

医用心脏图像分割算法的量化评估框架

将面向对象的编程思想与设计模式应用于图像处理算法研究中,对医用心脏图像分割和识别算法评估流程进行解耦合、模块划分及精确定义。在提供分割算法金标准的前提下,搭建心脏图像处理算法量化评估系统,用于算法的改进与量化评估。同时,以磁共振心脏图像的左心室分割算法为例,展示了系统在算法评估、回归测试等方面的较强功能,为今后的研究与实验提供了很好的测试与算法评估平台。

心脏MRI图像快速分割方法

在分析心脏MR图像特点的基础上,提出了先对心脏MRI图像进行K均值聚类,把K均值聚类后的图像作为特征图像,在特征上用Song和Chan提出的快速分割方法进行粗分割,再用粗分割的曲线作为水平集的初始曲线,在心脏MRI图像上用Chan和Vese方法进行细分割的心脏MR图像分割方法。并对Song和Chan快速算法中扫描图像的区域进行了改进,提高了分割速度。分割实验证明,用该方法能够快速、准确地分割心脏MRI图像。

面向心脏MRI分割的半监督空间一致性约束网络

精准分割心脏磁共振图像(MRI)分割对于心脏功能分析至关重要.当前基于数据驱动的神经网络模型极大地促进了心脏MRI分割的发展,然而对标注数据的依赖极大地限制了神经网络模型在心脏MRI分割领域的应用.为了降低神经网络模型对于标注数据的依赖,提出一种基于无监督空间一致性约束的半监督心脏MRI分割方法,在少量有标注数据的监督学习基础上,利用无标签数据在模型输入端和输出端分别进行空间变换后前后一致的特性,构建对于无标注数据的空间一致性约束.使用ACDC 2017心脏多组织分割数据集评估了所提出的方法,实验结果表明,相对于有监督学习,通过无监督数据的空间一致性约束能够显著提升模型的泛化能力;此外,相对于其他state-of-the-art的半监督方法,文中方法也拥有更优的泛化性能.

基于改进U-Net的全心脏CT图像分割

针对CT图像中全心脏结构复杂度高、分割不完整及分割精度低等问题,文章提出了一种改进U-Net的全心脏分割方法。根据全心脏结构形态特点,文章将多并行尺度特征融合模块引入U-Net网络的编码层,并在U-Net网络的跳层连接中加入了注意力机制。文章利用MM-WHS数据集将改进的全心脏分割算法在中南民族大学认知科学实验室中进行了一系列的全心脏分割实验。实验结果显示,文章提出的算法分割相似度达到88.73%,提高了全心脏结构的分割准确率。

采用多尺度视觉注意力分割腹部CT和心脏MR图像

目的医学图像分割是计算机辅助诊断和手术规划的重要步骤,但是由于人体器官结构复杂、组织边缘模糊等问题,其分割效果还有待提高。由于视觉Transformer(vision Transformer,ViT)在计算机视觉领域取得了成功,受到医学图像分割研究者的青睐。但是基于ViT的医学图像分割网络,将图像特征展平成一维序列,忽视了图像的二维结构,且ViT所需的计算开销相当大。方法针对上述问题,提出了以多尺度视觉注意力(multi scale visual attention,MSVA)为基础、Transformer作为主干网络的U型网络结构MSVA-TransUNet。其采用的多尺度视觉注意力是一种由多个条状卷积实现的注意力机制,采用一个条状卷积对近似一个大核卷积的操作,采用不同的条状卷积对近似不同的大核卷积,从不同的尺度获取图像的信息。结果在腹部多器官分割和心脏分割数据集上的实验结果表明:本文网络与基线模型相比,平均Dice分别提高了3.74%和1.58%,其浮点数运算量是多头注意力机制的1/278,网络参数量为15.31 M,是TransUNet的1/6.88。结论本文网络媲美当前较先进的网络TransUNet和SwinUNet,采用多尺度视觉注意力代替多头注意力,在减少计算开销的同时在分割性能上同样具有优势。本文代码开源地址:https://github.com/BeautySilly/VA-TransUNet。

注意力机制引导的多模态心脏图像分割

为有效挖掘模态间共享与模态特有的信息,本文提出一种注意力机制引导的半孪生网络,用于分割多模态(MRI与CT)心脏图像.具体地,首先运用循环一致的生成对抗网络(CycleGAN)进行双向的图像生成(即从MRI到CT以及从CT到MRI),这样可以解决模态间心脏图像不配对的问题;其次,设计一个新的半孪生网络,将原始的CT(或MR)图像及其生成的MR(或CT)图像进行配对并同时输入,先通过两个编码器(encoders)分别学习模态特有的特征,再经过一个跨模态的注意力模块将不同模态的特征进行融合,最后输入一个公共的解码器(decoder)来得到模态共享的特征,用于心脏图像分割.上述学习过程是端到端的方式进行训练.本文将所提方法在真实的CT与MR不配对的心脏图像数据集上进行实验评估,表明所提方法的分割精度超出基准方法.

心脏核磁共振图像分割

心脏核磁共振图像成像是最常用的心血管疾病诊断手段.由于诊断工作繁杂,心脏疾病自动化诊断成为近几十年来的研究热题之一.精确分割待诊断区域是自动诊断的基础.本文首先简述了传统心脏图像分割算法,然后介绍了近几年深度学习心脏图像分割的研究成果.对一些经典的深度学习分割算法进行了分析和结果展示.最后,文章讨论了存在的问题和未来发展方向.

基于柱坐标B样条活动曲面模型的3D分割方法

基于长轴和短轴系列核磁共振图像重建3D左心室内外表面是提取左心室基本形态参数以及左心室运动分析的基础.提出了柱坐标B样条主动表面(CBAS)模型,将其用于3D分割左心室内外膜表面.CBAS模型的等参曲线网格由B-snake模型组成,根据短轴、长轴成像平面在3D空间中的位置关系,网格中的节点在两幅短轴及长轴图像上寻找对应的边缘点,节点间的采样点则在单一的短轴或长轴图像上获得图像能量.首先利用改进的模糊Hough变换确定短轴图像中左心室心肌内外轮廓的大致位置,其次用其构建柱坐标B样条主动曲面模型的初始表面.对左心室表面的分割过程在柱坐标下进行,使得模型在SA图像及LA图像上形状的改变能够统一为一个参数的变化,减小了模型的复杂度.最后通过与手工分割结果的线性回归分析证明了方法的准确性.

基于图划分的形状统计主动轮廓模型心脏MR图像分割

为有效分析心脏功能,高精度分割左、右心室是必要的.心脏MR图像中存在图像灰度不均,左、右心室及周围其它组织灰度接近,存在弱边缘、边缘断裂及噪声造成边缘模糊等现象,给精确分割左、右心室轮廓带来困难.本文在基于图划分的主动轮廓方法基础上,通过对训练形状进行配准及变化模式分析,定义左、右心室轮廓形状变化允许空间,提出基于图划分的形状统计主动轮廓模型来分割心脏MR图像.该方法通过图划分理论将图像分割问题转化为最优化问题,所以能够得到全局最优解,具有较大的捕捉范围.还引入形状统计来引导曲线的演化,有效处理曲线演化时存在的边缘泄漏问题,提高分割精度.实验结果表明,本文方法较以往方法具有更高的分割精度和更好的稳定性,为临床应用提供一种较可行的方法.