基于图卷积网络的脑胶质瘤核磁共振图像分割

近年来基于卷积神经网络(CNN)的图像分割应用已十分广泛,在特征提取的部分取得了很大进展.然而随着卷积层数越来越深,感受野不断增大,使模型丢失局部特征信息进而影响模型性能.使用图卷积网络(GCN)处理图数据结构的信息,能够在保留局部特征同时不随层数的加深而丢失局部信息.本文主要研究将基于CNN结构的对称全卷积网络(U-Net)特征提取与基于GCN的图像分割结合,提取全局与局部、浅层与深层的多尺度特征集应用于多模态脑胶质瘤核核磁共振(MR)序列图像分割,可分为两个阶段:第1阶段利用U-Net对多模态脑核磁共振胶质瘤MR序列图像进行特征提取,通过多个池化层实现多尺度特征提取及上采样进行特征融合,其中底层输出较低级别特征,高层输出更加抽象的高级特征;第2阶段通过膨胀邻域及稀疏化处理将U-Net获得的特征图数据转化为GCN所需的图结构数据,将图像分割问题转化为图节点分类问题,最后通过余弦相似度量对图结构数据进行分类.在BraTS 2018公开数据库上的实验结果取得分割准确度0.996、灵敏度0.892的效果.相比其他深度学习模型,本方法通过多尺度特征融合,利用GCN建立高低级别特征的拓扑连接,确保局部信息不丢失以取得较好的分割效果,能够胜任临床脑胶质瘤核磁共振图像的分析需求,进而有效提高脑胶质瘤诊断精度.

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。

基于心脏磁共振电影图像的压缩激励残差U形网络左心肌分割

左心肌分割对心脏疾病诊疗具有重要意义.但左心肌内部毗邻乳头肌、小梁,外部与周围组织灰度相近,是分割难点.本文首先对心脏磁共振电影图像数据进行感兴趣区域提取等预处理;其次,搭建融合了压缩激励模块和残差模块的U形网络(SERU-net)分割左心肌;最后,利用75例数据训练SERU-net网络,对18例数据进行预测.基于本文方法的分割结果相对于金标准的Dice系数与豪斯多夫距离均值分别是0.902、2.697 mm;利用本文方法分割得到的舒张末期、收缩末期左心室心肌质量与金标准的相关系数和偏差均值分别是0.995、0.993和3.784 g、2.338 g.结果表明,本文方法与金标准匹配程度较高,有望辅助诊断心脏疾病.

一种基于主动轮廓模型的心脏核磁共振图像分割方法

提出一种基于主动轮廓模型的左室壁内、外膜分割方法.首先构造了主动轮廓模型的广义法向有偏梯度矢量流外力模型GNBGVF,作为对梯度矢量流(GVF)的改进,该外力场同时保持了切线方向和法线方向有偏的扩散,具有捕捉范围大、抗噪能力强,且在弱边界泄漏等问题上性能突出.就左室壁内膜的分割而言,考虑到左室壁的近似为圆形的特点,引入了圆形约束的能量项,有利于克服由于图像灰度不均、乳突肌等而导致的局部极小.对于左室壁外膜的分割,采用内膜的分割结果初始化,即通过重新组合梯度分量来构造外力场.该外力场能够克服原始梯度矢量流的不足,使得左室壁外膜边缘很弱时也能得到保持,可以自动、准确地分割外膜.实验结果表明,该方法能高效准确地分割左室壁内、外膜.

一种心脏核磁共振图像左室壁内、外膜分割方法

为了充分利用心脏核磁共振图像(magnetic resonance image,简称MRI)中关于左心室的解剖和功能信息,必须先分割左室壁内、外膜.提出一种基于Snake模型的左室壁内、外膜分割方法.首先提出了Snake模型的卷积虚拟静电场外力模型CONVEF(convolutional virtual electric field),该外力场捕捉范围大、抗噪能力强、在C形凹陷区域等问题上性能突出,而且基于卷积运算,采用快速Fourier变换可以实时计算.就左室壁内膜的分割而言,考虑到左室壁的形状近似为圆形,引入基于圆形约束的能量项.对于左室壁外膜的分割,充分挖掘了左室壁内、外膜形状上的相似性和位置上的相关性,构造了形状相似性内能和一个新的边缘图,该边缘图用来计算新的外力场.基于所有这些策略并采用内膜的分割结果初始化,可以自动、准确地分割外膜.通过对一套活体心脏MR(magnetic resonance)图像进行分割并和手工分割结果和GGVF(generalized gradient vector flow)Snake模型的分割结果进行比较,结果表明该方法是有效的.

心脏核磁共振图像左心室底层组织分割方法

提出了一种基于局部灰度聚类(LIC)模型和分水岭算法的心脏核磁共振成像(MRI)图像左心室底层组织分割方法.首先,使用LIC模型对图像进行初步分割,提取出图像中的组织和器官;然后,使用分水岭算法弥补粘连的不同组织或器官之间缺失的边界,将其分开,人工选取种子点进行区域生长初步提取左心室;最后,利用左心室形状特征的先验知识判断提取的左心室中是否包含主动脉,若包含则去除主动脉,得到精确的左心室分割结果.实验结果表明,该方法能有效去除心脏MRI图像上左心室底层存在的弱边界和边缘泄露的影响,得到准确的左心室底层组织分割结果.

面向类别不平衡的胎儿心脏超声图像分割算法

基于深度学习的图像分割技术是处理医学图像的有力工具,胎儿心脏超声图像分割任务更是其中的热点研究内容。由于不同心脏部位像素点数量不平衡以及图像模糊等问题,导致现有算法对少数类像素点的分割准确度较低,分割边界通常也不够精确。为此,提出面向类别不平衡的胎儿心脏超声图像分割算法。该算法通过嵌入代价感知层,为少数类像素点的错误分类分配更高的损失权重,以提升少数类像素点的分类准确性。应用全局直方图均衡化,结合空洞空间金字塔池化,获取清晰的图像轮廓和多尺度上下文信息。在真实胎儿心脏数据集上与7种先进分割算法比较,该算法在多项评价指标上均获得了最优的分割结果。

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。

左心室核磁共振图像的自动分割

目前左心室核磁共振图像的分割方法,大部分是半自动的,如Snake方法;为了能实现全自动分割,该文先采用SVM对图像进行左心室定位,然后用水平集(LevelSet)方法进行分割.针对水平集符号距离函数构造计算量大的问题,提出了一种新的符号距离函数(SDF)的生成方法———中线延拓方法.它只需对图像进行一次扫描就可以生成SDF,同时还可以记下每点对应的曲线上的最近邻点,为速度项中曲率的扩展提供条件.针对核磁共振图像成像特点,特别是对加标记线的左心室核磁共振图像,引入了块像素变差和灰度相似性的思想,对水平集方法的速度项进行了改进,提高了分割精度.该方法能全自动、快速、准确地实现左心室的分割.文中给出了合成图像和左心室核磁共振图像的分割结果.

基于支持向量机的核磁共振左心室图像自动检测与分割

提出了用基于支持向量机的方法来实现核磁共振左心室图像的自动分割方法.首先用经过训练的支持向量机(SVM)在二维图像中进行识别和定位左心室目标区域并进一步找出边缘区域,采用一种改进的训练方法来提高SVM识别率,然后在足够准确的区域中利用梯度方法找出边缘点,并把他们连接起来,找出目标的边缘,达到分割的目的.实验表明,这种分割方法降低了SVM对背景图像的敏感度,提高了SVM识别率.

改进的非局部FCM脑核磁共振图像分割与偏移场恢复耦合模型

核磁共振图像技术可用于对疾病的辅助诊断,然而受成像机制的影响往往图像中含有噪声以及偏移场,使得传统的模糊C均值(FCM)算法很难得到较好的分割结果.为此,提出一种基于FCM算法的分割与偏移场恢复耦合模型.首先将偏移场耦合到模型中,以降低灰度不均匀对分割的影响;其次将非局部信息融入模型中,使其在降低噪声影响的同时还能保持细长拓扑结构区域信息;最后引入隶属度正则项,以降低隶属度在过渡区域的影响,改善模型的分割效果.实验结果证明,文中模型对噪声具有较好的鲁棒性,并且在分割过程中能较好地恢复图像偏移场,得到较理想的分割结果及偏移场估计.

基于核磁共振图像的脑肿瘤分割方法研究

利用脑肿瘤核磁共振(Magnetic resonance,MR)图像提供的关于肿瘤和脑组织的形状、大小与定位等信息准确地分割出脑肿瘤区域,对监测脑肿瘤患者的肿瘤生长或缩小、制定手术或放化疗计划都起着重要的作用。探讨了脑肿瘤MR图像分割的背景与意义,整理了脑肿瘤分割方法中常用的评估指标以及实验数据库的发展过程。基于脑肿瘤MR图像的特点讨论了脑肿瘤分割的难点,并从MR成像缺陷、脑组织解剖结构以及脑肿瘤的复杂性等方面进行归纳。对脑肿瘤分割方法的分类以及常见的分割方法进行了研究,分析了基于图论的分割方法、基于可形变模型的分割方法以及基于机器学习的分割方法及其进展。最后,结合脑肿瘤分割中存在的问题对未来的研究工作进行展望。

利用改进CV模型连续水平集算法的核磁共振乳腺图像分割

针对核磁共振乳腺图像边界弱、信息量大、信噪比低的问题,提出一种基于改进Chan-Vese(CV)模型的连续水平集分割算法。该算法利用B样条基函数将传统离散水平集函数表示成连续形式,用解决B样条空间的变分问题代替水平集函数更新的计算问题;通过引入转移Heaviside函数,构造α-CV模型作为能量函数模型。实验结果表明,与传统CV模型离散水平集方法相比,该算法可以避免局部极小值的现象,提高分割精度,有效抑制噪声,分割迭代次数降低了101数量级,并且可以准确、稳定地实现低信噪比、弱边界的核磁共振乳腺图像分割。

一种带心肌瘢痕的心脏磁共振图像左室壁分割方法

从心脏磁共振图像中分割出左心室内外膜轮廓线,是心脏三维重建及心脏功能评定的先决条件.针对带心肌瘢痕的心脏磁共振图像,提出了一种基于显著性检测定位的左心室内外膜分割方法.方法采用视觉显著性检测和分水岭变换,提取左心室血池区域,准确确定了左心室位置;然后提取血池区域轮廓线作为内膜初始轮廓,在带形状约束的活动轮廓模型作用下演化得到左心室内外膜.实验结果证明,该方法定位较为准确,能使初始轮廓迅速收敛到内膜边界,分割得到的内外膜以及心肌区域均较为准确.

一种新的心脏磁共振图像分割方法

心脏磁共振图像的分割是心脏功能辅助诊断和分析的基础,而左心室轮廓的提取则是正确分割心脏磁共振图像的关键。提出了一种提取心脏磁共振图像中左心室轮廓的方法。该方法首先采用一种自适应边缘保持平滑算法对心脏磁共振图像作平滑处理,接着采用K均值聚类算法对心脏磁共振图像作聚类分析,然后采用基于变分水平集方法的几何主动轮廓线模型提取左心室轮廓。实验表明,该方法能够克服心脏磁共振图像中的噪声和心脏周边组织的影响,而且具有较好的准确性和鲁棒性。

基于模糊Gibbs随机场聚类二维直方图的核磁共振图像分割

针对人脑组织结构的不确定性和模糊性,提出模糊Gibbs随机场聚类与二维直方图相结合的分割方法。该方法首先利用均值、方差及邻域属性对隶属度函数进行定义,并建立模糊Gibbs随机场;然后以模糊Gibbs随机场作为先验知识、最大后验概率为判别准则来确定每一个像素的类归属以及它属于该类的隶属度,同时用模糊类的质心来更新类中心;最后将类中心引入二维直方图方法中,找到每个类之间的各个阈值点对图像进行分割。通过实验表明该算法能够准确分割出各种脑组织,对噪声的鲁棒性、结果的准确性及平滑性相对于模糊C均值(FCM)算法都有了很大的提高。

一种新的核磁共振图像偏场估计和分割算法研究

在数字医学图像处理中,对于核磁共振图像而言,灰度不均匀性将严重影响算法的性能,因此必须进行偏场的估计以消除这种不均匀性。为此,提出了一种可以同时实现核磁共振图像偏场估计和图像分割的算法。使用最小均方误差准则构建目标函数,利用偏场的光滑特性和局部特性构建约束项来加速算法的收敛速度并提高算法的性能。实验结果表明,该算法能够正确地进行图像分割和偏场校正,同时约束项能够加快算法的收敛速度和提高算法的性能。

基于3D-CSC的核磁共振脑组织图像分割方法

为了实现核磁共振脑组织图像的快速自动识别,同时克服灰度不均匀性和噪声影响,本文提出一种改进的基于3D Cell Structure Code(3D-CSC)技术的三维核磁共振脑组织图像的全自动分割方法.首先通过3D Kuwahara滤波器过滤图像中的噪声,利用基于图像灰度和空间信息的非参数偏场纠正方法抑制灰度不均匀性,然后利用多级并行的区域增长技术—3D Cell Structure Code(3D-CSC),对图像进行快速自动分割,并通过直方图分析方法实现了不同脑组织的分类,进而利用数学形态学运算进行后处理,提高了脑组织识别的准确度.通过在8个真实T1-加权MR图像和10组模拟T1-加权MR图像上的实验,验证了该方法的有效性.

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.