用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法

脑部病变的自动分割为脑卒中患者的及时诊治和诊疗方案的制定提供了可靠的依据,但获取大规模标记数据昂贵且耗时。半监督学习(SSL)方法通过利用大量的未标记图像和有限的标记图像缓解这一问题。针对SSL中伪标签存在噪声,以及现有的三维(3D)网络缺乏聚焦较小目标的能力这2个问题,提出一种半监督方法,即用于脑卒中病灶分割的具有注意力机制的校正交叉伪监督方法RPE-CPS(Rectified Cross Pseudo Supervision with Project&Excite modules)。首先,将数据输入2个结构相同但初始化不同的3D U-Net分割网络,将得到的伪分割图用于交叉监督训练分割网络,充分利用伪标签数据扩展训练集,并鼓励不同初始化网络对同一输入图像的预测之间具有较高的相似性;其次,设计一种基于不确定性估计的交叉伪监督方法的校正策略,以降低伪标签中的噪声影响;最后,在3D U-Net分割网络中,为提高小目标类的分割性能,将投影-激发(PE)模块添加至每一个编码器模块、解码器模块和瓶颈模块之后。为验证所提方法的有效性,在合作医院急性缺血性脑卒中(AIS)数据集和缺血性脑卒中病灶分割挑战赛(ISLES2022)数据集上分别进行评估实验。实验结果表明,在仅使用训练集中20%的标记数据时,在公开数据集ISLES2022上Dice相似系数(DSC)、95%豪斯多夫距离(HD95)和平均表面距离(ASD)分别达到了73.87%、6.08 mm和1.31 mm;在AIS数据集上DSC、HD95和ASD分别达到了67.74%、15.38 mm和1.05 mm。与先进的半监督方法不确定性校正金字塔(URPC)相比,DSC分别提升了2.19和3.43个百分点。所提方法可以有效地利用未标记数据提高分割精度,优于其他半监督方法,并具有鲁棒性。

中轴性脊柱关节炎的病灶分割方法

中轴性脊柱关节炎会造成脊柱或受累关节的强直畸形。目前磁共振成像是诊断中轴性脊柱关节炎的主要方法。但人工诊断该疾病时,骶髂关节处磁共振图像具有人工成本高、效率低等问题。为辅助诊断中轴性脊柱关节炎,本文提出一种基于U-Net的病灶分割方法,自动提取骶髂关节处MRI图像中的病变区域。实验的结果表明,基于U-net的病灶分割算法平均的Dice系数值为0.78,准确性较高,能有效地解决辅助诊断的问题。

基于半监督深度学习的COVID-19病灶分割研究

从计算机断层扫描(CT)图像中自动检测出肺部感染区域,为传统的医疗保健策略应对诊断COVID-19疾病提供了巨大的可能性。但是获得大量标注数据非常困难,如何利用少量标注数据和大量未标注数据来进行COVID-19诊断变得尤为重要。文章对半监督深度学习医学图像分割方法进行梳理,并深入分析了其中具有代表性的工作,最后提出基于熵的COVID-19病灶分割方法。

一种基于局部与全局表征交叉耦合的脑卒中病灶分割网络模型

由于脑卒中严重程度不同,病灶位置、形状和面积有较大差异,导致目前基于深度学习的分割方法仍还不够理想.针对脑卒中病灶特征,提出了一种新的U型分割网络,该网络的编码器是一个结合Transformer和卷积网络的双分支混合架构,该结构特点是在构建图像层次化特征过程中将基于Transformer的全局特征和基于卷积网络的局部特征进行交叉学习,促进编码器在训练和推理过程中将两种风格的特征相互增强.此外,为了增强小目标、弱边缘的特征表达,构建了合并模块将编码器得到的两种风格的层次化特征进行融合,并将融合后特征输送到一个级联的上采样器中预测病灶区域,以及设计了一个结合Dice函数和Focal函数的损失函数用以缓解小病灶区域造成的前景与背景数据之间的数据不平衡问题.所提出的方法在一个开源脑卒中数据集进行了验证,与其他相关方法相比,所提出的方法在分割精度、效率等方面均表现出较好的性能.

基于空间FCM与MRF方法的乳腺MRI序列三维病灶分割研究

针对乳腺DCE-MRI病灶分割,提出一种空间FCM聚类与MRF随机场相结合的三维分割方法。首先,对MRI图像进行空间FCM粗分割,提取病灶粗轮廓。然后,在其基础上进行MRF精分割,并结合病灶三维信息:用相邻切片分割结果对应标号矩阵初始化MRF精分割标号场,同时用该张切片粗分割所得隶属度矩阵对MRF精分割进行参数自适应调整。用该方法与空间FCM、水平集、模糊MRF方法对50例MRI数据进行分割对比实验,得到良、恶性病灶分割重叠率分别为76.4%、75.5%;相比于空间FCM的68.7%、69.5%,水平集的70.8%、72.6%以及模糊MRF的72.9%、73.6%有明显提升。对所有175例MRI数据分割结果进行非监督评价,得到良、恶性病灶区域均匀性均大于0.92;区域内差异性良性病灶92%小于150、恶性病灶98%小于150;区域间差异性良性病灶87%大于0.25、恶性病灶90%大于0.3。综上表明,该方法具有较高的分割精度。

斑点噪声分布拟合的乳腺超声病灶分割方法

乳腺超声图像常存在斑点噪声,给自动分割带来了一定干扰。为了提升图像质量而进行的去噪操作可能导致病灶边界信息的损失。本文探索将噪声处理融合到分割中而提出新方法,采用统计特征概率分布形式描述乘性斑点噪声分布并融入水平集模型,从而将图像去噪与目标分割结合成一个统一体,实现此类型噪声分布图像的高效自动分割。本文方法对人工合成图像分割得到了较好的效果,对真实乳腺超声图像病灶的分割测试实现了速度提升,在分割精度方法则显示出分化结果,通过分析原因指出探索性的改进措施。

基于深度可分离卷积网络的皮肤镜图像病灶分割方法

针对皮肤镜图像病灶难定位、病灶精准分割难以实现的问题,提出一种基于深度可分离卷积网络的皮肤镜图像病灶分割方法。首先对皮肤镜图像进行黑框移除和毛发移除处理,将图像中有碍确定病灶位置的人工噪声、天然噪声移除;然后在降噪处理的基础上,对图像进行形变、旋转,以扩充数据集;最后构建基于深度可分离卷积、空洞卷积的编解码分割模型,编码部分对图像进行特征提取,解码部分融合特征图,并对图像细节特征进行恢复。实验结果表明,该方法针对皮肤镜图像病灶分割问题可取得较好的分割效果,分割病灶的准确率达到95.24%,与分割模型U-Net相比,准确度提高了6.17%。

基于3D体素增强和3Dalpha背景分离的多发性硬化症病灶分割方法

目的:提出一种用于T_(1)加权像、T_(2)加权像和流体衰减反演恢复(Flair)磁共振图像的多发性硬化症(MS)病变分割方法。方法:首先基于3D图像增强技术,将高强度MS病变区域与其他组织区域区分开来。然后利用假阳性降低方法,去除一些强度和密度不均匀的假阳性目标区域(VOI),并利用颜色分割法去除白质之外的VOI。最后利用彩色MR技术生成3个区域,以便细化分割MS病变。结果:在CHB数据集上进行测试,得到真阳率均值为0.48,Dice相似系数均值为0.52。结论:该方法能够有效去除噪声及其他无关非病变组织,并能准确识别并分割MS病变,该方法的有效性、准确性能为后续的MS分割技术分析提供依据。同时为MS病变的预防治疗、病情跟踪提供客观、方便的诊疗方法。

改进U-Net在喉白斑病灶分割中的应用

喉白斑属于癌前组织病变,准确检测该病灶对癌变预防和病变治疗至关重要,但喉镜图像中病灶边界模糊且表面反光导致其不易分割。为此,提出一种基于U-Net的多尺度循环卷积神经网络(MRU-Net)进行喉白斑病灶分割。通过对比度受限的自适应直方图均衡化技术增强喉镜图像,利用平均池化构建图像金字塔并将其作为U型网络多尺度输入,同时使用多尺度卷积和递归卷积层代替编码与解码单元卷积层改进网络结构,采用多尺度输出层生成不同尺度特征图并对各层求均值得到最终输出结果。实验结果表明,MRU-Net的F1值、Jaccard相似度和平均交并比分别为0.7843、0.6611和0.8269,与U-Net、M-Net等传统网络相比,该网络对喉白斑病灶分割更准确,能够得到精度更高的病灶轮廓。

基于注意力增强U-Net的脑卒中病灶分割

基于卷积神经网络的分割模型可以自主学习特征,精确快速分割病灶,为缺血性卒中临床救治提供客观高效的决策支持。针对现有研究由于复杂的算法流程和模型结构导致分割时间大量增加,以及U-Net缺乏对特征通道和空间信息的关注,不能很好地适应形态位置各异的病灶等问题,提出基于通道和空间注意力增强模块CSA的U-Net,利用一维卷积和膨胀卷积,分别获得高效的通道间依赖关系和感受野更广的空间注意力。在ISLES 2018数据集上进行验证,实验结果表明,CSA提升了U-Net的分割效果,分割性能优于其它几种U-Net的变体。

Faster RCNN和LGDF结合的肝包虫病CT图像病灶分割

针对人工阅片工作量大、阅片质量不佳且容易出现漏检、错判等问题,将Faster RCNN目标检测模型应用于肝包虫病CT图像的检测,并对目标检测模型进行改进:基于图片分辨率低、病灶大小不同的特点,使用网络深度更深的残差网络(ResNet101)代替原来的VGG16网络,用以提取更丰富的图像特征;根据目标检测模型得出的病灶坐标信息引入LGDF模型进一步对病灶进行分割,从而辅助医生更高效的诊断疾病。实验结果表明,基于ResNet101特征提取网络的目标检测模型能够有效提取目标的特征,检测准确率相比原始检测模型提高2.1%,具有较好的检测精度。同时,将病灶坐标信息引入LGDF模型,相比于原始的LGDF模型更好地完成了对肝包虫病病灶的分割,Dice系数提高了5%,尤其对多囊型肝包虫病CT图像的分割效果较好。

基于三重注意力机制的新冠肺炎病灶分割模型

为了解决感染区域比正常组织对比度低的问题,提出了一种基于三重注意力机制(triple attention mechanism,TAM)的新冠肺炎(corona virus disease 2019,COVID 19)病灶分割模型DDTM-Net,并将其应用于条件生成对抗网络。MultiConv模块可以自动提取肺部切片中感染区域的特征,呈现了更丰富且包含不同类型的病灶信息。TAM同时集成了空间、通道、位置注意力模块,可以更精准地定位感染区域的病灶。使用的损失函数是由3种不同的损失函数组成的复合函数,能最小化预测图和真实标签的差异,更好地优化TM-Net模型。在COVID-19数据集上进行实验和评估的结果表明:基于TM-Net的磨玻璃影(ground-glass opacities,GGO)和固结(Consolidation)两类病灶的平均dice相似系数(dice similarity coefficient,DSC)比基于Attention U-Net和R2U-Net的DSC分别提高了1.4%和0.5%,证明TM-Net提升了新冠肺炎病灶分割的准确性。

基于双向循环U-Net模型的脑卒中病灶分割方法

脑卒中具有极高致残率和致死率,研究脑卒中病变的自动识别和分割方法具有重要的临床意义。提出一种基于双向循环U-Net(BIRU-Net)模型的病灶分割方法。首先,引入循环神经网络结构,将改进的注意力卷积门递归单元(ACGRU)替代U-Net中的部分卷积层,使分割模型既适用于小规模标注的医学影像数据集,又具有长时记忆特性;其次,采用双路融合训练机制,将单一视面的正向、反向的切片数据同时输入BIRU-Net,并在模型前向传播过程实现双向特征融合,有效利用了切片序列的双向依赖特性。最后,将各单一视面的分割结果进行再融合,有效利用了数据的空间上下文信息。对于ATLAS数据集的实验结果表明,所提方法的DSC值达到了62.58%,与现阶段的其他方法相比,本文的方法能较为准确地分割出病灶区域。

基于Focal Recall Loss的阿尔兹海默症病灶分割模型

目前的阿尔兹海默症病灶分割算法主要以深度分割网络作为主流算法对组织病理区域进行分割,但是这些方法在面临类别不均衡的情况时,整体性能会受少数类的影响而陷入局部最优的情况。针对上述情况,首先,本文提出一种新的语义分割模型,名为Global Attention UNet (GAUNet),该模型嵌入了全局注意力模块以及组线性层模块对特征空间中的通道信息以及空间信息进行挖掘,从而提高模型的特征表示能力。其次,针对类别不均衡的问题,本文提出一种局部回归损失函数(Focal Recall Loss),针对每轮次召回情况动态调整各个类别的权重,从而使得模型更关注少数类的类别特征信息。本文所提出的方法在Alzheimer’s Disease Neuroimaging Initiative (ADNI)数据集中对6种组织类别区域(额叶、颞叶、顶叶、海马体、中脑、半卵圆中心)同时进行分割,与当下的模型相比,本文提出的方法在少数类别半卵圆中心的IOU比当前最新方法高出6.19%。

一种在MR图像中进行脑胶质瘤检测和病灶分割的方法

针对磁共振图像(MRI)进行脑胶质瘤检测及病灶分割对临床治疗方案的选择和手术实施过程的引导都有着重要的价值。为了提高脑胶质瘤的检测效率和分割准确率,该文提出了一种两阶段计算方法。首先,设计了一个轻量级的卷积神经网络,并通过该网络完成MR图像中肿瘤的快速检测及大致定位;接着,通过集成学习过程对肿瘤周围水肿、肿瘤非增强区、肿瘤增强区和正常脑组织等4种不同区域进行分类与彼此边界的精细分割。为提高分割的准确率,在MR图像中提取了416维影像组学特征并与128维通过卷积神经网络提取的高阶特征进行组合和特征约简,将特征约简后产生的298维特征向量用于分类学习。为对算法的性能进行验证,在BraTS2017数据集上进行了实验,实验结果显示该文提出的方法能够快速检测并定位肿瘤,同时相比其它方法,整体分割精度也有明显提升。

联合图像配准的脑卒中病灶自动分割方法研究

针对目前慢性脑卒中的病灶分割准确性相对较低的问题,提出了一种联合深度图像配准的慢性脑卒中自动分割方法。采用深度拉普拉斯金字塔图像配准网络,在微分同胚映射的空间内以从粗到细的方式获得大脑分区,以得到病灶位置的解剖先验信息;将原始磁共振图像和配准阶段的分区结果联合,输入到加入了通道和空间注意力模块的U-Net进行病灶分割。在公开的数据集ATLAS上进行测试表明,提出的方法有效提高了慢性脑卒中病灶分割的准确性,比经典的2D U-Net提升了4.4百分点,证明了基于深度图像配准的大脑分区先验可有效增强模型对病灶的分割性能,更好的组织分割能提高病灶分割准确性。

基于协同学习特征融合和转换器的乳腺癌病灶分割方法

结合正电子发射断层扫描(PET)和计算机断层扫描(CT)的PET/CT成像技术是目前较先进的影像学检查手段,主要用于肿瘤筛查、良恶性鉴别诊断和分期分级。本文提出了一种基于PET/CT双模态图像的乳腺癌病灶分割方法,设计了一种双路U型网络框架,主要包括编码器模块、特征融合模块和解码器模块三个组成部分。其中,编码器模块使用传统的卷积进行单模态图像特征提取;特征融合模块采用协同学习特征融合技术,并使用转换器(Transformer)提取融合图的全局特征;解码器模块主要采用多层感知机以实现病灶分割。本文实验使用实际临床PET/CT数据评估算法的有效性,实验结果表明乳腺癌病灶分割的精确率、召回率和准确率分别达到95.67%、97.58%和96.16%,均优于基线算法。研究结果证明了本文实验设计的卷积与Transformer相结合的单、双模态特征提取方式的合理性,为多模态医学图像分割或分类等任务的特征提取方法提供参考。

基于外轮廓识别与内部像素分类的双阶段血管内超声影像分割与术中显示

【目的】血管内超声成像常被用于术中观察冠状动脉的狭窄状况与粥样硬化病灶危险程度。本文研发了针对血管内超声影像的病灶智能分割算法,重点解决噪声和伪影对分割精度的影响,并提出便于医生在术中观察的分割结果显示方式。【方法】本文提出了双阶段分割模型,首先自动识别血管内腔边轮廓以排除血管外噪声干扰,然后聚焦于血管内病灶组织的像素分类。本方法充分考虑了时序图像序列在时间上的关联性,通过多通道输入的U-Net提升相邻帧之间的分割一致性。为便于术中观察,根据网络输出的像素概率进行了概率化显示。【结果】在20例时序影像测试集上,本方法对纤维、钙化、脂质与超声衰减分割的平均Dice系数指标分别为0.90、0.93、0.80和0.95。对比实验证明外轮廓识别有助于排除外部噪声干扰,提升内部病灶分割的完整性。本方法以多通道方式输入时序图像可以有效提高时间维度上的分割一致性。临床医生验证肯定了本方法的概率化显示方式有助于术中直观了解病灶分布状况。【结论】本方法通过对血管内超声图像进行分割和可视化展示,更准确、完整、直观地评估并展现血管内病灶成份分布情况,为冠脉介入手术提供了智能分析和可视化展示的支持。

基于自适应联合损失函数的新型冠状病毒感染病灶分割网络

新型冠状病毒感染是一种传染性强、变异性强、潜伏期长的急性呼吸道传染病。基于电子计算机断层扫描成像的新型冠状病毒感染病灶自动分割可以辅助医生进行快速诊断和精确治疗,能有效地减少误诊漏诊的风险。针对新型冠状病毒感染病灶征象复杂且边界模糊难以分割等痛点,本文在新型冠状病毒感染病灶分割网络的基础上结合水平集分割方法引入了水平集广义骰子损失函数(LGDL),提出了双路径新型冠状病毒感染病灶分割网络(Dual-SAUNet++),其中LGDL是由掩膜路径的广义骰子损失和水平集路径的均方误差联合所得的自适应权重损失。本文所提模型在测试集上取得的戴斯相似系数为(87.81±10.86)%,交并比为(79.20±14.58)%,敏感度为(94.18±13.56)%,特异度为(99.83±0.43)%,豪斯多夫距离为(18.29±31.48) mm。实验证明,Dual-SAUNet++能够同时关注病灶的面积和边界信息,可以有效分割出多尺度病灶且具有较强的抗噪能力。综上,本文所提方法通过精确分割病灶区域,可辅助医生判断新型冠状病毒感染的严重程度,为后续临床治疗提供可靠依据。

基于LesionMix数据增强和熵最小化损失的半监督肺癌CT影像分割

目的基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强(EMLM)。方法首先,提出LesionMix数据增强方法,即通过对少量有标注的CT影像进行病灶信息提取并重复利用,来提升标注数据的利用效率。其次,提出两阶段半监督训练策略,第一阶段通过LesionMix数据增强方法使模型快速学习到少量标注数据的病灶特征,第二阶段使用熵最小化损失函数使其拟合真实数据分布情况,提高模型分割效果。最后,在LIDC-IDRI数据集上,通过对比实验和消融实验评估EMLM方法的分割性能。结果对比实验结果显示,在30%和10%标注比例的情况下,EMLM方法的戴斯相似度系数(DSC)均高于当前6种最佳半监督分割方法(URPC模型、UAMT模型、RD模型、MT模型、AEM模型、CPS模型),在50%标注比例的情况下,EMLM方法的DSC高于MT模型、RD模型、CPS模型、UAMT模型(P<0.05)。消融实验结果显示,使用Baseline模型同时配合EMLM方法时的DSC大于仅使用Baseline模型或者使用Baseline模型单独配合熵最小化损失(P<0.05),与使用Baseline模型单独配合LesionMix数据增强方法差异无统计学意义(P>0.05)。结论对于肺癌病灶分割,EMLM方法可以有效降低对标注数据的依赖并实现良好的分割效果。LesionMix数据增强方法与熵最小化损失实现了对肺癌病灶的重复利用,提高了标注的利用效率,同时可以更好地拟合真实数据分布情况而获得更佳的分割结果,从而有效提升了模型对肺癌病灶的分割能力。