基于非对称UNet网络的磁共振图像胃肠道语义分割方法研究

靶区和脏器的自动化标注是磁共振图像引导放疗的关键技术之一。研究了磁共振图像中胃肠道等空腔脏器语义分割的方法,在语义分割任务中,往往输入图象比输出图像复杂很多,假设网络的复杂度和输入输出的图像复杂度正相关,提出了一个12层的非对称UNet网络,把更多的网络参数放在编码器上,解码器的参数量只有编码器的三分之一。实验结果表明在UMWGI数据集上对胃、大肠、小肠的语义分割任务中,所提方法的DSC综合得分达到了0.856,Hausdorff_95得分达到了3.743,相同网络规模的条件下,优于对称结构的UNet网络和Transfomer网络,说明所提方法可以较好地完成磁共振图像中的胃肠道语义分割,边界分割也较为理想,为实现磁共振图像上胃肠道的自动化标注提供了可行方案。

联合自适应核和Transformer的脊柱磁共振成像多类别分割网络

针对脊柱磁共振成像(magnetic resonance imaging,MRI)结构复杂,存在多余组织、噪声及伪像的问题,本研究设计了一种联合自适应核和Transformer的脊柱MRI实例多类别分割网络。以Swin Transformer作为骨干网络,通过引入稠密连接模块减少前向通道的信息丢失,以更好地捕获图像中的细节和局部信息。同时,为进一步捕获复杂空间的多尺度特征,采取自注意力核选择的方式构建跨尺度稠密连接,使模型在训练过程中能自适应学习到合适的卷积核尺寸,提高模型对不同尺度信息的感知能力,提高分割性能。通过在215例受试者的T2加权MRI图像2D切片上进行验证,实验结果显示,该算法的平均交并比(mean intersection over union,mIoU)、平均召回率(mean recall rate,mRecall)和平均骰子系数(mean dice coefficient,mDice)分别为82.63%、89.37%和88.85%。结果表明,本研究算法的分割性能较好,可实现脊柱MRI中椎体及椎间盘的精准分割,为临床医生提供辅助诊断工具。

基于形态学重建滤波的脑部磁共振图像分割

在阐述形态学基本原理、形态学重建滤波原理和方法的基础上,提出了形态学交变序列重建滤波,并应用于脑部磁共振图像分割。试验结果表明,该方法能有效地滤除无用的信息而保留图像原始形状不变。再应用形态学梯度运算、测地距离和流域变换方法就能准确地分割出脑部磁共振图像的头盖骨和脑膜。

融合注意力机制的多尺度残差Unet的磁共振图像重建

为了提高磁共振图像在欠采样下重建的质量,本文融合注意力机制和多尺度残差卷积构建Unet网络,实现磁共振图像在欠采样下的重建算法.为增强网络特征的表现能力,以及防止网络训练中梯度消失与退化的问题,在Unet网络的编码路径中引入多尺度残差卷积,提取不同尺度的特征信息;为能准确地恢复图像的细节纹理特征,在Unet网络编码和解码路径的跳层拼接部分引入卷积注意力块,对细节纹理等关键信息进行不同程度的响应.实验表明,本文方法可通过欠采样k-空间数据快速重建出细节纹理清晰且无重叠伪影的高质量磁共振图像.

基于自监督网络的肝脏磁共振R_(2)^(*)参数图像重建

磁共振等效横向弛豫率(R_(2)^(*))参数量化技术已经被广泛应用于肝脏铁含量的定量测量中.然而铁沉积肝脏R_(2)^(*)参数图像的重建通常会受到噪声的严重影响.随着深度学习的兴起,深度学习网络成为磁共振参数图像重建的重要方法.本文提出了一种模型引导的自监督深度学习网络用于铁沉积肝脏的磁共振R_(2)^(*)参数图像重建.通过利用一种融合噪声校正物理模型和改进的全变分模型的损失函数来引导深度学习网络的自监督训练.网络的训练不需要使用真实的R_(2)^(*)参数图像.同时,相较于传统的参数估计算法,本文提出的方法能够快速准确地重建出铁沉积肝脏R_(2)^(*)参数图像,较好地抑制图像中噪声的影响,校正噪声引起的偏差,同时保持R_(2)^(*)参数图像中的结构细节.

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.

基于MITK的脑核磁共振图像的分割与三维重建

本文尝试在微机上使用Visual C++开发环境结合MITK平台对人体头部MRI图像进行感兴趣区域的图像分割与三维重建,为下一步开发基于微机的医学影像三维可视化系统打下基础。

无监督的磁共振图像重建方法研究进展

近年,深度学习技术在磁共振(magnetic resonance,MR)图像重建领域飞速发展。然而,由于有监督的MR图像重建方法所依赖的高质量配对MR数据难以获取,无监督的MR图像重建方法逐渐成为了研究者们关注的重点,并展现出巨大的应用前景。当前关于此类问题的研究层出不穷,但仍缺乏系统性的归纳和分析。为此,本文综述了无监督MR图像重建方法的研究进展。首先,本文对无监督的MR图像重建方法进行了总结,无监督的MR图像重建方法能够从图像域或K空间域数据学习先验信息,实现在缺少配对数据情况下的MR图像重建;其次,本文根据学习先验信息的作用域的不同,将这些方法分为基于K空间域、基于图像域和基于混合域的无监督MR图像重建方法,并重点对各类方法的算法模型和实现流程进行了详细的介绍。最后,本文对无监督MR图像重建领域的进展和各类方法的特点进行了较为全面的总结,并对未来的发展方向进行了展望,以期为实现无监督MR图像重建提供思路和参考,并促进MR成像的临床应用。

基于空间自注意力机制和深度特征重建的脑MR图像分割方法

准确分割核磁共振(magnetic resonance,MR)图像中的脑组织是临床诊断、手术计划和辅助治疗的关键步骤.深度学习在各种图像分割任务中表现出巨大潜力,现有模型没有一种有效方法汇总远距离像素间的关系.在网络解码阶段不能很好地融合不同层级的特征,导致无法准确定位.为克服上述问题,本文提出一种基于空间自注意力机制和深度特征重建的脑MR图像分割方法,构建了一个可以融合3维信息的2D模型,可快速准确对3D结构图像进行密集预测.在MRBrainS13数据集和IBSR数据集上进行充分地实验研究,结果表明本文方法在3D多模态和单模态脑MR图像分割方面优于目前的2D模型,运算和推理时间相比3D模型小很多,性能却十分接近.

基于水平集的前列腺磁共振图像分割方法研究

基于前列腺磁共振图像(MRI)特征信息及其病变好发特定区域等先验知识,针对前列腺内外轮廓全分割问题,提出基于边缘距离调整水平集演化(DRLSE)的前列腺MRI两步分割方法。在构建统一水平集能量函数的基础上,第1步基于前列腺MR的T1(纵向弛豫时间)图像实现其外轮廓分割,第2步在外轮廓约束限定条件下,基于前列腺MR的T2(横向弛豫时间)图像实现前列腺的内部轮廓分割,进而完成前列腺内外轮廓的全面有效分割。设计了前列腺分割的人机交互界面,对10个前列腺病例MR图像(含正常、增生和癌变共30幅)进行了分割实验研究,并采用Dice相似性系数(DSC)对分割结果进行评价分析,DSC值达到90%以上。实验结果表明,所提出的基于边缘DRLSE的前列腺MRI两步分割方法能够有效地实现前列腺内外轮廓的全面分割,非常接近于临床专家手动分割的理想结果,对前列腺疾病的临床诊断和治疗有较好的参考价值。

模糊神经网络在颅脑磁共振图像分割中的应用研究

由于颅脑磁共振图像分割的效果受制于解剖结构和成像过程引起的边缘模糊和噪声 ,本研究结合神经网络和模糊逻辑技术 ,提出一种基于模糊神经网络的颅脑磁共振图像的半自动分割算法。分割实验的结果表明 ,在同等条件下 ,模糊神经网络分割算法的收敛速度比BP神经网络分割算法快三倍以上 ;与最大似然法、模糊c均值聚类和BP神经网络分割算法相比 ,FNN分割算法的抗噪声和抗模糊能力更强。

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.

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.

蚁群算法在磁共振图像分割中的应用

研究一种智能的图像分割方法并且把这种分割方法应用到磁共振的图像分割中,对目前应用的图像分割方法进行比较后提出了一种基于蚁群的磁共振图像分割方法。最后将算法应用到颅脑磁共振的图像分割当中,实验结果表明新算法具有很强的噪声和模糊边界的检测能力。该算法的提出对磁共振研究和临床应用都有很大的理论和实践意义。

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.

基于模糊K-近邻规则的多谱磁共振脑图像分割方法的研究

本文在K 近邻 (K nearestneighbor ,简称KNN)规则的基础上 ,基于模糊C 均值聚类 (FuzzyC meansclustering ,简称FCM)技术 ,提出了模糊K 近邻算法 (FuzzyK nearestneighbor ,简称FKNN) ,并利用该算法对磁共振脑图像进行分割研究。首先对磁共振颅脑图像进行预分割 ,剔除颅骨和肌肉等非脑组织 ,只保留大脑结构 ;然后利用FKNN算法对大脑结构进行分割 ,从脑组织中分别提取出白质、灰质和脑脊液。实验结果表明 ,FKNN方法能有效地从大脑结构中分割出白质、灰质和脑脊液 ,分割效果明显优于KNN方法。

遗传神经网络在颅脑磁共振图像分割中的应用

采用全局最优化算法——实数遗传算法改进BP神经网络的学习算法.在此基础上,提出了一种新的基于实数遗传神经网络的磁共振图像分割算法.实验结果表明,新算法可以有效地降低噪声和边缘模糊对分割结果的影响.另外,设计了一个新的加速遗传算子,可以提高实数遗传算法的收敛速度.

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.

基于分水岭算法的磁共振脑图像自动分割

基于分水岭算法,提出了一种新的非脑组织去除和自动的脑磁共振图像的分割方法,利用区域合并技术克服分水岭算法固有的过分割问题.通过参数的设置,可以将图像中的非脑组织去除掉;对已去除非脑组织的图像,巧妙地将分水岭算法、区域合并和k-均值算法相结合,可进行全自动地分割,效果良好.