基于多尺度特征感知的胸腔图像危及器官分割

医学图像危及器官自动分割是计算机辅助诊断中的重要组成部分,对辅助医生高质高效完成放射治疗有着极其重要的作用。胸腔CT图像对比度低,且各器官之间重叠交错、边界模糊,使得危及器官的精确分割具有较大的挑战性。提出一种多尺度特征感知的编码-解码网络模型(FA-Unet),实现胸腔CT图像危及器官的分割。针对胸腔中四类器官大小差异的问题,首先构建了输入感知模型,提取图像中各器官的多尺度特征。为了弥补编码与解码之间的语义鸿沟,在解码-编码中融入改进的inception模块。用空间金字塔卷积(ESP)与金字塔池化(PSP)模块代替传统的串行卷积运算,使得网络模型更为轻量化,在一定程度上缓解数据量不足带来的过拟合问题。采用一种联合Dice系数与交叉熵的损失函数训练分割网络,可解决胸腔CT图像中类别不平衡的问题。最后,在2019年ISBI发布的Seg THOR数据集上验证模型的有效性,该数据集共包括40例肺癌或霍奇金淋巴瘤患者的胸腔CT图像7 390张。实验结果表明,胸腔CT图像各器官分割的Dice系数分别为食道0.793 2、心脏0.935 9、气管0.854 9、主动脉0.889 0,Hausdorff距离分别为食道1.420 7、心脏0.212 4、气管0.627 3、主动脉0.887 0。结果表明,与同类型分割网络相比,模型可获得较好的分割性能,尤其在小目标器官的分割上取得竞争性优势。

基于Canny边缘检测算法求取CT胸腔图像噪声的方法

目的提出一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法。方法选取2021年采集的男性志愿者的CT胸腔图像250张, 通过Canny自适应阈值法提取CT胸腔图像轮廓, 并比较Sobel算法、Canny双阈值法和Canny自适应阈值法的相似度;使用霍夫变换来确定感兴趣区域, 考察感兴趣区域的选取大小、重建卷积核和管电流对CT胸腔图像噪声的影响。结果 Canny自适应阈值法保留了更多细节, 边缘的连续性和完整性有所提高, 对边缘检测与图像分割更加灵活以及更加具有鲁棒性。Canny自适应阈值法结构相似性指数最高(0.644), 均方根误差最小(0.371), 其在边缘轮廓检测方面相似度最高, 效果更显著。随着方形感兴趣区域大小的增加, 平均噪声呈现下降趋势, 噪声标准差在某些区间有所增加, 特别是在较大的方形区域。在同一重建卷积核的情况下, CT胸腔图像升主动脉的平均噪声比胸主动脉的高, 升主动脉的噪声标准差比胸主动脉的低。对于升主动脉, 重建卷积核E的升主动脉平均噪声(41.97 dB)最低, 噪声标准差(20.64 dB)最大;对于胸主动脉, 重建卷积核E的平均噪声(30.78 dB)最低。胸主动脉的平均噪声和噪声标准差随管电流的增加而下降。结论提出了一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法, 适用于检测CT胸腔图像。

基于并行空洞卷积的2.5D胸腔CT气道自动分割

目的构建一种基于人工神经网络深度学习的胸腔CT气道的自动分割方法,以提高临床诊疗效率并减轻放射医师工作负担。方法对公开的60例胸腔CT数据集随机选取11000张气道CT图像进行处理,构建并行空洞卷积的浅层U-Net的神经网络模型,融合胸腔CT的横断面、矢状面和冠状面三个维度的解剖信息和全局结构连通性实现对胸腔气道CT图像端到端的自动分割。在此基础上,将三个断面分割概率图三维重构后,通过搭建的2.5D网络模型来学习每个断面体素概率图的加权系数,融合三维信息,得到最终分割的气道树。随机选取7000张CT图作为训练集建立分割模型,1800张为验证集,2200张作为测试集进行预测,计算预测结果与真实标签的分割相似度(DSC)、准确率(TPR)、假阳性率(FPR)以及网络参数数量。结果该气道自动分割算法DSC为0.935,TPR为0.948,FPR为0.0001,网络参数数量为482,149;该方法的精确度均优于传统U-Net网络和现有的一些其他神经网络气道分割方法。结论本文提出的气道自动分割算法能有效的完成胸腔CT的气道自动分割,提高了自动分割的准确率,为胸部气道辅助诊断和自动化分割提供了参考。