基于膝关节MR图像的分割模型构建及验证

目的:构建并验证一种膝关节MR图像分割算法,旨在解决软骨细小结构识别困难、分割边界模糊、错分等问题,发现软骨的早期病变,帮助医生诊断膝骨关节炎等慢性疾病。方法:使用膝关节公开数据集SKI10进行实验验证,划分为训练集(60%)、验证集(20%)、测试集(20%);基于Transformer方法和U-Net方法,提出融合通道注意力机制和边界注意力机制的新型网络架构CE-TransUNet;以平均Dice相似系数(DSC)为主要评价指标,探索模型在膝关节MR图像分割中的性能。结果:与经典算法进行对比,CE-TransUNet具有更好的分割效果,其DSC指数达到了90.48%,在股骨和胫骨上DSC分别达到了93.55%和93.10%,在股骨软骨和胫骨软骨上DSC分别达到了87.69%和87.58%。结论:CE-TransUNet分割结果与人工分割结果有很好的一致性。其分割效果优于对比网络模型,为膝关节软骨的自动分割提供了一种新思路,能够帮助临床诊断,有较好的应用前景。

基于多尺度MRF的膝关节MRI图像快速分割

膝关节MRI图像中骨骼的精确分割是进一步分割与定量分析膝部软组织的前提。目前膝关节骨骼分割的方法比较耗时或需要一定的人机交互。为解决这一问题,将多尺度MRF方法引入到膝关节MRI分割中,以实现快速无监督的分割。首先建立高斯混合的灰度统计模型,运用MDL准则自动确定类别的数目。建立多尺度MRF的先验模型时,利用尺度间的因果性给出非迭代的计算方法,由细尺度往粗尺度传递统计信息,再由粗尺度往细尺度计算每个像素的最大后验概率,从而实现快速准确的分割。实验结果表明,与单尺度MRF相比,多尺度MRF分割膝关节MRI所需时间大大减少,且精度与专家手动分割标准相当。算法通过建立多尺度马尔可夫随机场模型,完成了低信噪比膝关节MRI图像快速准确分割,可作为进一步自动分割软骨与半月板等软组织的基础。

基于改进U2-Net网络的多裂肌MRI图像分割算法

针对腰间盘突出患者MRI图像多裂肌病变部位分割精度较低的问题,提出一种改进的U2-Net网络的新模型,目标是使得编码和解码的子网络通过一系列嵌套的跳跃路径来相互连接.重新设计U2-Net模型中RSU-7、RSU-6、RSU-5、RSU-4中间的跳跃连接,RSU-4F部分不变,用来降低编码解码子网络中特征图的语义缺失.为了提取到高质量的多裂肌特征,加入通道注意力模块,通过学习每个通道的权重,使网络能够更好地关注对任务有贡献的通道,从而提升模型的性能.为验证模型的有效性,在多裂肌MRI图像数据集上进行实验,发现相较于U-Net、U2-Net、U-Net++网络结构,骰子系数(Dice)、豪斯多夫距离(HD)以及均交并比(MIoU)3个指标均有优化.实验结果表明,本文提出的算法对于多裂肌的MRI图像分割有较好的效果,能够辅助医生对病情做出判断.

基于改进非洲秃鹫优化算法的脑MRI图像分割

针对非洲秃鹫优化算法(African vulture optimization algorithm,AVOA)在开发能力与探索能力之间存在的失衡问题,提出了一种多策略改进的非洲秃鹫优化算法(improved African vulture optimization algorithm,IAVOA)。采用佳点集初始化种群以增强多样性,引入混合对立学习以强化开发与探索,实施自适应信任度策略以动态调整搜索过程,应用高斯变异来进一步平衡算法的开发和探索能力。仿真结果显示,在12个典型测试函数上,IAVOA相较于对比算法,在收敛速度、求解精度和稳定性方面均显著提升。提出了IAVOA-FCM算法用于小样本数据集的脑磁共振成像(magnetic resonance imaging,MRI)图像分割,通过IAVOA算法强大的全局寻优能力对FCM算法进行优化。在脑MRI图像分割实验中,与其他5种先进的结合算法相比,IAVOA-FCM在分割精度、稳定性等方面均表现出显著优势。

膝关节软骨:高分辨MRI半自动图像分割法的有效性和可重复性

本项研究未经机构伦理委员会认可，因仅仅选取了10幅骨性关节炎的影像数据，进行处理和分析，并且未涉及其临床资料。研究目的是前瞻性评价半自动图像分割法fsA法1在膝关节软骨分割中的有效性和可重复性，并与传统手动描绘法比较（M法）。2位放射学医生独立用每种方法在不同时间完成分割。以手动法分割每3层描记1层（M1、M2分别为第一和第二时间），半自动法每层描记（SA1、SA2分别为第一和第二时间）。半自动法的有效性（平均处理时间，

手动图像分割技术在严重膝关节骨性关节炎定量研究中的应用

目的应用ITK-SNAP软件手动分割、定量评价严重退变的膝关节软骨。方法采集32个退变严重的膝关节三维容积磁共振数据,手动分割后计算四个软骨单元体积、股骨髁体积,并比较各软骨单元的差异,且进行各软骨单元与年龄、性别以及股骨髁容积的一元、多元线性回归分析。结果各软骨单元体积存在显著统计差异,且各软骨单元体积与股骨髁体积间存在相关性,其与性别、年龄无相关性。结论手动分割技术能够获得严重退变的膝关节软骨的定量数据。

基于深度学习的膝关节MR图像自动分割方法

膝关节磁共振图像的自动分割具有重要的临床需求,图像中分割目标的大小不同为精准分割带来了挑战。基于深度学习,提出一种端到端的DRD U-Net。以残差模块作为基本模块,增加了对特征的复用能力。利用并行的扩张卷积模块获取不同的感受野,克服了U-Net模型单一感受野的局限性,提高了对不同大小目标的分割能力。设计多输出融合的深监督模块,直接利用不同层次的特征实现了信息互补,提高了分割区域的连贯性和准确性。在OAI-ZIB数据集上测试,平均分割表面距离为0.2 mm,均方根表面距离为0.43 mm,豪斯多夫距离为5.22 mm,平均戴斯系数(DSC)为93.05%,重叠误差为3.86%。相比于基线U-Net和其他现有模型,所提方法在膝关节股骨、胫骨、股骨软骨、胫骨软骨的分割方面都取得了更高的精度。

一种针对膝关节CT图像分割的卷积神经网络

针对现有的膝关节CT图像分割方法耗时长、精度低的问题,文中提出一种改进U-Net的卷积神经网络。首先,该网络将添加批归一化层的残差模块作为U-Net编码过程的主要单元,以增加对图像特征的提取能力,克服网络训练过程中可能产生的梯度消失和梯度爆炸问题;其次,把Attention U-Net中的注意力门加入到U-Net解码过程的前3个阶段,在尽量减少网络复杂性的同时突出模型对图像重要特征的学习;最后,该网络结合Adam一阶优化算法和Focal Loss损失函数实现膝关节CT图像的精准分割。在膝关节CT图像数据集上,Dice系数、IOU系数精度分别达到96.5%,93.4%,豪斯多夫距离减小到(3.2±1.3)mm。相比U-Net和SegNet模型,文中算法在膝关节CT图像的分割方面精度更高,网络训练时间减少,平均预测每张图像的效率也有较大提高。

基于磁共振图像的人体膝关节三维模型的建立

目的:建立人体膝关节三维模型,作为膝关节内部运动和受力分析的基础。方法:以磁共振图像作为数据源,通过域值法对图像进行预处理,并利用区域生长法进行图像分割,进而通过空间插值建立活体膝关节模型。结果:该方法建立的模型不仅包含股骨和胫骨骨端,而且包括了半月板和骨端软骨等软组织,更加符合膝关节内部的真实解剖结构。此外,该模型可以被导入有限元分析平台并用于股胫接触面的受力分析。结论:本方法适用于磁共振图像的膝关节模型建立,重建效果可以通过改变图像分割和空间插值的算法得以改善。

基于移位窗口自注意力机制的新生儿脑区域图像分割

通过改进Swin Transformer编码解码网络,结合跳跃连接和深度监督机制,针对新生儿脑部核磁共振成像(MRI)图像分割面临的低信噪比、组织对比度差等问题,提出一种新的基于移位窗口自注意力机制的新生儿脑区域图像分割方法.该方法经过对MRI图像的预处理后,能实现新生儿脑部图像多功能区域的精确分割,并采用最大连通域算法进一步提高了分割精度.在数据集dHCP上的实验结果表明,该方法优于现有方法,为早期发现和干预新生儿脑部损伤提供了潜在的可能性.

7.0T MRI与3.0T MRI膝关节图像质量对比分析

目的对比分析7.0T MRI和3.0T MRI两种不同场强的膝关节图像质量。方法使用3.0T MRI和7.0T MRI扫描仪,在相同时间内使用相同序列对受试者(n=16)进行膝关节成像。分别对肌肉、骨骼、韧带、软骨、神经的信噪比(SNR)和对比信噪比(CNR)进行定量分析,并由2位有丰富经验的放射科肌肉骨骼诊断医师对图像进行解剖结构可视化评估。结果7.0T MRI下膝关节图像的SNR和CNR明显优于3.0T MRI,差异具有统计学意义(P<0.05)。7.0T MRI膝关节图像具有更高的清晰度和对比度。结论相同时间内,7.0T MRI扫描的膝关节图像SNR和CNR更高,能够更清晰地显示膝关节的解剖结构,有助于提高诊断的准确性。

USformer-Net:基于U-Net和Swin Transformer的脑部MRI图像质量评价方法

针对现有的脑部MRI图像质量评价方法准确率低、难以应用于实际临床环境中的问题,提出一种基于提取感兴趣区域的脑部MRI图像质量自动评价模型USformer-Net,并创建了带有主观质量评价标签的脑部MRI图像数据集。USformer-Net模型基于U-Net和Swin Transformer模型构建并针对脑部MRI图像的特殊性进行了改进。首先,利用轻量化的U-Net网络对具有临床诊断价值的大脑主要区域进行分割,提取出感兴趣区域;其次,利用Swin Transformer的串联窗口自注意力运算(W-MSA)、滑动窗口自注意力运算(SW-MSA)以及其特征融合方式,将特征金字塔(FPN)、兴趣区域匹配(ROI Align)及全连接网络(FC)结合在Swin Transformer骨干特征提取网络中进行图像质量评价。USformer-Net模型能够忽略无关噪声,准确提取出影响诊断的主要区域并进行图像质量评价。实验结果表明,在MRI图像质量评价任务中该模型准确率为87.84%,精度为91.84%,召回率为92.05%,F1-score为91.99%,相较于其他评价方法各项指标均有不同程度提升。最终结果显示该模型能够有效保证脑部MRI图像质量评价的准确性,创建的带有主观质量评价标签的数据集也为该领域的研究提供了更好的数据支持。

基于生成对抗网络的膝关节模型构建与局部比吸收率估计

局部比吸收率(SAR)是衡量高场磁共振成像安全性的重要指标.目前主要的方法是对扫描获得的磁共振图像进行组织分割,从而构建个体特异性模型,对其进行电磁仿真以计算局部SAR.针对仿真中膝关节模型长度影响局部SAR估计准确度的问题,本文提出了一种基于条件生成对抗网络(CGAN)的膝关节磁共振图像分割与视野扩展方法,将膝关节图像简化归类为肌肉、脂肪和骨骼三种组织,通过CGAN进行像素的语义分割,采用注意力机制以提高分割的准确度,并且沿头-足方向在图像两端生成扩展区域,构建出更长的模型.实验中对所提方法以及各种对比方法得到的膝关节模型进行电磁仿真,计算它们与人工标注模型的局部SAR的相对误差,结果验证了所提方法可以获得相对精确的膝关节局部SAR估计.

25例膝关节盘状半月板的MRI诊断体会

目的:评价MRI诊断盘状半月板的应用价值。方法:对经关节镜证实为盘状半月板的25例患者进行MRI图像分析,对冠状位半月板测量。结果:均为外侧半月板,矢状扫描半月板前后角相连均超过3个层面,形成上下面平直或略凹的条状结构。冠状位半月板的宽度均>15mm。结论:MRI矢、冠状位可准确诊断盘状半月板。

基于窄带水平集的曲线演化与左心室MRI图像分割

文章研究了基于窄带水平集的曲线演化方法并应用于心脏的MRI图像分割。分析了窄带的生成技术,提出了基于模板的距离函数生成方法;针对MRI图像的特点,给出了一种分割MRI图像的水平集速度函数,以处理图像中出现的区域灰度不一致性以及弱边界现象。MRI图像的分割实验证明了该文算法的有效性。

结合模糊C均值聚类和曲线演化的心脏MRI图像分割

提出了结合模糊C均值聚类和曲线演化的MRT图像分割算法。由于心脏的变形和血液的流动,MRI图像中出现了弱边界、局部梯度极大值区域、伪影等现象。分析了使用水平集方法分割此类图像时出现的问题,提出了两阶段分割算法:结合先验知识和直方图,对心脏MRI图像进行模糊C均值聚类,再根据聚类的结果定义窄带中像素点的速度函数,通过曲线演化获取左心室的粗边界;然后使用梯度向量流构造另一速度函数对边界进行细化。心脏MRI图像的分割实验证明了算法的有效性。

基于BP神经网络的脑肿瘤MRI图像分割

利用BP神经网络技术对MR脑肿瘤图像中的肿瘤区域与正常组织区域进行分割,以辅助医疗诊断与治疗。首先,人工分割出部分影像中的肿瘤组织与正常组织作为已知样本;其次,在BP神经网络模型中输入已知样本中进行训练;最后,用训练好的BP神经网络处理其他脑肿瘤图像。BP神经网络能够有效分割MR脑肿瘤图像,辨别出肿瘤与周围正常组织的差异,但模糊区域也常被误判为肿瘤。因此,本研究提出进一步对模糊区域样本进行针对性训练与特殊的滤波处理,所得结果有较大改进。BP神经网络能有效地进行脑肿瘤MRI图像分割,但在使用时仍需正确选择输入样本的区域和范围并结合特殊的滤波处理。

基于Snake模型的低对比度噪声心脏MRI图像分割

提出了一种基于Snake模型的低对比度、噪声心脏MRI图像分割算法。Snake模型通过轮廓线的变形得到感兴趣区域(ROI)的边界,但其分割结果依赖于初始轮廓线的位置,且变形曲线容易收敛于局部梯度极大值区域或从弱边界处泄漏,对于深度凹陷的区域也难以分割。通过增加局部面积能量项,扩大了Snake模型寻找边界的范围;在模糊C均值集群分类的基础上,构造模糊能量项,能够较好地处理心脏MRI图像中的弱边界、局部梯度极大值区域、伪影等现象。分割实验证明了改进的模型能够有效地分割低对比度、噪声心脏MRI图像。

一种改进的Snake模型与MRI图像分割

Snake模型分割图像时要求初始轮廓线位于图像特征附近,且难以处理深度凹陷区域。该文在快速Snake模型的目标函数中增加局部面积能量项,扩大了算法捕获图像特征的范围;以边缘增强后的BPV图像的梯度为参数,计算梯度向量流场以代替MRI图像的梯度,提高了算法处理弱边界和凹陷区域边界的能力,优化算法的时间复杂度仍然为O(nm)。实验结果表明,该算法能够有效地分割左心室MRI图像。

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练.利用1036张滑膜磁共振图像数据增广后的14512张滑膜图像对模型进行训练,并利用68张图像进行测试.结果显示,模型的平均DSC系数为0.8199,交叉联合度量(IOU)为0.9279.相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低.另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度.实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断.