基于图谱自动分割儿童颅脑MRI中皮层下核团

目的观察基于图谱自动分割儿童颅脑MRI中的皮层下核团的价值。方法回顾性分析105名0~12岁健康儿童头颅MRI资料,分别利用标准脑模板及图谱基于非线性配准算法于其中自动分割丘脑、尾状核、壳核及苍白球;对比基于图谱非线性配准与线性配准法自动分割皮层下核团效果,以组内相关系数(ICC)及Bland-Altman图评估基于图谱自动分割法与人工手动分割结果的一致性。结果基于图谱自动分割儿童颅脑MRI中的丘脑、尾状核、壳核及苍白球的戴斯相似系数(DSC)为0.80~0.93,其95%豪斯多夫距离(HD95)为1.00~8.00 mm,尤以分割壳核效果最佳(P均<0.05)。基于图谱非线性配准法自动分割皮层下核团的DSC及HD95均显著优于线性配准法(P均<0.001),且与手动分割结果具有良好一致性(ICC均≥0.80,差值多位于95%一致性界限内)。结论基于图谱可准确、快捷地自动分割儿童颅脑MRI中的皮层下核团。

基于空间可分离卷积SS-3DUNet模型自动分割增强T1WI所示肛瘘瘘管

目的观察基于空间可分离卷积构建的SS-3DUNet模型自动分割增强T1WI所示肛瘘瘘管的价值。方法回顾性分析29例肛瘘患者的2405幅盆腔轴位增强MR T1WI,随机选取其中19例共1537幅图像为训练集,以5例424幅图像为验证集,5例444幅图像为测试集。基于空间可分离卷积构建SS-3DUNet模型用于自动分割增强MR T1WI中的肛管瘘管,并引入层间特征强化模块加强定位瘘管特征;于训练集、验证集训练并选择最佳模型。以人工标注结果为标准,基于测试集观察SS-3DUNet模型自动分割肛瘘瘘管的效能。结果SS-3DUNet自动分割测试集单幅图像中的瘘管用时为0.59~0.61 s,分割瘘管边界区域与人工标注区域的吻合度较高;其分割测试集瘘管的平均分割戴斯相似系数、敏感度及精确率分别为0.746、70.04%及82.93%。结论基于空间可分离卷积SS-3DUNet能有效自动分割增强T1WI所示肛瘘瘘管。

人工智能在视网膜图像自动分割和疾病诊断中的应用指南(2024)

人工智能技术的快速发展推动了医学的智能化进程。近年来,随着机器学习和深度学习等技术的不断提高,人工智能技术在眼底疾病诊疗中得到了快速发展和应用。眼底疾病主要包括视网膜血管病、黄斑疾病、视网膜脱离、视网膜色素变性等,早期诊断及治疗对改善眼底疾病的预后具有重大意义。本文就人工智能在视网膜图像自动分割和疾病诊断中的应用形成指南,为人工智能在该领域中的进一步研究和应用提供参考。

3D V-Net深度学习模型用于自动分割T2WI及表观弥散系数图所示前列腺

目的基于多中心数据开发3D V-Net深度学习模型,观察其自动分割T2WI及表观弥散系数(ADC)图所示前列腺的价值。方法回顾性收集来自3个医疗中心、于穿刺活检前1个月内接受2894次多参数MRI的2673例疑诊前列腺癌患者;纳入其中5974组轴位图像,包括3654组T2WI及2320组ADC图。于轴位T2WI和ADC图中逐层手动标注前列腺轮廓,测量前列腺左右径、前后径、上下径及体积作为参考标准。按8∶1∶1比例将全部图像分为训练集(n=4780,含2907组T2WI及1873组ADC图)、验证集(n=601,含384组T2WI及217组ADC图)与测试集(n=593,含363组T2WI及230组ADC图),行预处理及扩增后,采用3D V-Net基于训练集和验证集构建及训练分割模型,于测试集以戴斯相似系数(DSC)、杰卡德系数(JACARD)及体积相似度(VS)评估模型分割效能;比较模型所测前列腺各参数与参考标准的差异并分析其相关性。结果相比对应ADC图,模型自动分割测试集T2WI中前列腺的DSC、JACARD、VS均较高(P均<0.001)。模型所测T2WI及ADC图中的前列腺左右径、前后径、上下径均大于参考标准(P均<0.001)而体积差异均无统计学意义(P均>0.05);模型基于T2WI及ADC图所测前列腺各参数均与参考标准呈正相关(r_(s)=0.794~0.985)。结论3D V-Net深度学习模型自动分割T2WI及ADC图所示前列腺的准确性较高,且基于T2WI的效能优于ADC图。

基于Freesurfer自动分割技术评估不同类型颞叶癫痫患者大脑皮层厚度的改变

目的探讨Freesurfer自动分割技术评估成人颞叶癫痫(TLE)大脑皮层厚度的变化。资料与方法回顾性收集2021年1月—2023年9月宁夏医科大学总医院经临床表现和脑电图共同确诊的84例TLE,包括MRI阴性TLE 32例、左侧海马硬化30例、右侧海马硬化22例,招募50例健康志愿者作为对照组,均行轴位T1WI三维磁化强度预备梯度回波序列扫描。使用Freesurfer软件对T1WI图像行大脑皮层分割,比较不同类型TLE患者各皮层厚度的差异。结果MRI阴性TLE组与对照组比较有14个区域皮层厚度均减小,主要集中在双侧额叶和右侧顶叶,差异有统计学意义(P均<0.05);左侧海马硬化组与对照组比较有34个区域皮层厚度均减小,主要集中在双侧额叶、颞叶及顶叶,差异有统计学意义(P均<0.05);右侧海马硬化组与对照组比较有27个区域皮层厚度均减小,主要集中在双侧额叶、顶叶及右侧颞叶,差异有统计学意义(P均<0.05)。结论自动分割技术可评价不同类型TLE患者大脑不同皮层区域厚度的变化,有助于临床进一步了解TLE的发展,为完善治疗方法或术前评估提供参考。

人工智能辅助半自动分割软件在肝脏血管瘤CT测量中的应用

目的:评估一种人工智能(AI)辅助的半自动分割软件在肝脏血管瘤CT测量上的应用的表现。方法:回顾性分析2022年2月至2023年2月收治的52例肝脏血管瘤患者的临床资料。采用联影医疗基于深度学习技术开发的肝脏血管瘤分析软件,由两名医生独立、单盲对52个肝脏血管瘤的多排螺旋计算机断层扫描(MSCT)图像进行手动分割和AI辅助的半自动分割,对其最长径及体积进行了手动和半自动的重复测量,并运用Bland-Altman方法评估两种模式下观察者内及观察者间的差异。利用组内相关系数(ICC)来评估两种模式下测量的一致性。结果:肝血管瘤病灶最长径测量中,观察者内手动、半自动测量偏移均值95%一致性区间分别为-0.70~0.55、-0.52~0.48,观察者间手动、半自动测量偏移均值95%一致性区间分别为-0.15~1.24、-0.76~0.64。肝血管瘤病灶体积测量中,观察者内纯手动、半自动测量偏移均值95%一致性区间分别为-5.95~6.79、-3.84~3.23,观察者间手动、半自动测量偏移均值95%一致性区间分别为-8.04~5.56、-6.52~5.88。观察者内手动、半自动最长径测量变异度的ICC分别为0.901、0.976,观察者间手动、半自动最长径测量变异度的ICC分别为0.865、0.892。观察者内手动、半自动体积测量变异度的ICC分别为0.907、0.982,观察者间手动、半自动体积测量变异度的ICC分别为0.825、0.913。相对于手动分割病灶,使用AI辅助的肝血管瘤自动分割软件进行半自动病灶分割所需要的时间大大缩短[(26.00±4.82)s vs(7.23±2.89)s,t=-24.289,P<0.01]。结论:AI辅助的半自动分割软件在肝脏血管瘤的分割中展现出良好的观察者内及观察者间的一致性,并显著提高了分割效率,减少了临床工作所需时间,有潜力成为临床随访和疗效评估的定量分析工具。

自动分割海马亚区感兴趣区与3D-pCASL融合测量脑血流量一致性及可重复性

目的评价颞叶内侧癫痫伴海马硬化患者MRI影像研究中自动分割海马亚区感兴趣区(ROI)与动脉自旋标记(ASL)功能像融合测量脑血流量(CBF)的一致性及可重复性。资料与方法回顾性收集2021年1月—2022年10月宁夏医科大学总医院经MRI诊断或病理证实为海马硬化的52例颞叶内侧癫痫,患者均在3.0T MRI上采用轴位T1加权三维磁化强度预备梯度回波(3D-T1WI-MPRAGE)序列及三维伪连续式ASL序列进行扫描。对3D-T1WI-MPRAGE图像进行自动分割海马亚区,由2名医师进行海马亚区ROI与ASL功能图像融合并测量CBF值,分析测量者内、测量者间的一致性与可重复性。结果2名医师测得CBF值ICC均>0.750,平均为0.868±0.095,左、右侧海马各亚区ICC分别为:下托:0.818/0.801、海马角(CA)1:0.920/0.907、CA2~3:0.759/0.978、CA4:0.757/0.758、齿状回:0.990/0.991;同一名医师ROI勾画的ICC均>0.990,平均为0.994±0.002,左、右侧海马各亚区ICC分别为:下托:0.993/0.993、CA1:0.996/0.995、CA2~3:0.989/0.994、CA4:0.992/0.995、齿状回:0.993/0.996。BlandAltman图可直观展示散点分布和一致性,获取重复性系数。同一观察者对自动分割ROI与ASL功能像融合测量具有一定可重复性。结论基于自动分割海马亚区ROI与ASL功能像融合测量的CBF值具备较高的一致性及可重复性。

粘连玉米籽粒图像的自动分割方法

以玉米籽粒为对象,提出了一种基于公共区域和籽粒轮廓寻找分割点的方法,实现了粘连玉米籽粒图像的自动分割。对于两个相互粘连的籽粒,在对粘连目标进行连续腐蚀—膨胀处理过程中,相互接触籽粒会形成公共区域,将公共区域与任意一个籽粒轮廓进行交集运算后,得到一段不封闭的曲线,曲线段的端点作为分割点,再运用Bresenham画线算法生成分割线,将这两个籽粒分离。对于大量粘连的籽粒,采用同样的方法,以"剥离"方式可将籽粒逐个分离出来。对100组粘连籽粒图像进行算法测试,分割正确率为96%,分割后的籽粒边界较为平滑,变形较小。

基于高分辨率DEM的黄土地貌正负地形自动分割技术研究

黄土地貌正负地形自动分割是构建地表空间分布式机理-过程模型的基础。在分析黄土高原地区典型地貌坡面形态及汇流过程特征的基础上,提出了基于5m分辨率栅格DEM自动分割黄土正、负地形的技术方案。该方案首先利用坡面上下游栅格点的坡度对比识别沟沿线点,然后利用汇水模型提取沟沿线点约束的上游汇水区域,从而实现正、负地形的自动分割。在黄土塬区及丘陵沟壑区的实验结果表明,该方法的优点是提取精度高,人工干预少,在不同地貌类型区域内有很好的应用适宜性。

反求工程中散乱点云数据的自动分割与曲面重构

提出了一种在反求工程中对散乱点云数据进行自动分割与曲面模型重构的方法.建立了散乱点云数据之间的拓扑信息,对点云数据进行三角剖分重构网格曲面模型.基于网格曲面求解点云数据的曲率极值,提取边界点云,进一步拟合成边界曲线.利用边界曲线将整个点云自动分割,每一片点云采用二次曲面或自由曲面进行拟合,对于二次曲面可以根据参数自动确定曲面类型,最终得到完整的CAD模型.用一个鞋跟模型的实例证明了该方法的有效性.

视频运动对象的自动分割

视频运动对象的分割技术在运动视觉检测和新的MPEG 4视频编码标准中十分重要 提出了一种运动对象分割算法 该算法采用序列图像帧间差的高阶统计量 (HigherOrderStatistics,HOS)假设检验 ,确定运动对象的位置 ,自动分离运动区域与背景 ;根据三帧序列图像中前后帧差图像灰度边缘重合的部分为中间帧运动对象的边缘来有效地解决运动对象前后帧的遮挡问题 ;采用形态滤波的方法填充分割出的运动对象二值模板中的空洞 ,消除残余噪声及平滑边缘 分析和实验证明 ,该算法需要调整的参数少 ,抗干扰能力强 ,可以高效率地进行运动对象的自动分割 此外 ,该算法具有潜在的并行机制 。

多阈值和神经网络卫星云图云系自动分割试验

卫星云图自动分割是实现卫星云图云系自动识别的基础 .选用 1 992～ 1 994年和 1 997～1 998年夏季有典型天气系统的 1 77幅 GMS红外云图建立了云系模型库 ,云系分类样本 30 79个 ,包含 1 6类云系 ,云系分割样本 2 764个 .利用云系分割样本集进行神经网络试验 ,训练集为从 32幅云图中抽取的 484个样本 ,测试集为从 1 45幅云图中抽取的 2 2 80个样本 ,神经网络模型训练正确率达到 98.8% ,测试正确率为 86.4% .用 1 997年 7月 1 8～ 2 1日和 1 998年 6月 1 5～ 1 7日的两组卫星云图做自动分割应用试验 ,结果经专家判识 ,正确率达到 90 %以上 .本文的工作表明 :用多阈值和人工神经网络相结合方法对卫星云图进行云分割在实际应用中是可行的 .卫星云图自动分割系统的输入是 GMS红外云图 ,输出是分割出的每一个云区 ,同时还包括云区的边界链码、起始点、周长、面积 ,并保留了原始图像数据 .在下一步的云系识别过程中 ,可以在此基础上进行云系分类识别试验 .

基于自适应Unet网络的鼻咽癌放疗危及器官自动分割方法

目的探讨鼻咽癌放射治疗中的危及器官(OARs)的自动分割的准确性。方法在自动分割模型研究中,经CT扫描和医生手动分割后,选取147例鼻咽癌患者的CT图像及其对应勾画的OARs结构,并对其进行完全随机化分组,分成训练集(115例)、验证集(12例)、测试集(20例)。采用自适应直方图均衡化对CT图像进行预处理。利用端到端训练提高建模效率,实现一种基于三维Unet的改进网络(AUnet),将器官大小作为先验知识引入卷积核大小设计中,使网络能自适应地提取不同大小器官的特征,从而提高模型的性能。比较自动与手动分割的DSC(Dice Similarity Coefficient)系数和豪斯多夫(HD)距离以验证AUnet网络的有效性。结果测试集的平均DSC和HD分别为0.86±0.02和4.0±2.0 mm。除视神经、视交叉外,AUnet与手动分割结果无统计学差异(P>0.05)。结论引入自适应机制后,AUnet能较为准确地实现基于CT图像对鼻咽癌的危及器官的自动分割,临床应用中可大幅度提高医生的工作效率及分割的一致性。

自动分割及跟踪视频运动对象的一种实现方法

随着 MPEG- 4压缩标准的制定 ,分割及跟踪视频运动对象的研究显得极其重要 .在 MPEG- 4视频编码标准中 ,为了实现基于视频内容的交互功能 ,其视频序列的每一帧由视频对象面 ( VOP)来表示 .为了生成视频对象面 ,需要对视频序列中的运动对象进行有效的分割 ;并跟踪运动对象随时间的变化 ,为此提出并实现了一种用于分割及跟踪视频运动对象的时空联合方法 .该方法首先采用连续帧间差的 4次统计量假设检验 ,确定运动对象的位置 ,自动地分离出运动区域与背景区域 ;在运动区域内 ,采用数学形态学的分水线算法来精确地提取运动对象的轮廓 ;最后 ,将提取到的运动对象作为模板 ,对后续的视频序列 ,用 Hausdorff距离度量 ,来跟踪并提取后续帧中运动对象 .实验结果表明 ,该方法能有效地分割和跟踪视频运动对象 ,且能有效减少计算复杂度 ,其调整参数也较少 .

种子动态图像自动分割与标记技术研究

根据系统实时检测要求 ,研究了基于自动阈值选取的种子图像分割技术 ,采取固定阈值分割与基于迭代方式的最优阈值选取相结合的方法对图像进行分割处理。根据区域内部像素具有灰度相似性 ,将不同的区域赋予不同的标记 ,达到了种子识别的目的 ,同时识别出系统标记与种子目标 ,并进行了定位参数计算。给出的理论分析与计算方法 ,经过大量试验验证 ,已应用于检测试验台中 ,粒距检测误差小于± 2 m m,满足系统实时检测技术要求。

自动分割CT图像中肺实质的方法

目的提出一种从CT图像中自动分割出肺实质的方法。方法第一步,利用灰度阈值把肺部区域从背景中提取出来;第二步,对提取出的肺部区域进一步处理,除去大气管、平滑肺部边缘;第三步,利用数学形态学方法分开左右两肺。结果利用该方法对三个病人的肺部CT图像序列进行处理,证明该方法能针对不同厚度的CT图像,自动选取合适的阈值进行分割,并能去除独立的气管/支气管,最后完整提取出肺实质。结论本文提出的方法为进一步利用计算机辅助诊断方法对肺结节进行识别和标记提供了基础。

流域地形自动分割研究

本文提供了基于栅格数字高程模型（ＤＥＭ）提取流域空间结构，进行流域自动分割的技术方法。该方法包括地貌形态结构定义、流域结构定义和算法设计３个部分。基于本文设计的算法，可以从ＤＥＭ提取完整的汇流网络和分水线网络，两者组成的多边形集把流域分割成具有拓扑结构的多个子汇流区，这个子汇流区集作为存贮流域信息的基本地貌单元，是流域信息进入地学数据库的框架，也是进行空间分布式机理──过程流域分析模型的基础。并以山西离石黄土丘陵沟壑区的王家沟流域为试验区，获得了较为满意的结果。

一种基于段间距离测度的语音自动分割方法

根据连续语音中不同类语音段之间内在的相异性 ,提出了段间距离的概念 ,并基于特征矢量距离给出了段间距离的一种测度 .在此基础上 ,提出一种新的语音自动分割方法 ,它根据语音段间距离曲线的峰值点对语音音素进行分割 ,而不需要关于语音单元的先验知识或参考模型 .在该方法中 ,语音特征矢量按帧计算 .通过采用适当的帧重迭度 ,可以使语音分割具有较高的时间分辨率 .实验结果表明 。

基于深度学习融合模型的算法在宫颈癌术后患者直肠自动分割中的应用研究

目的:针对宫颈癌术后患者直肠形态变化大、难以自动分割的研究难点,运用Dense V-networks网络模型,基于低数量样本进行训练,实现基于CT图像的直肠三维自动分割。方法:融合密集卷积网络(densely connected convolutional networks,DenseNets)与V型网络(V-network)2个网络模型,生成同时具备密集连接和残差结构的Dense V-networks网络模型,以降低需调整的参数数目、减少冗余计算,加快收敛速度,有效地解决训练三维数据时随深度增加出现的梯度消失/爆炸问题;其次选用100例宫颈癌术后患者的盆腔CT图像数据进行标注,其中80例作为训练集,20例作为测试集。将医生手动分割的直肠轮廓作为金标准,采用戴斯相似性系数、豪斯多夫距离、敏感性指数等6个指标分析融合模型的准确性。结果:6个指标平均值分别为0.84(戴斯相似性系数)、2.11 mm(豪斯多夫距离)、0.77(敏感性指数)、0.78(包容性指数)、2.46 mm(平均距离差)和0.71(质心偏差)。融合模型算法分割的直肠轮廓与医生手动分割的直肠轮廓重合度高。结论:在训练样本数量较少情况下,Dense V-networks融合模型算法可实现对形态差异较大的宫颈癌术后患者直肠的高效、精准分割。

数字人脑切片图像中小脑组织的连续自动分割

提出了一种基于改进Snake模型的分割方法,用于数字人脑切片数据集中小脑组织的连续自动分割。在基本的Snake模型中添加了向心力、气球力,并采用自适应的能量约束项系数,根据相邻切片图像中小脑轮廓具有相似性,依次将单张切片的分割结果作为相邻切片分割的初始轮廓,进而实现整个数据集中小脑组织的连续自动分割。自动分割结果与专家手动分割结果的一致性较好,分割相似指数的平均值达到92.95%,最大为97.87%。结果表明该方法能够较为准确地从彩色人脑切片图像中提取出复杂的小脑组织,克服了现有方法对大量人工参与的依赖,并提高了分割的精度。