基于改进深度残差网络的计算断层扫描图像分类算法

基于改进的深度残差网络(ResNet),提出更加适合肺部组织的计算断层扫描(CT)图像模式分类模型。为克服医学图像分析中可用数据集稀少的困难,采用迁移学习方法来减小神经网络模型对数据量大的需求,以减小过拟合。迁移学习的策略是将肺内大量可用的无标签区域作为预训练的数据,使用深度互信息最大化和先验分布匹配的方法进行无监督表征学习。通过对比实验发现,改进的深度ResNet可以得到更高的分类精度,迁移学习算法可以有效地利用肺内无标签区域的数据,从而提升网络模型的分类表现。

牙齿锥形束计算机断层扫描图像分割

传统的正畸诊疗主要依靠正畸医生对牙齿锥形束计算机断层扫描(CBCT)图像和铸造的牙齿石膏模型进行分析、诊断和治疗,这个过程非常繁琐且工作量大,对医生的专业要求也非常高。因此,近年来越来越多研究人员关注利用计算机自动分割CBCT图像中的单颗牙齿,以辅助开展正畸治疗。然而,由于牙齿和牙槽骨的强度相近,咬合状态下CBCT图像中上下牙交界处结构复杂,牙髓腔较小且包含在牙齿内部,很难对单个牙齿进行自动分割。本文提出基于3D U-Net的三级网络分割单颗牙齿。本文将上下牙分为两个模型,对于每个模型,首先使用第一级网络确定每颗牙齿的大概位置,再使用第二级网络保证精确的牙齿中心,并指导提取每颗牙齿的ROI区域,最后使用第三级网络精确分割单颗牙齿。为了评估本文方法的有效性,本文收集37人的牙齿CBCT图像,在其上的实验结果表明本文方法能有效完成对单颗牙齿的精确分割,分割效果显著优于现有方法。

CT图像环形伪影去除方法研究现状及展望

环形伪影是各类型计算机断层扫描(CT)图像中最常见的伪影之一,通常是由于探测器像素对X射线响应不一致导致的。有效去除环形伪影能极大提高CT图像质量,提升后期诊断和分析的精度,是CT图像重建中的必要步骤。因此,对环形伪影去除(又称“环形伪影校正”)方法进行了系统梳理。首先,介绍环形伪影的表现和成因,给出常用的数据集、算法库;其次,依次介绍基于探测器校正、基于解析和迭代求解(分为投影数据预处理、CT图像重建、CT图像后处理环节)、基于深度学习(分为卷积神经网络、生成对抗网络)的环形伪影去除方法,并分析每类方法的原理、发展过程及优缺点;最后,归纳现有环形伪影去除方法在鲁棒性、数据集多样化、模型构建等方面存在的技术瓶颈,并对解决方案进行展望。

基于特征金字塔网络和密集网络的肺部CT图像超分辨率重建

针对肺部计算机断层扫描(CT)图像的超分辨率(SR)重建中需要加大对肺结节的关注度、满足重建后的特征具有客观存在性等问题,提出一种基于特征金字塔网络(FPN)和密集网络的肺部图像SR重建方法。首先,在特征提取层利用FPN提取特征;其次,在特征映射层设计基于残差网络的局部结构,再用特殊的密集网络连接此类局部结构;再次,在特征重建层利用卷积神经网络(CNN)将不同深度的卷积层逐渐降为图像大小;最后,利用残差网络融合初始低分辨率(LR)特征与重建的高分辨率(HR)特征,形成最终的SR图像。对比实验显示,FPN中2次特征融合和特征映射中5个局部结构连接的深度学习网络效果更佳。所提出的网络相较于超分辨率卷积神经网络(SRCNN)等经典网络重建SR图像的峰值信噪比(PSNR)更高,并且可以获得更好的视觉质量。

融合SE和多尺度卷积的轻量级CT图像分类模型

针对医生主观因素会影响COVID-19(新型冠状病毒感染)和CAP(社区获得性肺炎)类型计算机断层(Computed Tomography,CT)图像诊断准确性的问题,提出一种基于MobileNetV2网络改进的MobileNetV2-SELN结构.首先,对MobileNetV2结构中的Block模块进行改进,添加SE块和尺度注意力机制,并引入全连接层和全局池化以便于获取多尺度特征;然后,针对COVID-19图像和CAP图像相似度大的特点,用GroupNorm替代BatchNorm2d,使模型能更好地获取肺炎特征;最后,使用SGD优化器对模型进行优化.实验结果表明,提出的模型的分类准确率更高.

放疗中基于超声形变场获取伪计算机断层扫描图像的研究

目的提出一种改良的基于超声(US)形变场下获得伪CT图像(CTps)方法。方法选用3例术后宫颈癌患者CT与三维US图像数据,包括模拟定位阶段获取的CT与US图像,以及治疗1周后摆位验证阶段获取的锥形束CT (CBCT)与US图像。制作基于两幅US图像全局成像重叠区域(OROW)的掩模和感兴趣区域重叠部分(OROI)的掩模,并分别应用于US图像间的配准中,得到两种形变场。分别将两种形变场应用于模拟CT图像得到两种CTps,比较不同CTps与CBCT的配准精度。结果基于OROI、OROW及不加任何掩模下所得CTps与CBCT的相关系数(CC)的平均值分别为0.95、0.82及0.64,归一化灰度均方根误差(NMSE)平均值分别为0.12、0.42及0.57。结论基于OROI所得掩模下获取的US形变场应用到CTsim时获得的CTps与CBCT的配准效果最好。

先验GAN的CBCT牙齿图像超分辨率方法

针对高分辨率的锥形束计算机断层扫描图像难以获取的问题,提出一种基于先验生成对抗网络的锥形束计算机断层扫描图像超分辨率方法,其通过微型断层扫描图像作为参照,对超分辨率网络进行弱监督训练.首先训练一个生成对抗网络,用于生成高质量的单颗牙齿的微型计算机断层扫描图像,并将其嵌入到一个U型的主干网络中作为先验解码器;然后利用低分辨率的多颗牙齿的锥形束计算机断层扫描图像对主干网络进行训练,先定位到锥形束计算机断层扫描影像中的每一颗牙,再分别提高分辨率;最后解决锥形束计算机断层扫描与微型计算机断层扫描之间的域差距,通过设计基于小波变换噪声提取的域适应退化模块,间接优化生成器生成更符合微型计算机断层扫描信息分布的图像.在锥形束计算机断层扫描数据集上进行实验的结果表明,与现有的超分辨率方法相比,所提方法的峰值信噪比提高了0.79~6.02 dB,感知相似度评价指标降低了0.01~0.72,并且在牙齿部分获得了更好的视觉效果,具有较强的竞争力.

腹部肿瘤锥形束计算机断层扫描图像引导放射治疗最优图像配准方法的选择与评价

目的探讨腹部肿瘤锥形束计算机断层扫描(CT)图像引导放射治疗的最优图像配准方法。方法选取收治的腹部肿瘤患者18例,在线引导下均行千伏特锥形束CT(KVCBCT)体位校正,收集校正图像,分别采用基于灰度自动配准、骨性结构自动配准、人工图像配准及自动+手动配准方法对计划CT图像及KVCBCT图像配准,选择与评价最优配准方法。结果与其他配准方法比较,自动+手动配准方法图像配准评分较高,配准较准确,差异有统计学意义(P<0.05)。结论腹部肿瘤在线引导下以自动+手动配准方法配准度较高,且重复性较强,临床值得普及。

多尺度并行全卷积神经网络的肺计算机断层扫描图像非刚性配准算法

图像配准广泛应用于图像引导的肺肿瘤放射治疗,但现有算法对形变较大的图像配准效果不佳。针对该问题提出一种算法利用多尺度并行下采样模块缩减图像大小,得到多尺度低分辨率特征图;并采用金字塔空洞卷积模块提取图像特征,以提高模型的感受野。该算法通过自适应通道注意力模块调整神经网络对不同形变特征的偏重,以解决模型偏重于较大形变而对小形变配准效果不佳的问题;同时在损失函数中加入平滑性约束来提高形变场的平滑性;并通过对训练样本数据扩增的方法提高算法模型的稳定性和泛化性。在DIR-lab、Creatis数据集测试中,提出算法的目标配准误差(TRE)分别为1.71、1.50 mm,而全卷积神经网络(FCN)算法的一次迭代TRE分别为2.83、2.01 mm,实验结果表明提出算法的TRE明显小于FCN算法,且其泛化性和稳定性也较好。

消除局部极值的多尺度形态学肝脏肿瘤CT图像分割方法

针对肝脏CT图像中因灰度不均、边缘模糊等造成肿瘤难以准确分割的问题,提出了一种消除局部极值的多尺度形态学分割方法。首先利用面积算子对图像进行预处理,在平滑图像的同时,保持目标区域的边缘信息;其次融合梯度图像中不同极值的邻域统计信息和形态属性(深度和尺度)区分极值,通过设定不同大小的结构元素,对不同极值采用多尺度结构元素进行闭运算,在消除伪局部极值的同时实现图像的自适应修正;最后利用分水岭变换分割肝脏肿瘤。实验结果表明,该方法能够在保持图像边缘的同时,有效减轻过分割现象,实现肝脏肿瘤的准确分割。

基于多尺度系数分解框架的医学图像融合

为了获得高分辨率图像细节从而辅助疾病诊断,针对磁共振(MR)和计算机断层扫描(CT)的互补特征,提出了一种基于多尺度系数分解框架的融合MR和CT医学图像的新方法。利用离散小波变换(DWT)和非下采样剪切波变换(NSST)对源图像进行多尺度分解,根据不同的局部活性度量将多尺度分解系数进行两次融合,通过对NSST域的近似系数和DWT域的融合近似系数及融合细节系数进行逆变换重建融合图像。实验结果表明,该方法能够得到更高质量的融合图像并且计算开销不大,可以有助于更好的医疗诊断。

基于小波变换的分数阶微分算法在肝脏肿瘤CT图像纹理增强中的应用

图像纹理增强过程中容易丢失平滑区域纹理细节,而分数阶微分增强虽然能够非线性保留平滑区域纹理细节,但对频率分辨率敏感。针对这个问题,提出一种基于小波变换的分数阶微分纹理增强算法,应用于平扫计算机断层扫描(CT)图像的肝脏肿瘤区域的纹理增强。首先,通过小波变换将图像感兴趣区分解成多个子带分量;其次,基于分数阶微分定义构造一个带补偿参数的分数阶微分掩膜;最后,使用该掩膜与每个高频子带分量进行卷积并利用小波逆变换重组图像感兴趣区。实验结果表明,该方法在使用较大分数阶次显著增强肿瘤区域的高频轮廓信息的同时,有效地保留了低频平滑的纹理细节:增强后的肝细胞癌区域与原区域相比,信息熵平均增加36.56%,平均梯度平均增加321.56%,平均绝对差值平均为9.287;增强后的肝血管瘤区域与原区域相比,信息熵平均增加48.77%,平均梯度平均增加511.26%,平均绝对差值平均为14.097。

利用多模态U形网络的CT图像前列腺分割

计算机断层扫描(computed tomography,CT)可应用于前列腺癌的检查诊断,但是它对软组织结构对比度不高,因此很难从中分割病变;而核磁共振成像(nuclear magnetic resonance imaging,MRI)具有较高的对比度,能为病变提供丰富的影像信息。为了提升CT图像的前列腺分割精度,本文提出一种新的基于深度学习的多模态U形网络图像分割模型MM-unet,充分运用MRI图像与CT图像间信息互补的特点。具体地,首先运用迁移学习思想分别训练MRI与CT图像的初始分割模型,然后通过设计一种新型的多模态损失函数MM-Loss,建立不同模态分割模型之间的联系,联合训练基于MRI与CT图像的MM-unet。为验证所提模型MM-unet的有效性,我们在某合作医院提供的Prostate数据集上进行了实验,实验结果表明,与U-net方法相比,MM-unet能够获得高出3个百分点Dice的CT图像分割精度。

基于水平集的牙齿CT图像分割技术

牙齿的计算机断层扫描(CT)图像中存在边界模糊、相邻牙齿粘连等情况,且拓扑结构较为复杂,要实现准确的牙齿分割非常困难。对传统的牙齿CT图像分割方法,特别是近年来用于牙齿分割的水平集方法进行介绍,对其水平集函数中各能量项进行研究,并通过对比实验体现水平集方法的优越性。基于水平集的牙齿CT图像分割方法中水平集函数的能量项主要包括:竞争能量项、梯度能量项、形状约束能量项、全局先验灰度能量项、局部灰度能量项。实验结果表明基于混合模型的水平集方法分割效果最佳,切牙与磨牙分割准确率分别为88.92%和92.34%,相比自适应阈值和传统水平集方法,分割准确率总体提升10%以上。在综合利用图像信息和先验知识的基础上,通过对水平集函数中能量项进行优化和创新,有望进一步提高分割的准确率。

改进GAC模型肺部薄扫CT图像序列分割法

针对测地线活动轮廓(geodesic active contour,GAC)模型轮廓演化速度慢的问题,构造一个区域灰度相似性信息项,对GAC模型的能量泛函进行改进,加快轮廓演化速度,将其用于肺部薄扫CT(computed tomography)图像序列中肺实质的自动分割。采用基于Nystrom逼近的谱聚类算法分割CT图像序列中间位置CT中的肺实质,计算其灰度均值与标准差,构造区域灰度相似性信息项,以分割好的肺实质轮廓作为初始轮廓,分别从上下两个方向采用改进了能量泛函的GAC模型实现其它切片中肺实质的分割。实验结果表明,该方法能够较好实现肺实质的自动分割,与医师分割结果的重合率可达94.83%,时间消耗较少。

一种改进的动脉CT图像去噪方法

针对常用医学图像去噪方法中存在去除噪声不全面、图像清晰度损失的缺点,提出一种改进型的方法.根据Brige-Massart惩罚策略,由图像自身噪声确定每层阈值,根据控制变量法确定其他的相关因素.结合图像去噪目的与去噪效果,根据计算机断层扫描(CT)图像动脉区域的灰度值特点,对阈值进行硬阈值化处理.最后,对图像进行仿真对比实验,实验结果显示:中值小波去噪的峰值信噪比(RPSN),标准信噪比(RSN)与均方差(EMS)数值都优于其他去噪方法.

原木横截面CT图像的伪彩色增强方法对比研究

CT灰度图像具有分辨率低,不利于人眼直观分析等不足,而CT图像直观分析是最基本的CT分析方法。为提高原木CT图像的分辨率,利用在不同温度(15、-5、-20℃)下扫描获取的杉木、红松和冷杉三个树种原木横截面CT图像,采用灰度级-彩色变换方法,通过彩虹码和热金属码的编码方法实现图像伪彩色增强,并对两种方法在不同温度下CT图像的增强效果和特征进行对比分析。研究表明:(1)伪彩色增强方法能显著提高CT图像的视觉分辨率,减少直观判断误差。如视觉灰度相近的A与B两处(CT值范围分别为-550^-680Hu和-530^-730Hu)在不同方法的增强图像中呈现出不同的颜色差异。(2)热金属码的视觉增强效果低于彩虹码。彩虹码能为CT图像直观分析提供更多的细观物理信息,而热金属码能更加明确、清晰地划分出木材内部不同密度的结构分布。(3)相较于CT灰度图像,伪彩色增强后的图像有利于研究不同温度下木材内部结构、各相组分的变化情况,为定量研究温度对木材内部水分的状态和含量变化提供新的思路。

基于多尺度并行深度可拆分的CNN新冠肺炎CT图像去噪方法

目前新冠肺炎(COVID-19)在全球蔓延,为了对新冠肺炎进行早期诊断,同时减轻医护人员的工作压力,使用深度学习对患者胸部电子计算机断层扫描(CT)图像进行分析变得越来越重要。针对肺炎图像中纹理细节较为丰富、边缘结构模糊、极易干扰机器及医生诊断的问题,本文提出一种基于多尺度并行深度可拆分卷积神经网络(MSP-ReCNN),对新冠肺炎CT图像进行去噪处理,提升肺炎图像质量。多尺度特征提取模块从不同尺度提取肺炎图像中的纹理特征细节,采用深浅通道并行方式,分别提取肺炎图像中的高维度以及低维度的特征。为进一步优化网络模型,提出一种拆分卷积方式,可将特征图拆分为两类,一类为主要关注特征,另一类为次要关注特征。使用复杂度高的计算方式从主要关注特征中提取关键信息,对于次要关注特征,则采取复杂度低的计算方式提取补偿信息。通过与非局部均值(NLM)去噪算法、收缩卷积神经网络(SCNN)深度模型、去噪卷积神经网络(DnCNN)深度模型对比,以及网络消融实验,可以看出本文提出的模型能有效去除肺炎图像中的噪声,并且可以更好地保留原始图像中的纹理结构细节,为机器以及医生提供更可靠的辅助诊断。

枕骨大孔和枕髁数字化形态的三维重建

背景:脑干腹侧面周围结构的病变位于颅颈交界处深面,周围毗邻重要结构,远外侧入路是基本术式,但入路时要考虑性别、侧别间的差异。目的:通过三维重建测量手段对枕骨大孔和枕髁进行形态特征分析,为临床颅底远外侧手术入路提供解剖学参数。方法:选择拍摄头颈部电子计算机断层扫描图像的成年人共673例,男448例,女225例,年龄20-87岁。经软件三维重建颅底,测量枕骨大孔长度和宽度,利用公式计算枕骨大孔面积和指数,测量枕髁长度、宽度,枕髁长轴与矢状轴的夹角,枕骨大孔前、后缘中点连线与枕髁后缘和枕骨大孔交点连线的夹角,枕骨大孔前、后缘连线中点与舌下神经管后壁中点连线的夹角。对各指标进行性别和侧别差异分析。结果与结论:(1)枕骨大孔指标中除枕骨大孔指数不存在性别间统计学差异外,其余指标均存在性别间的差异(P<0.05);枕髁指标中,除男性左枕髁宽小于女性外(P>0.05),左枕髁长、右枕髁长、右枕髁宽男性均大于女性(P<0.05);(2)男性枕髁长轴与矢状轴的夹角小于女性,且左枕髁长轴与矢状轴的夹角在性别间差异有显著性意义(P<0.05);(3)枕骨大孔前、后缘连线中点与枕骨大孔前缘中点和舌下神经管内口后壁中点连线的夹角在侧别间无统计学差异;枕髁长、枕髁宽、枕髁长轴与矢状轴的夹角、枕骨大孔前、后缘中点连线与枕髁和枕骨大孔交点连线的夹角在侧别间差异均有显著性意义(P<0.05);(4)提示枕骨大孔和枕髁的相关参数在性别和侧别间存有差异,临床远外侧髁后及经髁入路中,右侧入路暴露范围较大;男性枕骨大孔长、宽、面积均大于女性,男性枕髁长、枕骨大孔前缘中点和枕髁后缘连线与矢状面夹角大于女性,远外侧入路时应考虑性别间差异。

基于GAN的岩石CT图像超分辨算法

岩石电子计算机断层扫描(Computed Tomography,CT)图像可使岩石内部结构可视化,故可以作为评估油气储藏量的依据。但是,受采集条件的约束,岩石CT图像往往分辨率低、细节较模糊。因此,本文基于生成对抗网络(Generative Adversarial Network,GAN)方法引入岩石孔隙度损失,在原有损失函数约束的基础上增加新的约束项,并进行4倍超分辨重构实验,通过峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似性(Structural Similarity Index,SSIM)的指标比较重建结果。结果表明,本文方法在指标和视觉上均取得了良好效果。