基于多头自注意力机制与U-Net的脑卒中DWI图像梗死病灶分割方法研究

目的:为解决脑卒中弥散加权成像(diffusion weighted imaging,DWI)图像中梗死病灶边界模糊、病灶区域小、分割难度大的问题,提出一种基于多头自注意力机制(multi-head self-attention,MHSA)与U-Net的分割方法。方法:以U-Net作为基础分割模型,在其编码器最后一次卷积操作后加入MHSA模块,建立MHSA-UNet分割模型。为了验证MHSA-UNet分割模型的有效性,在自建的数据集上进行训练和验证,并与U-Net模型、Attention U-Net模型对脑卒中DWI图像中梗死病灶的分割效果进行比较。结果:MHSA-UNet分割模型的Dice相似系数、交并比、95%豪斯多夫距离分别为0.790、0.571、9.982,在总体上优于U-Net模型、Attention U-Net模型。结论:提出的方法能有效分割脑卒中DWI图像中梗死病灶,可以辅助临床医生进行疾病诊断。

基于DWI+FLAIR图像的急性缺血性卒中患者发病时间预测

为精准预测急性卒中发病时间,结合DWI图像与液体衰减反转恢复序列(fluid attenuated inversion recovery,FLAIR)的差异,采用Inception V3网络对图像特征进行提取,然后利用Softmax函数对急性缺血性脑卒中患者的发病时间进行分类预测,最后以三台医院的317例急性缺血性脑卒中患者MRI影像作为数据集进行验证。结果表明,本研究构建的多序列(DWI+FLAIR)深度学习模型具有较强的分类预测能力,预测精度达85.7%,AUC值达0.852;相较于单序列和人工判断,所提的多序列深度学习模型对急性缺血性脑卒中患者的发病时间预测精度更高。由此得出,本模型可更好辅助临床医师判断急性缺血性脑卒中患者的发病时间,从而为提前介入治疗提供了可靠证据。

磁共振DWI序列ADC图像与T1+C图像在脑膜瘤成像的关联性

目的探讨脑膜瘤磁共振DWI序列ADC图像与T1+C图像的关联性。方法选取本院2014年01月-2018年12月的脑膜瘤患者共37例作为研究对象。其中男性患者11例,女性患者26例,年龄分布范围为37-72岁,平均(52.8)岁。所有总结对象均行MRI平扫及增强扫描。其中幕上28例,幕下9例。结果所有病例的磁共振DWI序列ADC图像与T1+C图像信号相似度一致。结论DWI序列ADC图像与T1+C图像信号表现一致,我们可以通过在DWI序列ADC图像的信号高低来判断脑膜瘤静注造影剂后的强化程度,以及评估脑膜瘤的血供情况。

磁共振扩散加权图像在前列腺增生与前列腺癌中的诊断价值研究

目的:研究磁共振扩散加权图像在前列腺增生与前列腺癌中的诊断价值。方法:按照入院随机顺序抽取我院自2016年4月到2017年4月收治的前列腺增生患者55例作为增生组,同期收治的前列腺癌患者54例作为癌症组,对两组进行磁共振扩散加权图像检查。对比两组的检查结果以及内腺体积大小。结果:癌症组的前列腺的形态不规则,边缘凸凹不平,包膜不完整;增生组的前列腺不仅增大,而且变形,包膜是完整的;增生组的内腺体积为(39.92±21.17)ml,癌症组的内腺体积为(21.17±10.28)ml,增生组的内腺体积远小于癌症组的,差异显著(P<0.05)。结论:磁共振扩散加权图像在前列腺增生与前列腺癌中具有较高的应用价值,癌症的病变特征以及周围组织的结构显示良好,可以为临床医师诊治患者的疾病提供一定的科学依据,值得借鉴和推广。