基于形状增强和纹理插值的三维脑部MRI数据增强算法

针对医学伦理和人工标注的成本高昂,目前公开的数据集中标记的医学图像数据量不足的问题,许多研究者提出了不同的算法来增强医学数据.使用卷积神经网络(Convolutional Neural Networks,CNN)对阿尔茨海默症(Alzheimer's Disease,AD)的诊断和研究只有在数据丰富时,才能得到更好的分析结果.本文提出一种基于形状增强和纹理插值的三维脑部MRI(Magnetic Resonance Imaging,MRI)数据增强算法,将脑部MRI图像的属性分解为形状和纹理,先通过GAN(Generative Adversarial Nets,GAN)增强MRI数据的形状,再通过三维薄板样条插值对所得的增强形状进行纹理插值,得到三维脑部MRI增强图像.通过实验可得生成数据的分布与真实数据的分布相似,验证了本文提出的数据增强算法的有效性.

MRI与CT检查诊断腹部囊性淋巴管瘤的作用与价值分析

目的探讨MRI、CT在诊断腹部囊性淋巴管瘤中的应用价值。方法选取2019年2月至2021年2月麻城市人民医院收治的90例疑似腹部囊性淋巴管瘤患者作为研究对象,对所有患者实施MRI检查、CT检查、手术病理检查或穿刺活检,评价不同影像学检查对腹部囊性淋巴管瘤的诊断效能。结果90例患者经手术病理检查或穿刺活检证实,64例为腹部囊性淋巴管瘤,26例为非腹部囊性淋巴管瘤。CT诊断腹部囊性淋巴管瘤的准确度、特异度、灵敏度分别为95.55%、92.30%、96.88%,MRI诊断腹部囊性淋巴管瘤的准确度、特异度、灵敏度分别为96.67%、92.30%、98.43%;CT与MRI诊断腹部囊性淋巴管瘤的准确度、特异度、灵敏度比较差异无统计学意义。腹部囊性淋巴管瘤在MRI、CT检查中有典型的影像学资料表现。不同类型腹部囊性淋巴管瘤在MRI、CT检查后的影像学资料表现不同。结论MRI与CT检查均可用于腹部囊性淋巴管瘤的诊断,两者诊断效能具有高度一致性,不同医院应结合实际情况及患者意愿灵活选择检查方法,提高腹部囊性淋巴管瘤的诊断准确度。

基于多参数MRI的Kaiser评分系统对乳腺病变诊断效能的研究

目的探讨Kaiser评分在乳腺病变良恶性鉴别中的应用及其提高乳腺癌诊断效能的价值。方法收集我院2018年1月至2021年5月进行术前乳腺1.5TMRI检查的患者资料,以病理结果为金标准,分别计算并比较Kaiser评分及BI-RADS分类对乳腺病变良恶性的诊断效能。结果共纳入199个病灶,良性病变95个(47.7%),恶性病变104个(52.3%)。Kaiser评分诊断的敏感性、特异性、阳性预测值、阴性预测值和准确性分别为94.2%、84.2%、86.7%、93.0%、89.4%;BI-RADS分类诊断的敏感性、特异性、阳性预测值、阴性预测值和准确性分别为93.3%、65.3%、74.6%、89.9%、79.9%。Kaiser评分和BI-RADS分类对乳腺病变良恶性诊断的ROC曲线下面积分别为0.937和0.885。Kaiser评分对肿块和非肿块的ROC曲线下面积分别为0.952和0.883。结论Kaiser评分对于乳腺良恶性病变的诊断效能优于BI-RADS分类,并且可以为乳腺病变的诊断提供流程化、结构化的思路,对于肿块样病变诊断的准确性更高。

基于BP神经网络的MRI检查总用时预测方法研究

目的:提出一种基于BP神经网络的MRI检查总用时预测方法。方法:对某三甲医院MRI设备临床使用数据展开深度挖掘,将63种检查部位与26种检查方法组合为若干检查序列,并将检查序列向量作为BP神经网络的输入、患者MRI检查总用时作为输出,构建BP神经网络模型。以平均绝对误差(mean absolute error,MAE)作为评价指标,对比BP神经网络模型与岭回归模型、Lasso回归模型预测MRI检查总用时的性能。结果:BP神经网络模型的预测值与实测值更为接近,MAE为53.14 s,均优于岭回归模型、Lasso回归模型。结论:提出的方法能准确地预测患者的MRI检查总用时,能够更好地帮助医院工作人员安排患者检查。

RegAug:基于深度学习配准模型的脑MRI数据增强方法

目的脑核磁共振图像(MRI)分割是许多医学应用中的一项重要任务。现有的深度学习分割网络可以达到最先进的性能,但是往往非常依赖于大规模的有标注数据集。然而,标记脑MRI非常昂贵,因为它需要复杂的专业知识和大量的时间、人力成本。并且常用的手动调整数据增强的方式在复杂的脑MRI上效果并不显著。因此,本文提出一种名为RegAug的基于深度学习配准模型的脑MRI自动数据增强方法,仅需要一张有金标注的样本(单图谱)结合大量无标注数据,即可合成丰富多样的增强数据,指导分割网络完成高精度分割。方法RegAug首先使用配准模型学习图像间的空间形变场,然后利用条件可变自动编码器(CVAE)对配准网络生成的空间形变场进行概率分布建模,最后在分布中进行采样以生成分割网络使用的增强数据。RegAug在公开脑MRI数据集OASIS上进行训练和测试。结果本文共使用了386张MRI图像,其中305张用于训练,81张用于测试。本文方法在35个大脑结构的分割上取得了0.86的Dice精度,与其它基于单图谱的分割方法相比,表现出了更优越的性能。结论本文仅使用一张有金标注的样本,有效利用了大量无标注数据,实现了优秀的自动化数据增强,提升了下游模型的脑MRI分割表现。

基于面板数据模型的H省MRI利用及影响因素研究

目的系统分析H省MRI设备的临床使用情况,并识别其影响因素。方法运用判断抽样的方法,收集H省13个地级市的35家样本省医疗机构2013-2017年MRI的使用情况,并运用STATA12.0SE开展MRI使用的趋势性描述分析及影响因素的面板回归分析。结果自2013年来MRI的使用率总体呈逐渐上升的趋势,二级医院门急诊使用率较高,三级医院的MRI利用效率更高,面板回归分析发现影响MRI住院使用率的因素涉及医院配置的MRI设备台数、医院年出院人次及年手术人次。结论卫生行政部门在制定相关大型医用设备配置规划时应着重考虑医疗机构技术水平相关的指标,强化政府对于大型医用设备使用过程中的监管能力,为群众提供安全、有效、方便的医疗卫生服务。

基于NMR谱仪的医学MRI软件系统

开发了基于核磁共振(NMR)谱仪的医学MRI软件系统.本文主要介绍了数据采集及处理系统,扫描方案的设计可以用于几乎所有的磁共振成像实验,预扫描定制方案解决了不同实验应有不同的预扫描这一要求,谱仪的无关性保证了本系统可以很方便地附加在任何谱仪上.最后给出了软件系统跟DiSpect谱仪相联并在0.35T系统上获取的实验结果.

基于AI+MRI的影像诊断的样本增广与批量标注方法

训练样本是所有领域人工智能(AI)研发的关键因素.目前,基于人工智能+磁共振成像(AI+MRI)的影像诊断存在着训练样本的有效标注数量和类型无法满足研发需求的瓶颈问题.本文利用临床MRI设备对志愿者或阳性病例进行正常或重点病灶区的定量扫描,获取高分辨率各向同性的纵向弛豫时间(T_1)、横向弛豫时间(T_2)、质子密度(Pd)和表观扩散系数(ADC)等物理信息的多维数据矩阵,作为原始数据.开发虚拟MRI技术平台,对原始数据(相当于数字人体样本)进行虚拟扫描,实现不同序列不同参数下的多种类磁共振图像输出.选择感兴趣组织具有最好边界区分度的图像种类,经有经验的影像医生对其进行手动勾画并轨迹跟踪形成三维MASK标注矩阵,作为其他种类图像的图像勾画标注模板,从而实现低成本、高效率的MRI样本增广和批量标注.该平台以临床少量阳性病例作为输入,进行样本增广和标注,极大地减少AI对实际扫描样本的要求,降低了影像医生的精力和时间投入,极大地节省了成本,并输出了数量足够的磁共振图像,为基于AI+MRI的影像诊断研发提供低成本的训练数据解决方案.

并行MRI图像重建算法比较及软件实现

首先介绍了不加速的并行MRI图像重建方法,然后对加速的并行MRI的4种图像重建算法进行了比较,得出结论:加速因子相同时,重建质量上,GRAPPA和SENSE的重建质量最好,SMASH的重建质量次之,PILS算法对线圈位置要求极高,重建质量最差;重建速度上,SMASH的重建速度最快,其次是SENSE和PILS,GRAPPA的重建速度最慢.当加速因子变大时,所有算法重建质量都变差.最后介绍了算法实现软件,该软件可以读入原始数据,显示数据采集轨迹,计算线圈灵敏度,选择图像重建方法,分析和比较重建图像质量.该软件为我国在MRI成像领域提供了一个学习和进一步研究图像重建算法的有力工具.

采用3.0T MRI对正常人海马与脑体积定量测量研究(附140例分析)

目的：采用3．0T MRI对正常志愿者海马体积与脑体积进行定量测量，探讨其与年龄和性别的相关性。方法采用GE Signa EXCITE 3．0 T高分辨MRI对140例健康志愿者（男性73例，女性67例，年龄10～84岁，平均45．8±18．3岁）行全脑MRII 3D T1成像，在AW4．2工作站上采用半自动方法计算海马体积与脑体积。并对不同性别、年龄进行统计分析。结果海马体积及脑体积与性别间差异具有统计学意义（ p＜0．05），男性的海马体积及脑体积要大于女性。年龄与海马体积及脑体积之间为负相关（ p＜0．01）。结论全脑MRI 3D可以提供更准确的海马及大脑容积定量，为各种相关疾病的临床诊断和治疗方案的制定提供客观依据。

螺旋MRI的网格化数据重建算法比较

螺旋MRI的原始数据是在不均匀的k-空间螺旋轨迹上采样得到的,需要通过网格化算法等手段将数据变成等间距的网格数据后,才能采用FFT进行重建,最后得到供临床使用的图像.本文对Jackson网格化算法和Claudia大矩阵算法的重建速度和图像结果进行了比较,并得出以下结论1)在获得相近图像质量的情况下,Claudia大矩阵重采样算法比Jack-son算法要快且更方便在仪器上实现.2)在Jackson双倍细网格算法的实现方式中,数据驱动插值比网格驱动插值更有效率.3)在Claudia大矩阵重采样算法中,对冗余比大于310∶1的数据进行图像重建的时候,网格点的幅值不平均化比平均化后的效果还要好.这几个结论都将有利于MRI图像重建技术的进一步提高.

基于MRI数据的真实头有限元模型构造方法

构造人体头部的有限元模型是开展基于有限元素法研究脑电现象的先决条件。利用图像分割和网格剖分技术提出了一种完全基于原始MRI数据的真实头有限元模型构造方法。通过该方法构造了一个包含5种组织的真实头有限元模型,将该模型应用到基于有限元素法的脑电计算中,结果显示利用该方法构造出的模型真实可信。

基于BI-RADS分类多参数乳腺MRI对肿块性病变的诊断效能研究

目的评价乳腺MRI乳腺影像报告和数据系统(BI-RADS)分类各观察指标对肿块性乳腺病变的阳性预测价值(PPV)及诊断效能;探讨乳腺肿块性病变的动态增强磁共振(DCE-MRI)征象、功能磁共振成像(DWI-ADC)值联合应用对该类良、恶性病变诊断的价值。方法回顾性分析194例乳腺肿块性病变,计算BI-RADS分类各指标的PPV,并分析MRI常规检查(形态、边界、边缘及内部强化方式)、动态增强扫描[时间-信号曲线(TIC)]和DWI结果:以病理结果为"金标准",分别得出PPV和Kappa值。结果194例肿块性病变中,BI-RADS 3~5类PPV分别为0.114、0.286、0.904;依据MRI BI-RADS词汇形态学描述,形态不规则PPV为0.780,边缘不规则/毛刺PPV为0.849,边缘强化PPV为0.889;TIC平台型和流出型PPV分别为0.613和0.833;ADC值≤1.18×10^(-3) mm^2/s PPV高达0.901。形状、病灶强化方式与病理结果吻合度较弱kappa值分别为0.410和0.386,边界与病理结果吻合度检验水平一般kappa值0.570。TIC曲线及ADC值与病理结果吻合度检验水平较高kappa值分别为0.735和0.823。Logistic回归分析结果表明ADC值、边缘及TIC类型对乳腺良、恶性病变的诊断能力较准确(OR=01.041,3.156和2.217),ADC值≤1.18×10^(-3) mm^2/s、边缘毛刺征、TICⅡ型和Ⅲ型为MRI诊断恶性乳腺肿块性病变的危险因素(OR=01.041,3.156和2.217)。结论运用BI-RADS词汇中的标准术语对乳腺MRI中肿块性病变特点进行严谨评估,对预测肿块性病变的恶性可能性有很大作用。边缘、TIC曲线及ADC值在乳腺良、恶性病变诊断中具有良好的诊断效能。

前列腺影像报告和数据系统v2.1版框架下双参数MRI与多参数MRI对前列腺临床显著癌的诊断价值比较

目的对比在前列腺影像报告和数据系统v2.1版本框架下双参数MRI(bp-MRI)与多参数MRI(mp-MRI)对前列腺临床显著癌(csPCa)的诊断价值。方法收集2018年8月-2021年8月临床怀疑为前列腺癌患者的MRI及病理资料共133例进行回顾性分析。将MRI检查序列分为bp-MRI和mp-MRI两种方案,以PI-RADS v2.1为标准对前列腺病灶进行评分,采用独立样本t检验比较两种方案评分差异。以病理结果为金标准,采用二分法绘制两种方案诊断csPCa的受试者工作特征(ROC)曲线,计算曲线下面积、敏感度、特异度、准确率,分析两种方案对csPCa的诊断效能。结果133例患者中有csPCa患者65例。PCa组与非PCa组、csPCa组与非csPCa组bp-MRI与mp-MRI的最终评分差异有统计学意义(P<0.001)。mp-MRI与bp-MRI诊断csPCa的AUC分别为0.875、0.863;mp-MRI方案的敏感度较高,bp-MRI方案的特异度较高,两种方案诊断准确率相同。结论在PI-RADS v2.1评分系统框架下,bp-MRI与mp-MRI对于csPCa的诊断效能相当,考虑到bp-MRI在扫描时间及无需造影剂方面的优势,其可能比mp-MRI更具适用性;DCE序列可灵活使用以满足不同的临床适应证。

乳腺“第二眼”超声对动态增强MRI额外检出ACR-BI-RADS 4类以上病灶的再评价

目的探讨乳腺"第二眼"超声对动态增强MRI BI-RADS 4类以上额外检出的病灶再评价的临床价值。方法对术前乳腺动态增强MRI额外发现的ACR BI-RADS 4类以上的病灶,应用"第二眼"超声再评价的80例病灶进行回顾性分析。结果动态增强MRI额外检出的80个病灶中,77个病灶被"第二眼"超声检出,检出率为98.25%。动态增强MRI诊断乳腺癌的灵敏度77.4%,特异度70.4%,总符合率:75%;"第二眼"超声诊断乳腺癌的灵敏度78.4%,特异性92.3%,总符合率83%。"第二眼"超声与病理的一致性较好(Kappa=0.65,P <0.001),与增强MRI的一致性中等(Kappa=0.44,P <0.001);动态增强MRI与病理的一致性中等(Kappa=0.46,P <0.001)。结论动态增强MRI导向"第二眼"超声对乳腺癌的检出率及特异性较高。

一种新型的基于CS-MRI的图像信息加密方法

针对现有基于压缩感知加密方法对图像数据降维程度不足的问题,提出一种基于CS-MRI的改进加密方法。在发送端,先将图像变换到K-Space,利用随机二相编码掩模作为采样矩阵进行图像欠采样,作为第一次加密。去除欠采样得到数据中的填0项并进行随机置乱排序,完成数据的压缩与第二次加密。最后对降维后的数据使用Arnold变换进行三次加密,再将采样到的直流分量分布保存于待传输数据。在接收端,采用阈值法解出直流分量备用,在完成数据解密后使用Split-Bregman算法进行图像重构。加密后的数据降维程度与重构图像质量理想,只保留30%的数据作传输,峰值信噪比为34. 9 dB,且能够很好地抵抗噪声、裁剪、旋转攻击,鲁棒性强。实验表明,与现有CS方法相比,该方法可有效降低数据维度,且系统具备良好的安全性。

基于FPGA的超导MRI数据采集系统

提出了一种用于超导核磁共振成像系统高速并行实时准确的数据采集方法。该方法通过控制AD6620芯片进行高速的8通道并行实时数据采集,并与DSP和Power PC进行实时通信。在FPGA内部利用状态机实现信号的高速并行采集,采集频率达到50MHz,并与Power PC通过兵乓结构实现数据实时的读写。实验证明,该系统具有体积小、成本低、通用性好等特点,为超导MRI8通道谱仪提供了一种可靠性高的数据采集方案。

MRI测量在膝关节半月板中的临床运用

目的使用MRI测量半月板正常值范围,建立半月板各部分大小的数据库。方法 MRI图像上测量303只膝关节正常半月板的前角、后角、体部各部位的高度和宽度,以及前后角距离。结果内侧半月板前角、前外角、体部、后外角、后角的宽度和高度分别为(5.67±1.37)mm和(3.53±0.86)mm,(7.24±1.91)mm和(4.38±1.01)mm,(5.61±1.73)mm和(4.25±1.07)mm,(11.01±3.53)mm和(5.41±1.66)mm,(9.21±2.71)mm和(5.02±1.39)mm。前后角距离为(38.51±10.88)mm。外侧半月板前角、前外角、体部、后外角、后角的宽度和高度分别为(6.95±1.69)mm和(3.83±0.91)mm,(7.48±1.90)mm和(4.06±0.97)mm,(6.51±1.79)mm和(5.10±1.01)mm,(7.62±1.99)mm和(5.18±1.19)mm,(6.68±1.41)mm和(5.64±1.12)mm。前后角距离为(30.53±6.87)mm。结论正常半月板MRI测量的数据对诊断半月板疾病损伤和半月板移植等有重要参考价值,为更好地认识半月板疾病和半月板移植提供客观依据。

数据压缩的FCM算法用于人脑MRI图像的分割

针对模糊C均值聚类(FuzzyC-meansclustering,FCM)算法在人脑磁共振成像(MagneticResonanceImaging,MRI)图像分割中存在的计算量大、运行时间过长的问题,提出一种加速方法。首先利用边界跟踪法对人脑MRI图像进行预处理,剔除颅骨和肌肉等非脑组织;然后通过数据压缩,即通过对相近的像素进行量化并聚合来减少像素个数;最后用FCM算法对大脑结构进行分割,结果得到脑白质、灰质和脑脊液图像区域。该方法能够使数据量大为减少,从而使FCM在图像分割中更加快速有效。

剪切波弹性成像联合多参数MRI对临床显著性前列腺癌的诊断价值

目的探讨剪切波弹性成像(SWE)联合多参数MRI(mpMRI)对临床显著性前列腺癌(csPCa)的诊断价值。方法选取我院泌尿外科疑诊为前列腺癌并行超声引导下前列腺穿刺活检的患者74例,根据穿刺活检病理结果将其分为csPCa组17例和非前列腺癌+临床不显著前列腺癌(cisPCa)组57例。比较两组临床指标、SWE参数和前列腺影像报告与数据系统(PI-RADS)评分。采用单因素及多因素Logistic逐步回归分析筛选csPCa的独立预测因子。绘制受试者工作特征(ROC)曲线分析并比较回归模型预测概率值与各独立预测因子的诊断效能。结果两组总前列腺特异抗原(tPSA)、游离前列腺特异抗原、前列腺特异抗原密度、前列腺体积(PV)、PI-RADS评分、杨氏模量最大值差值(Emax差)、杨氏模量平均值差值和杨氏模量最小值差值比较差异均有统计学意义(均P<0.05)。Logistic回归结果显示,tPSA、PV、Emax差及PI-RADS评分是csPCa的独立预测因子(OR=1.042、0.939、1.060、11.493);建立模型的回归方程:Y(P)=-2.213-0.063×PV+0.058×Emax差+2.442×PI-RADS评分+0.041×tPSA。ROC曲线分析显示,Logistic回归模型预测概率值预测csPCa的曲线下面积为0.954,敏感性为0.882,特异性为0.947;其曲线下面积均高于各独立预测因子。结论SWE联合mpMRI对csPCa有较高的诊断价值。