基于GPU的快速三维医学图像刚性配准技术

自动三维配准将多个图像数据映射到同一坐标系中,在医学影像分析中有广泛的应用。但现有主流三维刚性配准算法(如FLIRT)速度较慢,2563大小数据的刚性配准需要300 s左右,不能满足快速临床应用的需求。为此提出了一种基于CUDA(compute unified device architecture)架构的快速三维配准技术,利用GPU(gra-phic processing unit)并行计算实现配准中的坐标变换、线性插值和相似性测度计算。临床三维医学图像上的实验表明,该技术在保持配准精度的前提下将速度提高了一个数量级,非常适合海量快速的临床应用。

并行各向异性扩散算法与实时医学图像增强技术

各向异性扩散算法在去除图像噪声同时能保持重要的边缘和局部细节,因此在医学图像增强中得到广泛应用。但医学图像数据分辨率和灰度级都很高,求解各向异性扩散的偏微分方程时运算量很大,在许多实时系统中应用该类算法存在显著迟滞。本文采用CUDA架构,利用像素的独立性和偏微分方程求解的并发性,实现了并行各向异性扩散算法,在保证效果的同时显著降低了处理时间,满足了实时性的需求。

基于光照球索引的医学图像感兴趣区快速体绘制

针对三维医学图像显示中感兴趣器官遮挡和快速真实体绘制的问题,提出一种感兴趣区体绘制方法,并在GPU(graphic processing unit)上实现。通过构造基于光照球索引的传递函数,实现感兴趣组织的风格化显示;通过交互设定感兴趣区域,用灰度和梯度信息生成的重要因子调节体素不透明度,强调感兴趣区域器官。实验结果显示了该方法在速度和显示效果上的优点。

弦图插值结合UNIT网络图像转换的CT金属伪影校正

目的本文提出一种结合弦图域插值和基于非监督图像转换网络(UNIT)的伪影校正模型,提升图像的质量。方法将初步校正的图像与无伪影先验图像视为两个不同图像域内的元素,通过图像转换网络后可得到去除伪影的图像。采用仿真数据进行验证实验。采用PSNR与SSIM作为定量指标评估校正结果。结果在仿真数据的实验中,与对比的去除伪影的方法相比,本文提出的方法获得了更好的效果,本文提出的方案保留了图像更多的组织结构的细节。与ADN算法相比,在金属较小时本文算法的PSNR提高了2.4449,SSIM提高了0.0023,在金属较大时,本文算法的PSNR提高了5.942,SSIM提高了0.0139。在金属有两个时,本文算法PSNR提高8.8388,SSIM提高0.0130。结论本文提出的金属伪影校正的方法,可以有效去除金属伪影,并且提高图像质量,保留更多的组织结构细节。

基于单幅X线图像和CT数据的2D/3D配准系统

目的建立基于统一计算架构(CUDA)下以单幅X线图像及CT扫描数据为数据源的2D/3D配准系统,并应用于膝关节在体运动及植入假体稳定性研究。方法首先应用张正友标定法对采集X线图像设备进行标定;其次基于CUDA构架利用光线跟踪算法生成数字影像重建图像,以相关性函数为相似性测度计算2D/3D配准参数;最后以三维激光扫描仪所获得的点云数据进行3D/3D配准,以验证2D/3D配准结果。结果以标本整体位置变换进行配准实验,6自由度平均误差中,位移小于1mm,旋转小于1°。结论此2D/3D配准系统达到了运动检测精度的要求,可以作为研究膝关节运动情况和假体在体稳定性研究的计算平台。

改进型循环生成对抗网络的血管内超声图像增强

血管内超声(Intravascular Ultrasound,IVUS)图像采集过程中使用的低频或高频超声探头各有其特点,医生在诊断冠脉粥样硬化等疾病过程中需根据临床需求选择频率不同的超声探头。因此,文中提出一种基于Wasserstein距离的循环生成对抗网络(Cycle Generative Adversarial Networks,CycleGANs)用于增强血管内超声图像,其目的是融合高频超声细节信号,克服低频超声图像边缘模糊且分辨率较低等问题,以辅助医生诊断心血管疾病。首先基于心血管的形状特点,使用旋转、缩放和Gamma变换等方法将图像数据训练集增加30倍,降低网络训练过拟合的风险;然后利用对抗网络训练的思想,构建基于对抗损失和循环一致损失的联合函数,在损失函数中引入Wasserstein距离作为正则项,加快网络训练的收敛速度,解决训练不稳定的问题;最后以低频IVUS图像为输入对象,输出含有高频图像细节信息的IVUS增强图像。在实验过程中以国际标准IVUS图像数据库为基础进行算法验证比较;以清晰度、对比度和边缘能量为评价标准进行定量分析。实验结果:所提算法的收敛速度是原始CycleGANs模型的两倍,且3个评价标准数值分别提升了15.8%,11.4%和46.6%。实验结果表明:W-CycleGANs模型能够有效地学习高频图像域的特征信息,并且进一步丰富低频图像边缘细节,增强图像的诊断信息,提高医生判断心血管疾病的敏感性。此外,文中采用100幅临床IVUS图像数据进行推广验证,也获得了较好的增强效果。

基于局部形状结构分类的心血管内超声图像中-外膜边界检测

本文提出了一种基于局部形状结构分类的心血管内超声(Intravascular Ultrasound,IVUS)图像中-外膜边界检测方法.首先利用k-均值(k-means)聚类方法,确定局部形状结构类别;其次通过类别标号索引图像块,并对其进行积分通道特征和自相似性特征提取,构建多分类随机决策森林模型;最后由分类模型寻找IVUS图像的关键点,采用曲线拟合方法,实现IVUS图像中-外膜边界检测.实验结果表明,本文方法能够有效地解决IVUS图像中斑块、伪影和血管分支等造成边缘难以准确检测的问题,与已有算法相比,其JM(Jaccard Measure,JM)达到了88.9%,PAD(Percentage of Area Difference,PAD)降低了19.1%,HD(Hausdorff Distance,HD)减少了9.7%,更准确地识别目标边界的关键点,成功地检测出完整的中-外膜边界.

有条件生成对抗网络的IVUS图像内膜与中-外膜边界检测

针对血管内超声(IVUS)图像中各类斑块、超声阴影和血管分支等造成内膜(LU)与中-外膜(MA)边界难以准确检测的问题,提出一种结合堆叠沙漏网络(SHGN)和有条件生成对抗网络(C-GAN)的IVUS内膜与中-外膜检测的改进方法。首先根据血管形态特点,使用旋转、缩放和Gamma变换等方法将图像训练集扩充57倍,降低网络训练过拟合风险;然后利用对抗训练思想,构建基于L1、L2重建损失的联合损失函数,学习超声图像与其对应分割图像的映射关系,将IVUS图像分割为3种不同区域:血管外周组织、斑块区域和内腔区域;最后在图像分割结果上,采用阈值处理方法,检测最终的内膜与中-外膜边界。采用国际标准IVUS图像数据集(10位病人435幅)评价所提出的算法。实验量化评价结果为:内膜计算面积交并比(JM) 93%,面积差异百分比(PAD) 3%,Hausdorff距离(HD) 0.19 mm;中-外膜JM 95%,PAD 3%,HD 0.16 mm。这些指标满足临床诊断要求,性能优于现有的、近年较好的9种算法,以及Pix2Pix模型。在临床实践应用分析中,利用南部战区总医院心血管内科所收集的100幅IVUS图像进行检验,取得较好的分割结果。这表明该方法具有较好的跨数据集泛化性能。

基于多相位图像相似性的肺4D-CT超分辨率重建

肺4D-CT为放射治疗提供全面的图像引导,在当今肺癌治疗中起着重要的作用。然而,由于采集时间和人体所能承受辐射剂量的限制,无法得到高分辨率(Z轴方向)CT图像,因此,通常采集到的肺4D-CT图像Z轴方向细节部分往往不够清晰。针对这一问题,提出了一个基于多相位相似性的非局部均值超分辨率重建方法,来提升肺4D-CT图像的质量。该方法利用多相位图像之间的互补信息,以非局部均值滤波为基础,来恢复图像的高分辨率细节结构;另外,由于呼吸运动,肺4D-CT图像中不同相位图像肺区域的灰度会有所差异,为保证重建高分辨率图像的灰度不变性,引入全局约束以修正重建图像的整体灰度。采用一套公共肺4D-CT数据集评估提出的方法,该数据集由10组肺4D-CT数据组成,每组数据包含10个相位。实验表明,在恢复图像的细节和增强分辨率方面,该方法要优于传统的线性插值和凸集投影(Projection Onto Convex Set,POCS)超分辨率重建算法。

基于运动补偿的压缩感知4D-CBCT优质重建

受硬件限制,4D-CBCT成像中单个呼吸相位对应投影数目过少,而相应的常规解析算法重建图像中充斥着大量噪声和伪影。为解决此问题,鉴于当前呼吸相位图像可以通过其它呼吸相位图像运动补偿获取,本文中我们提出一种利用多相位投影数据重建4D-CBCT的策略。本文中我们构建了包含基于多相位投影数据的保真项和基于压缩感知理论的全变分正则化的代价函数。对于投影数据保真项的设计,不再局限于当前相位投影数据,而是利用多个相位投影数据通过变形的成像模型联合构建。对于复杂代价函数的优化,我们利用GPBL(Gradient-Projection-Barzilai-Linesearch,GPBL)算法来实现。物理体模及临床数据实验结果表明,相对于解析算法及代数迭代全变分约束算法,新方法在噪声和伪影的抑制方面有上佳表现,引入不同相位图像间的关联信息并未引入新的伪影和运动模糊。

触发采集式三维超声成像系统的设计与实现

目的实现基于Verasonics^(TM)Vantage128开放式超声平台的触发采集式三维超声成像系统,验证该系统的三维超声成像可行性。方法触发采集式三维超声成像系统由探头运动控制、图像采集存储以及三维重建显示三部分组成。为提升图像采集的精度,该系统通过采集脉冲控制超声平台外部触发,配合探头机械扫描,完成图像采集;并采用基于体素的三维重建方法进行图像重建与显示;最后,自编超声平台的用户控制界面,直接调控系统各部分功能,并进行标准体模扫描测试以及人体颈动脉扫描,进而评估体模与颈动脉的三维重建效果。结果本研究构建了触发采集式三维超声成像系统,标准体模扫描测试及颈动脉三维成像实验结果显示,该系统的各部分具备应有功能,可通过自编用户控制界面控制系统软件,对待测物体进行扫描、图像采集和重建显示,得到完整清晰的三维视图和三方向切面图。结论本文所设计和实现的三维超声成像系统能够实现对体模与生物组织的三维超声成像,为后续相关研究和临床应用奠定了良好基础。

结合迁移学习与深度卷积网络的心电分类研究

为解决一维深度卷积网络(1D-DCNN)在心电分类方面存在的多类疾病识别不准、难以提取最佳特征等问题,提出一种结合迁移学习与二维深度卷积网络(2D-DCNN)直接识别心电图像的方法。首先,截取R波前后75 ms内的心电信号,并将一维心电电压信号转化为二维灰度图像信号。接着,构建2D-DCNN对心电节拍样本进行分类训练,权值初始化采用在ImageNet大规模图像数据集上进行预训练的AlexNet参数值。本文提出方法在MIT-BIH心电数据库上进行性能验证,其准确率达到98%,并在不同信噪比下保持较高的准确率,证明了所述模型在心电分类上具有良好的鲁棒性。为了验证2D-DCNN的识别性能,实验部分与采用不同激活函数的1D-DCNN、近些年性能较好的深度学习方法进行比较。量化结果表明,结合迁移学习和2D-DCNN方法,比最优1D-DCNN算法,其准确率提升2%、敏感度提升0.6%、特异性提高4%;在二分类与多分类任务中,均好于现有的其他算法。

基于噪声相关性的惩罚加权最小二乘算法在低剂量数字乳腺层析成像中的应用

目的对投影数据方差的精确建模并结合DBT平板探测系统的噪声相关性构建精准噪声模型下的基于噪声相关性的惩罚加权最小二乘算法在低剂量乳腺层析成像图像中的应用。方法首先对投影数据进行量子噪声和电子噪声建模,使以往常用的近似噪声模型精准化,然后构建基于噪声相关性的惩罚加权最小二乘算法用于投影数据恢复;最后对处理后的投影数据采用滤波反投影算法进行重建。结果对不同剂量下ACR标准体模数据进行处理得到的重建结果噪声明显降低,细节对比度提高。恢复投影数据的重建图像与原始数据重建图像相比,CNRs和LSNRs提升了约3.6倍。结论对投影数据噪声抑制效果明显,重建DBT图像质量有很大的提升。

ApoE^-/-小鼠三维DANTE-FLASH颈动脉血管壁成像:基于7.0T磁共振技术

目的探讨7.0 T磁共振上三维血管壁成像技术(DANTE-FLASH)进行ApoE-/-小鼠颈动脉粥样硬化斑块成像的可行性。方法通过数值仿真优化成像参数,实现血管腔-壁对比度最大化。6只ApoE-/-小鼠和3只野生型小鼠在7.0 T MRI均行DANTEFLASH和流入流出饱和带的多层2D RARE(2D-IOSB-RARE)两种扫描。在管壁信噪比(SNRwall)、管腔信噪比(SNRlumen)、壁-腔对比噪声比(CNR)、管腔面积(LA)、和管壁面积(WA)方面分别对2D-IOSB-RARE和DANTE-FLASH序列进行比较。对于LA与WA,使用线性回归分析评估MR图像与病理图像测量结果的相关性。结果根据数值仿真结果,小鼠实验的DANTE模块采用了15°翻转角与150脉冲链。相较于2D-IOSB-RARE,DANTE-FLASH的CNR轻微降低(P<0.001),但层分辨率显著提高。组内相关系数(LA:ICC=0.94,P<0.001;WA:ICC=0.93,P<0.001)和Bland-Altman图显示出DANTE-FLASH和2DIOSB-RARE在评估LA和WA测量结果方面具有良好的一致性。MR图像与病理图像在定量测量LA(P<0.0001)和WA(P<0.0001)中呈现较强相关性。结论在7.0 T磁共振上,三维DANTE-FLASH黑血MR序列,可实现各向同性高空间分辨率成像,有利于ApoE-/-小鼠颈动脉粥样硬化病变的灵活显示和定量评估。

基于多字典学习框架的肾透明细胞癌预后分析模型

肾透明细胞癌是一种高度异质的肿瘤,具有复杂多变的临床表现。基于病理全切片图像的肾透明细胞癌自动预后分析,可辅助医生做出临床决策,从而达到更好的治疗目的。肾透明细胞癌的组织异构性使得针对预后分析任务的特征提取存在很大的挑战性。提出针对肾透明细胞癌病理全切片图像的多字典学习框架,自适应获取病理全切片图像的有效信息,进行肾透明细胞癌预后分析。该框架主要包括基于图像块水平的多字典学习和基于患者水平的生存模型构建两个阶段。利用癌症基因组图谱数据库的肾透明细胞癌数据集(TCGA-KIRC)中378例苏木素-伊红染色的全切片图像上进行评估,实验结果(C-index=0.681,AUC=0.751,P<0.05)优于现流行的各种生存模型,其中较传统的Boosted模型和随机生存森林模型,C-index指标分别提高0.138和0.155,AUC指标分别提高0.149和0.191;较Deep Surv和WSISA两个深度学习模型,C-index指标分别提高0.046和0.035,AUC指标分别提高0.096和0.090。所提出的方法可以更准确地对肾透明细胞癌进行预后分析。

基于GATE的小动物PET原型机仿真验证与性能评估

小动物正电子发射断层成像(PET)在药代动力学、新药研发、疗效评估等预临床研究中具有重要意义,但小动物PET的定量精度仍受限于探测器的空间分辨率与灵敏度的不足。为研发高性能的小动物专用PET探测器,提出"小孔径、大轴向跨度"的小动物PET搭建方案,并通过蒙特卡罗仿真技术,对该方案进行仿真验证与评估。该方案设计的原型机由60个晶体探测模块,分为5个连续的12边形探测环组成,其中心孔径与轴向跨度分别为102和125.4 mm,具备高达50.8°的光子最大接收角。采用GATE平台建立该原型机的仿真模型,并对其空间分辨率、计数性能(散射分数与等效噪声计数率)、探测灵敏度以及成像质量共4个性能进行预评估与分析。结果显示,该原型机的空间分辨率为1.62 mm,探测灵敏度为9.26%,散射分数为20.8,等效噪声计数率为2,256 kcps,总体性能与西门子Inveon PET系统相近,并在探测灵敏度及等效噪声计数率性能上分别取得21.36%以及35.14%的提升。基于GATE平台的仿真结果表明,采用"小孔径、大轴向跨度"的设计,能显著提升小动物PET系统的探测灵敏度,有望进一步提升小动物PET应用的定量精度。

^(1)H-MRS、Dixon水脂分离与Z谱成像技术在大鼠棕色脂肪上的量化比较

目的比较^(1)H-MRS、Dixon水脂分离与Z谱成像技术在体模以及大鼠棕色脂肪上的脂肪量化结果。方法首先,制作6个脂肪含量分别为0%、20%、40%、60%、80%、100%的油水混合体模,共同放置于50 mL离心管内。依次采用ZS-MRI、^(1)H-MRS和Dixon水脂分离技术对体模的脂肪含量进行定量评估,其结果与体模脂肪真实值相比较。其次,使用ZS-MRI和Dixon水脂分离技术分别采集了六只大鼠肩胛间的数据,并计算出水脂分布图,并将结果与^(1)H-MRS定量结果进行比较。结果ZS-MRI可以很好地准确定量并区分出各个不同脂肪含量的体模(Y=0.95*X+1.48);能较好地区分棕色脂肪与白色脂肪,并与Dixon方法得到的脂肪含量在空间分布上高度一致。在棕色脂肪的量化上,ZS-MRI结果与^(1)H-MRS结果相比无显著性差异(P=0.35)。结论ZS-MRI作为一种新的脂肪定量方法,可以生成无伪影的脂肪分布图,用于定量测量大鼠体内棕色脂肪的含量以及分布。

基于顺序嵌入结合关联嵌入的呼吸运动预测

目的提出一个深度学习模型实现呼吸运动各个方向一体化的建模预测。方法将不同方向的呼吸运动信号分别输入由LSTM组成的顺序嵌入层去捕获历史运动状态的顺序依赖,得到顺序嵌入表示。顺序嵌入表示通过自注意力机制实现各个方向的关联嵌入,得到关联嵌入表示。将顺序嵌入表示和关联嵌入表示进行拼接输入由全连接神经网络组成的预测层生成非线性预测分量,并于平行于上述结构的自回归模块生成的线性预测分量相加生成最终的预测。模型的训练采用“预训练+微调”的模式。在我们的实验中,304例呼吸运动轨迹被使用进行模型预训练,7例测评样本被使用进行模型的测试。结果所提出预测模型相比于其他比较方法取得更准确的预测效果,在7例测评样本不同延迟时间上的3D方向绝对偏差减小平均达70%以上。结论提出模型在解决精准放疗过程中的系统延迟问题有很大的应用价值,能提供精准的位置预测。

深度全卷积网络的IVUS图像内膜与中—外膜边界检测

目的心血管内超声(IVUS)图像内膜和中—外膜(MA)轮廓勾画是冠脉粥样硬化和易损斑块定量评估的必要过程。由于存在斑点噪声、图像伪影和各类斑块,重要组织边界的自动分割是一个非常困难的任务。为此,提出一种用于检测20 MHz心电门控IVUS图像内膜和MA边界方法。方法首先利用深度全卷积网络(DFCN)学习原始IVUS图像与所对应手动分割图像之间映射,预测出目标或者背景的概率图,实现医学图像语义分割。然后在此基础上,结合心血管先验形状信息,采用数学形态学闭、开操作,平滑内膜和MA边界,降低分割过程中错误分类像素或区域的影响。结果针对来自10位病人的IVUS图像及其标注信息所组成的435幅国际标准公开数据集,从线性回归、Bland-Altman分析和面积交并比(JM)、面积差异百分比(PAD)、Hausdorff距离(HD)、平均距离(AD)等性能指标上,评价本文方法。实验结果表明,算法检测结果与手动勾画结果的相关性可达到0.94,其超过94.71%的结果落在95%置信区域内,具有良好一致性。内膜和MA边界的AD指标分别为:0.07 mm和0.08 mm;HD指标分别为:0.21 mm和0.30 mm。JM指标分别为0.92和0.93;PAD指标分别为5%和4%。此外,对临床所采集的100幅IVUS图像进行了测试,证明本文学习的模型在跨数据集上具有较好的泛化能力。结论与现有的国际算法比较,本文方法提高了各类斑块、声影区域和血管分支等因素的识别能力,不受超声斑点的影响,能准确地、可重复地检测出IVUS图像中的关键目标边界。

融合自注意力和自编码器的视频异常检测

目的视频异常检测通过挖掘正常事件样本的模式来检测不符合正常模式的异常事件。基于自编码器的模型广泛用于视频异常检测领域,由于自监督学习的特征提取具有一定盲目性,使得网络的特征表达能力有限。为了提升模型对正常模式的学习能力,提出一种基于Transformer和U-Net的视频异常检测方法。方法首先,编码器对输入的连续帧进行下采样提取低层特征,并将最后一层特征图输入Transformer编码全局信息,学习特征像素之间的相关信息。然后解码器对编码特征进行上采样,通过跳跃连接与编码器中相同分辨率的低层特征融合,将全局空间信息与局部细节信息结合从而实现异常定位。针对近景康复动作的异常反馈需求,本文基于周期性动作收集了一个室内近景数据集,并进一步引入动态图约束引导网络关注近景周期性运动区域。结果实验在4个室外公开数据集和1个室内近景数据集上与同类方法比较。在室外数据集CUHK(Chinese University of Hong Kong)Avenue,UCSD Ped1(University of California,San Diego,pedestrian1),UCSD Ped2,LV(live videos)中,本文算法的帧级AUC(area under curve)值分别提高了1%,0.4%,1.1%,6.8%。在室内数据集中,本文算法相比同类算法提升了1.6%以上。消融实验结果分别验证了Transformer模块以及动态图约束的有效性。结论本文将U-Net网络与基于自注意力机制的Transformer网络结合,能够提升模型对正常模式的学习能力,从而有效检测视频中的异常事件。