医学图像分割算法的损失函数综述

基于深度学习的医学图像分割方法已经成为了医学图像处理领域的强大工具。由于医学图像的特殊性质,基于深度学习的图像分割算法面临样本不平衡、边缘模糊、假阳性、假阴性等问题,针对这些问题,研究人员大多对网络结构进行改进,而很少从非结构化方面做出改进。损失函数是基于深度学习的分割方法中重要的组成部分,对损失函数的改进可以从根源上提高网络的分割效果,并且损失函数与网络结构无关,可以即插即用地运用在各种网络模型和分割任务中。本文从医学图像分割任务中的困难出发,首先介绍了解决样本不平衡、边缘模糊、假阳性、假阴性问题的损失函数及改进策略;然后对目前损失函数改进过程中所遇到的困难进行分析;最后对未来的研究方向进行了展望。本文将为损失函数的合理选择、改进或创新提供参考,并为损失函数的后续研究指引方向。

医学图像数据集扩充方法研究进展

计算机辅助诊断(CAD)系统对现代医学诊疗体系具有非常重要的作用,但其性能受训练样本的限制。而训练样本受成像成本、标记成本和涉及患者隐私等因素的影响,导致训练图像多样性不足且难以获取。因此,如何高效且以较低成本扩充现有医学图像数据集成为研究的热点。本文结合国内外的相关文献,对医学图像数据集扩充方法的研究进展进行综述,首先对比分析基于几何变换和基于生成对抗网络的扩充方法,其次重点介绍基于生成对抗网络扩充方法的改进及其适用场景,最后讨论医学图像数据集扩充领域的一些亟待解决的问题并对其未来发展趋势进行展望。

基于乳腺动态增强MRI的delta影像组学预测乳腺癌新辅助治疗后病理完全缓解的价值

目的探讨基于乳腺动态增强MRI(DCE-MRI)纵向变化的delta影像组学在预测乳腺癌新辅助治疗(NAT)后病理完全缓解(pCR)的价值。方法回顾性分析2019年4月至2021年11月江西省肿瘤医院经手术病理证实为原发性浸润性乳腺癌患者117例的临床及影像资料。患者均为女性, 年龄23~74(48±10)岁, 按照软件中的随机种子数以7∶3比例分成训练集(81例)与测试集(36例)。所有患者均在NAT前、NAT早期(2个疗程)后接受乳腺DCE-MRI, 计算肿瘤NAT前、后最大径相对退缩值(D%), 并构建传统影像模型。基于NAT前、早期DCE-MRI提取delta影像组学特征, 通过冗余性分析、最小绝对收缩与选择算子算法筛选最优特征参数, 以10折交叉验证法构建delta影像组学模型并计算影像组学分数(Radscore)。根据NAT后手术病理结果将117例患者分为pCR组与非pCR(non-pCR)组, 单因素分析两组差异有统计学意义的临床病理指标并通过逐步回归法筛选最终的指标, 并联合D%、Radscore构建联合模型及列线图。采用受试者操作特征曲线及曲线下面积(AUC)评价模型预测乳腺癌NAT后pCR的效能, 利用临床决策曲线对比模型的临床效用。结果联合模型预测乳腺癌NAT后pCR的效能最好, AUC在训练集及测试集中分别为0.90和0.87;其列线图显示Radscore权重最大。训练集中, 联合模型、delta影像组学模型预测乳腺癌NAT后pCR显著高于传统影像模型(Z值分别为-3.48、2.54, P值分别为0.001、0.011)。临床决策曲线显示联合模型的临床获益整体高于传统影像模型、delta影像组学模型。结论在传统影像模型的基础上, 加入有意义的临床病理指标及代表肿瘤异质性纵向变化的delta影像组学得分, 能改善对pCR的预测能力;delta影像组学可能成为早期无创性预测NAT结果的生物标记物。