基于感兴趣窄带区域的同步分割与配准方法及在IGRT中的应用

医学图像分割与配准是图像引导放疗(Image guided radiation therapy, IGRT)系统中的关键技术. 为提高基于CBCT (Cone beam CT)的IGRT系统实施胸腹部肿瘤放疗的实时性与自适应性, 特别是实现重要危及器官肝脏区域照射剂量的合理控制, 本文提出一种基于感兴趣窄带区域的同步分割与配准方法, 目标是实现放疗计划系统中计划CT和CBCT图像目标区域的分割与配准. 通过构建感兴趣窄带模型, 并且与活动轮廓模型相结合实现初始分割, 然后与基于光流场(Optical flow field, OFF)的形变配准方法进行循环迭代, 从而构造ASOR分割与配准同步模型(Active contour segmentation and optical flow registration synchronously, ASOR). 在方法实施时, 首先利用非线性扩散模型和窄带活动轮廓模型在CT图像中提取肝脏空间初始位置信息, 为同步模型提供合理的肝脏初始轮廓. 然后将该轮廓及相应窄带区域经仿射变换映射到CBCT图像, 进而结合构造的ASOR同步模型, 用光流场确定活动轮廓水平集的运动情况, 使分割与配准在同一个演化过程中完成迭代. 实验结果和临床应用表明, 本文提出的方法应用于基于CBCT的IGRT系统时, 可实现肝脏组织的自动分割与放疗剂量分布的快速计算. 同时, 我们将同步过程中获得的形变域用于实现肝脏与肿瘤靶区等剂量线从计划CT到CBCT的自适应转移, 进行自适应放疗效果的临床测评.     

水平集方法在肝脏CT图像分割中的应用

本文从理论上分析了无需重新初始化的水平集方法的主动轮廓图像分割模型,此模型有很大的优越性,但对于目标与背景对比度较小这种情况不能得到一个好的分割效果。该模型应用于CT图像中肝脏的分割时,主动轮廓曲线会跨越肝脏边界从而导致错误的分割结果。通过修正边缘检测函数,加强了其在目标边界处的约束效果,使得主动轮廓曲线在目标物体边界处停止演化,这样能够准确的将肝脏分割出来,保证了分割的正确性。实验证明了该方法的可行性。     

融合超像素和CNN的CT图像分割方法

提出了一种融合超像素和CNN的CT图像器官主动轮廓分割方法。用超像素SLIC方法将CT图像网格化并分配标签;将网格化后图像作为数据集训练CNN网络分割出器官（如肝脏、肺部等）边界超像素,并将这些超像素的种子点连接成为粗分割边界;将粗分割边界作为初始轮廓,进行模糊主动轮廓分割得到CT图像中器官的边界。经过实验对比,该方法对肺部CT图像的分割平均DC系数达到97%、平均ASD系数达到1.23 mm。在肝脏CT图像方面与参考算法进行相比,在保证分割精度的前提下,VOE系数平均减少1%,切片图像的分割时间平均提高10 s。     

改进的B-Snake模型肝脏CT图像分割算法

肝脏模型的个性化是肝脏虚拟手术系统中的一个关键技术,而肝脏模型的个性化又是以肝脏CT图像的三维分割为前提的。针对B-Snake模型的特点,提出一种结合区域填充的改进B-Snake模型图像分割算法。将相邻的上一张切片的分割结果映射到当前切片上,根据一定的规则进行区域填充,并将填充后的结果与前一张切片的分割结果按一定的算法进行比较,进一步优化。得到的初始轮廓很接近肝脏的真实边界,而且大部分曲线已在边界上,将其作为改进的B-Snake模型算法的初始轮廓,只需对其进行部分控制点的优化调整,就可得到准确的分割结果。以此类推,直到处理完所有切片图。实验表明,该算法能有效提高分割的准确度,获得较满意的分割结果。     

CT系列图像的三维层次化子块生长分割

准确地从CT系列图像提取感兴趣的组织是手术规划的基础,针对肝脏轮廓分割存在分割不全的问题,提出了基于三维区域生长算法的腹部CT图像分割方法。算法首先由用户选择若干个生长点,然后充分利用CT系列图像层间的相似性,提出基于子块的改进区域生长算法,实现三维的层次化子块区域生长,以更准确提取肝脏区域,其中生长准则由系统分析用户选择的生长点的邻域子块属性获得,以减少用户的干预。实验结果表明,算法能在较少的干预下快速分割出来CT系列图像中的肝脏轮廓。     

CT影像肝脏转移瘤分割与检测深度网络的研究

肝脏肿瘤的评估是结直肠癌肝转移临床诊疗的重要步骤。为了完成腹部CT影像中的肝脏肿瘤自动分割和检测任务,提出一种改进的级联深度学习网络。级联网络采用U-Net和Mask R-CNN模型分别完成分割和检测任务。训练U-Net模型作为级联网络的第一层来分割肝脏器官作为感兴趣区域（ROI）;针对ROI区域进行形态学活动轮廓提取;使用U-Net模型和Mask R-CNN模型作为级联网络的第二层分别完成精准分割和检测ROI内肝脏肿瘤的任务。实验结果表明,对于级联U-Net模型的肝脏转移瘤分割平均Dice系数为74%;Mask R-CNN的肿瘤实例分割Dice系数为67%（置信度为95%）,均值平均精度（mAP）为88%。     

结合改进的U-Net和Morphsnakes的肝脏分割

目的 精确的肝脏分割是计算机辅助肝脏疾病诊断和手术规划的必要步骤,但由于肝脏解剖学的复杂性、邻近器官的低对比度和病态等原因,使得肝脏分割在医学图像处理领域仍然是具有挑战性的任务。针对腹部图像器官边界模糊及传统U-Net模型实现端到端的分割时精确度不高等问题,设计了一种基于改进的U-Net （IU-Net）和Morphsnakes算法的增强CT图像肝脏分割方法。方法 首先根据CT图像头文件信息对原始数据进行预处理并构建数据集,然后使用构建好的数据集训练IU-Net,训练过程中使用自定义的Dice层评测图像分割结果的准确率,最后通过OpenCV和Morphsnakes对初始分割结果进行精细分割,最终实现增强CT图像中肝脏的精确分割。结果 实验数据包括200组增强CT,160组用于训练,40组用于测试。本文算法分割准确率达到了94.8%,与U-Net、FCN-8s模型相比,具有更好的分割效果。结论 本文算法可以准确分割增强CT图像中各种形状的肝脏,能够为临床诊断提供可靠依据。     

基于Hessian矩阵和RSF模型的CT图像淋巴结分割

临床上医生分割淋巴结主要依靠手动,针对手动分割淋巴结的缺点和局限,本文提出一种基于Hessian矩阵和区域扩展拟合水平集模型(Region-Scalable Fitting,RSF)的淋巴结自动分割算法。该算法首先利用Hessian矩阵对CT图像中的淋巴结进行增强,并得到淋巴结粗略轮廓,然后把该粗略轮廓作为RSF模型的初始轮廓,并利用RSF模型对初始轮廓进行演化以实现淋巴结的有效分割。将该方法应用于6个病例的CT淋巴结图像中,初步实验结果与医生手动分割结果对比,平均重叠率93.3%,平均Hausdorff距离为3.8 mm。     

基于局部C-V水平集的CT肝脏病灶提取

本文针对肝脏CT图像的特点,提出一种局部C-V模型水平集算法对肝脏病灶进行分割。该算法首先在肝脏内部选择包含病灶的局部图像,再采用局部最大类间方差法进行预分割,根据最佳阈值确定初始水平集,最后采用局部C-V模型对初始轮廓曲线进行演化。实验结果表明该方法能较好地提取出肝脏病灶。     

结合改进分水岭和GVF的三维肝脏分割方法

三维肝脏分割是当前医学图像处理的热点问题,如何准确快速地从腹部CT序列中分割出肝脏是肝部病变诊断的基础。针对传统活动轮廓模型对轮廓线敏感、运算量大的问题,改进了传统轮廓线设置方法,并把算法扩展到三维。首先,在一幅腹部CT图片中采用改进的分水岭算法,按照灰度和纹理的相似性原则从一个种子块开始生长出整个肝脏,再用其边缘作为相邻CT序列的起始轮廓,用GVF算法从序列图片中分割出肝脏,重复该过程,直至分割出整个腹部序列图像的切片,进行三维重建。     

一种改进FCN 的肝脏肿瘤CT 图像分割方法

精准的医学图像分割是辅助疾病诊断和手术规划的必要步骤。由于腹部器官边界 模糊、对比度不高,肝脏肿瘤的自动分割一直是一个难题。针对传统全卷积神经网络(FCN)实 现端到端分割精度不佳等问题,提出了一种卷积型多尺度融合FCN 的CT 图像肝脏肿瘤分割方 法。首先,通过提高对比度、增强和去噪的方式对原始的CT 图像数据集进行预处理;然后使 用处理后的数据集对所设计好的FCN 网络进行训练;最终得出能够精确分割肝脏肿瘤的网络模 型。实验效果采用多种评价指标进行分割结果的评估,并且与多种常见的分割网络进行对比。 实验结果表明本文方法可以精准分割CT 图像中各种形状和大小的肝脏肿瘤,分割效果良好, 能够为临床的诊断提供可靠的依据。     

基于全卷积神经网络的肝脏CT影像分割研究

针对腹部CT影像邻近器官对比度较低及因个体肝脏形状差异较大等引起肝脏分割困难的问题,提出了全卷积神经网络肝脏分割模型。首先通过卷积神经网络提取图像深层、抽象的特征,再通过反卷积运算对提取到的特征映射进行插值重构后得到分割结果。由于单纯进行反卷积得到的分割结果往往比较粗糙,因此,在反卷积之前,先融合高层与低层的特征,并且通过增加反卷积的层数、减少反卷积步长,得到了更为精确的分割结果。与传统卷积神经网络的分割方法相比,该模型可以充分利用CT影像的空间信息。实验数据表明该模型能够使腹部CT影像肝脏分割具有较高的精度。     

基于生成对抗网络的CT图像数据扩增

训练基于深度学习的计算机辅助诊断系统可以有效地从肺部CT图像中检测出是否受到COVID-19感染, 但目前面临的主要问题是缺乏高质量带标注的CT图像用于训练. 为了有效的解决该问题, 本文提出了一种基于生成对抗网络来扩增肺部CT图像的方法. 新方法通过生成不同感染区域的标签并通过泊松融合以增加生成图像的多样性; 通过训练对抗网络模型实现图像的转换生成, 以达到扩增CT图像的目的. 为验证生成数据的有效性, 基于扩增数据进一步做了分割实验. 通过图像生成实验和分割实验, 结果都表明, 本文提出的图像生成方法取得了较好的效果.     

肝脏肿瘤CT图像深度学习分割方法综述

肝脏肿瘤的精确分割是肝脏疾病诊断、手术计划和术后评估的重要步骤。计算机断层成像（computed tomography,CT）能够为肝脏肿瘤的诊断和治疗提供更为全面的信息,分担了医生繁重的阅片工作,更好地提高诊断的准确性。但是由于肝脏肿瘤的类型多样复杂,使得分割成为计算机辅助诊断的重难点问题。肝脏肿瘤CT图像的深度学习分割方法较传统的分割方法取得了明显的性能提升,并获得快速的发展。通过综述肝脏肿瘤图像分割领域的相关文献,本文介绍了肝脏肿瘤分割的常用数据库,总结了肝脏肿瘤CT图像的深度学习分割方法：全卷积网络（fully convolutional network,FCN）、U-Net网络和生成对抗网络（generative adversarial network,GAN）方法,重点给出了各类方法的基本思想、网络架构形式、改进方案以及优缺点等,并对这些方法在典型数据集上的性能表现进行了比较。最后,对肝脏肿瘤深度学习分割方法的未来研究趋势进行了展望。     

CT图像肺及肺病变区域分割方法综述

计算机断层扫描（computed tomography,CT）技术能为新冠肺炎（corona virus disease 2019,COVID-19）和肺癌等肺部疾病的诊断与治疗提供更全面的信息,但是由于肺部疾病的类型多样且复杂,使得对肺CT图像进行高质量的肺病变区域分割成为计算机辅助诊断的重难点问题。为了对肺CT图像的肺及肺病变区域分割方法的现状进行全面研究,本文综述了近年国内外发表的相关文献：对基于区域和活动轮廓的肺CT图像传统分割方法的优缺点进行比较与总结,传统的肺CT图像分割方法因其实现原理简单且分割速度快等优点,早期使用较多,但其存在分割精度不高的缺点,目前仍有不少基于传统方法的改进策略;重点分析了基于卷积神经网络（convolutional neural network,CNN）、全卷积网络（fully convolutional network,FCN）、U-Net和生成对抗网络（generative adversarial network,GAN）的肺CT图像分割网络结构改进模型的研究进展,基于深度学习的分割方法具有分割精度高、迁移学习能力强和鲁棒性高等优点,特别是在辅助诊断COVID-19病例时,基于深度学习方法的性能明显优于基于传统方法的性能;介绍肺及肺病变区域分割的常用数据集和评价指标,在解决如COVID-19数据样本量少等问题时,使用GAN以合成高质量的对抗性图像用以扩充数据集,从而增加训练样本的数量和多样性;讨论了肺CT图像的肺及肺病变区域的高精度分割策略的研究趋势、现有挑战和未来的研究方向。     

双边滤波和标记分水岭的CT心脏图像分割

由于心脏舒张、收缩以及血液的流动,CT心脏图像易出现弱边界、伪影,传统分水岭算法易产生过分割,为此,提出一种双边滤波和标记分水岭相融合的CT心脏图像分割方法（BF-WS）。采用双边滤波算法对心脏图像进行平滑滤波,并采用形态学对图像进行重构,以消除图像噪声,保留边缘信息,采用改进Otsu算法提取CT心脏图像的内、外标记,并采用分水岭分割算法实现CT心脏图像分割,采用临床CT心脏图像在Matlab平台进行性能测试。结果表明,BF-WS提高了CT心脏图像分割准确率,与专家分割结果十分接近,较好地解决了传统分水岭算法过分割难题,可以为临床医学诊断提供重要依据。     

基于内卷U-Net的医学图像分割模型

图像分割技术的主要对象为自然图像和医学图像,相对于自然图像而言,医学图像的语义分割通常需要较高的精度以进行下一步的临床分析、诊断和规划治疗。目前用于医学图像语义分割的深度神经网络模型由于仅考虑位置的平移不变性,存在局部感受野较小、无法表达长范围依赖关系的问题。设计一种面向医学图像的分割模型,基于内卷U-Net网络,使用内卷操作代替传统的卷积操作,并将内卷结构作为基本的网络结构,提升模型对医学图像局部特征的学习能力。在模型的瓶颈层引入注意力机制模块来学习图像长范围的依赖关系,以提高医学图像语义分割的精度。在肺部CT数据集上的实验结果表明,该模型的Dice系数为0.998,较基于卷积神经网络的分割模型约提高5%,并且大幅缩短Hausdorff距离,具有更高的分割准确度以及较好的稳健性。     

生成对抗网络在肝脏肿瘤图像分割中的应用综述

由于肝脏肿瘤图像复杂多样且肝脏肿瘤图像数据集获取困难等问题,快速准确地诊断肝脏肿瘤疾病面临着诸多挑战,尤其是肝脏肿瘤的分割是其中的关键研究内容。生成对抗网络在半监督学习领域具有强大的优越性,因此其在医学图像处理中得到广泛应用。为了分析肝脏肿瘤图像在分割领域的现状以及未来发展,针对应用GAN的肝脏肿瘤图像分割方法进行研究,介绍GAN模型的网络结构与衍生模型,重点总结并分析生成对抗网络在肝脏肿瘤图像分割中的应用,包括基于网络结构改进的GAN方法、基于生成器或判别器改进的GAN方法和基于GAN的其他改进方法。最后在已有的研究进展和基础之上,对GAN在肝脏肿瘤图像分割中的应用进行总结,讨论GAN在肝脏肿瘤图像分割上所面临的挑战,并对其未来发展进行展望。