高清一体化PET/MRI脑图像分割对比研究

一体化正电子发射断层成像(Positron Emission Tomography,PET)/磁共振成像(Magnetic Resonance Imaging,MRI)是将PET和MRI有机整合成一体的新型多模态医学影像系统,结合了MRI系统的软组织高分辨率与多参数多功能成像特性和PET系统的放射性示踪剂代谢高灵敏度以及数据定量化特性,常用于脑神经疾病的诊断。在PET/MRI脑部扫描中,脑区分割对脑图像定量研究具有重要的意义。目前行业通用的方法是基于脑图谱的分割方法,该方法既可以用于MRI图像也可以应用于PET图像。在一体化PET/MRI的临床科研中,由于PET和MRI图像同时采集、配准精度高,因此只需选取PET或者MRI图像进行基于图谱的分割,再将分区映射到另一模态图像即可。通过对比实验,将基于PET和MRI两种不同的图谱方案得到的脑区分割结果进行准确性比较。实验结果显示:基于PET的分割结果与金标准的平均dice值为0.64,而基于MRI的分割结果的平均dice值为0.74,表明利用MRI图像进行配准得到的脑区分割结果更精确。     

PET-MRI脑部定量准确性对比研究:MRI与PET脑分区对SUVR计算的影响

在正电子发射断层成像(Positron Emission Tomography,PET)的临床诊断和科研中,为了减小标准化摄取值(Standard Uptake Value,SUV)在不同受试者间的差异性,通常会以特定的参考区域为基准计算标准化摄取值比(Standard Uptake Value Ratio,SUVR)。由于PET图像无法反应脑部结构信息,从PET图像中无法准确分割出参考区域,从而影响了SUVR的准确性。本文利用一体化正电子发射断层成像/磁共振成像(Positron Emission Tomography-Magnetic Resonance Imaging,PET-MRI)同步采集年龄相近的健康志愿者的PET和MRI数据,基于准确反映脑部结构信息的MRI图像分割出参考区域,映射到对应的PET图像后再进行SUVR的计算,将其与利用PET图像分割参考区域算出的SUVR进行比较。结果显示:利用MRI分割参考区域算出的SUVR变异系数更小,离散程度更低,在相似的健康志愿者间具有更好的一致性,更好地消除了受试者间的个体差异。     

SCID：用于富含视觉信息文档图像中信息提取任务的扫描中文票据数据集

目的 视觉富文档信息抽取致力于将输入文档图像中的关键文字信息进行结构化提取,以解决实际业务问题,财务票据是其中一种常见的数据类型。解决该类问题通常需要应用光学字符识别（optical character recognition,OCR）和信息抽取等多个领域的技术。然而,目前公开的相关数据集的数量较少,且每个数据集中包含的图像数量也较少,这都成为了制约该领域技术发展的一个重要因素。为此,本文收集、标注并公开发布了一个真实中文扫描票据数据集SCID（scanned Chinese invoice dataset）,包含6类常见财务票据,共40 716幅图像。方法 该数据集提供了用于OCR任务和信息抽取的两种标签。针对该数据集,本文提出一个基于LayoutLM v2（layout languagemodel v2）的基线方案,实现了从输入图像到最终结果的端到端推理。基于该数据集承办的CSIG（China Society ofImage and Graphics）2022票据识别与分析挑战赛,吸引了大量科研人员参与,并提出了优秀的解决方案。结果 在基线方案实验中,分别验证了使用OCR引擎推理、OCR模型精调和OCR真值3种设定的实验结果,F1值分别为0.768 7、0.857 0和0.985 7,一方面证明了LayoutLM v2模型的有效性;另一方面证明了该场景下OCR的挑战性。结论 本文提出的扫描票据数据集SCID展示了真实OCR技术应用场景的多项挑战,可以为文档富视觉信息抽取相关技术领域研发和技术落地提供重要数据支持。该数据集下载网址：https://davar-lab.github.io/dataset/scid.html。