模式识别及人工神经网络技术在肺癌组织分型中的应用研究

目的：探讨模式识别及人工神经网络技术在肺癌组织分型中的应用。方法：用放射性免疫法测定了肺癌患者血清中4种肿瘤标志物（CEA、CA125、胃泌素及NSE）的水平，在此基础上采用模式识别及人工神经网络技术，探讨它们在肺癌组织分型中的应用价值。结果：在判别小细胞肺癌与非小细胞肺癌类型中，这些方法的总正确率均在85％以上。结论：模式识别及人工神经网络技术在肺癌组织分型中有一定的参考价值，同时为临床提供必要的参考资料。     

CT影像肺结节分割研究进展

准确分割肺结节在临床上具有重要意义。计算机断层扫描（computer tomography,CT）技术以其成像速度快、图像分辨率高等优点广泛应用于肺结节分割及功能评价中。为了进一步对肺部CT影像中的肺结节分割方法进行探索,本文对基于CT影像的肺结节分割方法研究进行综述。1）对传统的肺结节分割方法及其优缺点进行了归纳比较;2）重点介绍了包括深度学习、深度学习与传统方法相结合在内的肺结节分割方法;3）简单介绍了肺结节分割方法的常用评价指标,并结合部分方法的指标表现展望了肺结节分割方法研究领域的未来发展趋势。传统的肺结节分割方法各有优缺点和其适用的结节类型,深度学习分割方法因普适性好等优点成为该领域的研究热点。研究者们致力于如何提高分割结果的准确度、模型的鲁棒性及方法的普适性,为了实现此目的本文总结了各类方法的优缺点。基于CT影像的肺结节分割方法研究已经取得了不小的成就,但肺结节形状各异、密度不均匀,且部分结节与血管、胸膜等解剖结构粘连,给结节分割增加了困难,结节分割效果仍有很大提升空间。精度高、速度快的深度学习分割方法将会是研究者密切关注的方法,但该类方法仍需解决数据需求量大和网络模型超参数的确定等问题。     

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...     

面向CT影像的肺结节计算机辅助诊断算法

为了在早期能够发现肺癌,降低对肺结节的漏诊率,提高病人的生存率;基于模糊C均值聚类的算法,利用直方图统计特性对数据进行优化,在此基础上利用像素的邻域特性,将数据样本对各聚类中心约束条件为1改变为隶属度之和为样本总数;用改进的FCM对肺实质图像进行分割,将分割后的图像应用区域分割算法去除小面积区域,利用肺结节的关键特征,提取可疑区域;运用改进算法后,区域分割效果更好;仿真结果证明算法很好地将"线"形或分枝状结构的血管去除;改进的FCM有很好的实时性和对噪声的鲁棒性,分离血管后,将可疑区域在原图标记出来,使医生的工作更加明确.     

CT影像中边缘病变的二维肺野分割研究

为了研究采用基于先验形状约束的活动轮廓模型方法来正确分割胸腔CT影像中高密度病变影响边缘的肺野区域, 对已分割获得的胸腔CT影像中的二维肺野区域的形状根据其相似性进行粗略分类, 并对这些先验形状进行分类学习, 通过学习获得的PCA形状向量与活动轮廓相结合的迭代方法拟合肺野区域的正确边界, 最后通过基于边界的区域分割方法对胸腔CT影像进行分割, 得到正确的肺野区域。通过所得分割结果的对比表明, 采用该模型来拟合肺野区域边界来完成肺野分割是可行的, 同时从分割结果的量化评价指标(准确性和敏感性、特异性)可看出本方法分割能够得到正确的肺野区域。     

基于多期相注意力融合网络的肝脏病灶CT影像分类研究

肝脏病灶是指肝脏疾病集中的部位或是综合病症、感染的主要部位。由于不同类型的多期相肝脏病灶计算机断层扫描（CT）影像存在异病同影或同病异影的情况,导致同一类型的CT影像结构变化较大,传统方法难以提取丰富的图像特征信息,肝脏病灶分类准确率有待提高。提出一种多期相注意力融合网络MAFNet,使用单期相分支表征单期相病灶图像特征,并在融合分支中采用中期融合的方式,融合单期相分支中提取出的特征映射,从而充分提取图像中不同层次的特征。利用多期相注意力模块提取单期相分支中肝脏病灶的加权特征,重新组织多期相肝脏病灶的特征映射,以保持不同单期相图像信息,表达3个期相影像的时序增强模式,得到更准确的分类结果。实验结果表明,基于该网络的分类方法能充分利用多期相肝脏CT影像的时序特征,有效捕捉同一患者不同期相的信息,肝脏病灶CT影像分类的平均准确率为90.99%。     

面向急性缺血性脑卒中CT到MRI的图像生成

急性缺血性脑卒中病灶很容易在磁共振成像(MRI)上表现为高信号区域。相较于MRI,计算机断层扫描(CT)成像速度快、价格低,不易受金属植入物干扰,但CT对缺血性脑卒中病灶不敏感,通常在CT上难以确定病灶的位置,且CT包含的信息量比MRI少。考虑到速度与可用性的提升以及成本的降低,为了以CT生成的MRI代替真实的MRI对急性缺血性脑卒中进行诊断,提出一种CT到MRI的跨模态图像生成算法。首先,利用影像组学在CT上确定病灶区域并提取影像组学特征,筛选出信息增益最大的特征并可视化,然后将该特征图与CT一同作为生成对抗网络的输入。生成对抗网络在pix2pix生成器中引入残差块,鉴别器采用PatchGAN。最后在损失函数中引入病灶特征相似性损失函数,更加关注病灶区域的相似性。经两名放射科医生的主观判断与评估指标的客观分析,结果表明,该算法生成的MRI与真实MRI相似性极高,且病灶位置正确,形状相似,可为医生的诊疗提供帮助。     

融合双注意力机制3D U-Net的肺肿瘤分割

目的 精确的肺肿瘤分割对肺癌诊断、手术规划以及放疗具有重要意义。计算机断层扫描（computed tomography,CT）是肺癌诊疗中最重要的辅助手段,但阅片是一项依靠医生主观经验、劳动密集型的工作,容易造成诊断结果的不稳定,实现快速、稳定和准确的肺肿瘤自动分割方法是当前研究的热点。随着深度学习的发展,使用卷积神经网络进行肺肿瘤的自动分割成为了主流。本文针对3D U-Net准确度不足,容易出现假阳性的问题,设计并实现了3维卷积神经网络DAU-Net（dual attention U-Net）。方法 首先对数据进行预处理,调整CT图像切片内的像素间距,设置窗宽、窗位,并通过裁剪去除CT图像中的冗余信息。DAU-Net以3D U-Net为基础结构,将每两个相邻的卷积层替换为残差结构,并在收缩路径和扩张路径中间加入并联在一起的位置注意力模块和通道注意力模块。预测时,采用连通域分析对网络输出的二值图像进行后处理,通过判断每个像素与周围26个像素的连通关系获取所有的连通域,并清除最大连通域外的其他区域,进一步提升分割精度。结果 实验数据来自上海胸科医院,总共1 010例肺癌患者,每例数据只包含一个病灶,专业的放射科医师提供了金标准,实验采用十折交叉验证。结果表明,本文提出的肺肿瘤分割算法与3D U-Net相比,Dice系数和哈斯多夫距离分别提升了2.5%和9.7%,假阳性率减少了13.6%。结论 本文算法能够有效提升肺肿瘤的分割精度,有助于实现肺癌的快速、稳定和准确分割。     

CT电话报税系统设计

借助CT技术和计算机辅助技术,在电子政务框架下,基于IVR系统对税务电话报税系统进行了初步探讨。针对税务工作业务,分析了系统功能,设计了系统结构,编写了对应的功能模块,实现了综合税务查询流程和报税流程。经过多项测试,结果验证了系统的工作性能。     

基于GAN的岩石CT图像超分辨算法

岩石电子计算机断层扫描（Computed Tomography,CT）图像可使岩石内部结构可视化,故可以作为评估油气储藏量的依据。但是,受采集条件的约束,岩石CT图像往往分辨率低、细节较模糊。因此,本文基于生成对抗网络（Generative Adversarial Network,GAN）方法引入岩石孔隙度损失,在原有损失函数约束的基础上增加新的约束项,并进行4倍超分辨重构实验,通过峰值信噪比（Peak Signal to Noise Ratio,PSNR）和结构相似性（Structural Similarity Index,SSIM）的指标比较重建结果。结果表明,本文方法在指标和视觉上均取得了良好效果。     

肺实质CT图像分割方法

针对肺部CT图像中因各组织灰度不均匀、结构复杂等因素造成双肺边界难以准确分割的问题,提出一种多阈值和基于投影的标记控制分水岭分割方法。运用多阈值法对图像进行粗分割,结合形态学开运算去除图像中残余的气管与主支气管;对于左右肺区未完全分离的情况,采用基于投影的标记控制分水岭分割方法进行分离;利用形态学开闭运算对粗分割结果进行细化。实验结果表明,该方法能够对肺实质进行较准确的分割。     

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。     

基于改进U-net的肺癌识别方法

目前基于深度学习的肺癌辅助诊断方法存在无法准确定位病灶的缺陷。针对该问题,在现有U-net网络结构的基础上提出一种分两步走的基于改进U-net的肺癌识别方法。利用U-net获得病灶精确位置,通过CNN分类网络对病灶进行诊断,得到原始CT图像的检测结果。实验结果表明,该方法可以对肺部病灶进行较为精确的定位,分割效果的DSC相似度指数超过80%,对肺癌病灶进行分类诊断的准确率达到90.7%。     

A hierarchical stochastic modelling approach for reconstructing lung tumour geometry from 2D CT images

ABSTRACT

Lung cancer is one of the deadliest cancers in both men and women. Nowadays, several methods are used to cure this cancer including surgery and radiotherapy. These methods require prior knowledge about the shape of tumours. This type of knowledge may also help physicians to determine the cancer type. In this paper we propose a novel approach for 3D reconstruction of tumour geometry from a sequence of 2D images. The proposed approach consists of two phases: tumour segmentation from computed tomography (CT) images and 3D shape reconstruction. Segmentation is conducted using snake optimisation and Gustafson–Kessel clustering. For 3D reconstruction, first, we propose a new approach to interpolate some intermediate slices between original slices. Then, the well-known marching cubes algorithm is used for surface reconstruction. Eventually, we smoothen the surface using an explicit fairing algorithm. Experiments show that our new approach can highly improve the quality and the accuracy of the reconstructed tumour shape.     

超级计算支撑的新冠肺炎CT影像综合分析辅助系统应用

目的 新冠肺炎（COVID-19）已经成为全球大流行疾病,在全球范围数百万人确诊。基于计算机断层扫描（computed tomography,CT）数据的影像学分析是临床诊断的重要手段。为了实现快速高效高精度地检测,提出了一种超级计算支撑的新冠肺炎CT影像综合分析辅助系统构建方法。方法 系统整个处理流程依次包括输入处理模块、预处理模块、影像学分析子系统和人工智能（artifiaial intelligence,AI）分析子系统4部分。其中影像学分析子系统通过分析肺实变、磨玻璃影和铺路石等影像学典型特征检测是否有肺炎和典型新冠肺炎特征,给出肺炎影像分析结论;AI分析子系统通过构建深度学习模型来区分普通病毒肺炎与新冠肺炎,增加肺炎的筛查甄别能力。结果 系统发布以来,持续稳定地为国内外超过三十家医院与一百多家科研机构提供了新冠肺炎辅助诊断服务和科研支撑,为抗击疫情提供重要支撑。结论 本文提出的超级计算支撑的新冠肺炎CT影像综合分析辅助系统构建方法,取得了应用效果,是一种有效实现快速部署服务、对突发疫情提供高效支撑的服务方式。     

肺实质CT图像细化分割

目的 由于肺部CT图像中各组织结构复杂、灰度分布不均匀,造成肺实质部分难以准确分割和提取。为了提高肺实质分割的准确率,本文提出了一种基于超像素的细化分割与模糊C均值聚类相结合的自动分割算法。方法 该算法充分利用肺部CT图像的灰度、纹理特征,同时为了正确标记超像素的分类,引入一种空间邻域信息来增强空间约束进而有效地解决灰度不均匀的问题,它能够对肺实质进行分割并除去其周围的主血管,然后利用形态学知识去除肺部的分支血管。结果 在临床患有四类疾病的患者CT图像数据集上采用改进的图像特征,使得肺实质分割的准确率提高了0.8%。同时,算法准确率提高到99.46%。结论 实验结果表明,本文算法能够实现肺部CT图像肺实质的自动细化分割,结果准确适用。该算法鲁棒性好、速度快,是一种精确有效的自动肺实质分割方法。     

肺部肿瘤跨模态图像融合的并行分解自适应融合模型

目的 跨模态像素级医学图像融合是精准医疗领域的研究热点。针对传统的像素级图像融合算法存在融合图像对比度不高和边缘细节不能较好保留等问题,本文提出并行分解图像自适应融合模型。方法 首先,使用NSCT(non-subsampled contourlet transform)提取原图像的细节方向信息,将原图像分为低频子带和高频子带,同时使用潜在低秩表示方法(latent low-rank representation, LatLRR)提取原图像的显著能量信息,得到低秩部分、显著部分和噪声部分。然后,在低频子带融合方面,NSCT分解后得到的低频子带包含原图像的主要能量,在融合过程中存在多对一的模糊映射关系,因此低频子带融合规则采用基于模糊逻辑的自适应方法,使用高斯隶属函数表示图像模糊关系;在高频子带融合方面,NSCT分解后得到高频子带系数间有较强的结构相似性,高频子带包含图像的轮廓边缘信息,因此高频子带采用基于Piella框架的自适应融合方法,引入平均结构相似性作为匹配测度,区域方差作为活性测度,设计自适应加权决策因子对高频子带进行融合。结果 在5组CT(computed tomography...