基于心脏磁共振短轴电影图像的右心室分割新进展

右心室分割对肺动脉高压、法洛四联症等疾病的心脏功能评估具有重要意义.然而，右心室结构复杂，变动性大、心肌薄且毗邻脂肪，实验全自动分割一直是难点.心脏磁共振短轴电影图像时空分辨高，常用于临床右心室分割及功能评价.本文基于心脏磁共振短轴电影图像对右心室分割方法进行了综述，首先回顾了传统右心室分割算法，然后重点介绍了基于多图谱和深度学习算法的右心室分割进展，并介绍了右心室分割结果常用的评估指标.通过上述回顾发现，基于深度学习算法的分割方法是今后临床应用的右心室分割的主要方法，对心脏相关疾病的诊断及预后十分重要，而且可大大提高医生的工作效率.     

基于密集多尺度U-net网络的电影心脏磁共振图像右心室自动分割

右心室分割对心脏功能评估具有重要意义.然而,右心室结构复杂,传统分割方法效果欠佳.本文提出一种密集多尺度U-net（DMU-net）网络用于分割右心室,首先对56例数据进行归一化、增强及感兴趣区域提取的预处理;然后结合多尺度融合和嵌套密集连接结构搭建网络;最后利用预处理后的数据对DMU-net网络进行训练和验证,并对15例仅提取感兴趣区域的数据进行测试.本文方法与手动分割的Dice系数和豪斯多夫距离平均值分别为0.862和4.44 mm,优于文献中其它分割效果较好的方法;舒张末期容积、收缩末期容积、射血分数及每搏输出量的相关系数为0.992、0.960、0.987和0.982.结果表明,使用本文方法的分割结果与手动分割结果重合度高、差异性小,有望为心脏疾病诊断提供参考.     

多项式展开配准的多图谱大脑磁共振图像分割北大核心CSCD

全脑区的自动分割对于大脑疾病的诊断和治疗具有重要的临床意义。为了提高分割准确率,提出了一种多项式展开配准的多图谱分割算法。利用线性多项式展开模型,结合仿射变换和非刚体变换将待分割的目标图像与图谱图像进行逐一的配准来获取位移场;利用归一化互信息计算二者的相似度,筛选出与目标图像相似度较高的图谱,并对图谱的标记图像进行位移场映射,得到粗分割结果;采用全局加权投票法将粗分割结果进行融合,得到最终的细分割结果。选取了35例来自MICCAI 2012 Multi-Atlas Labeling挑战和10例来自上海交通大学医学院附属第九人民医院的磁共振T1加权图像对该方法进行验证,最终全脑区的DSC值分别为0.7585和0.7351。实验结果表明,算法具有较高的大脑分割精确度和鲁棒性,有望辅助临床进行大脑相关疾病的诊断和治疗。     

基于多图谱配准的三维胰腺CT图像分割

胰腺的自动分割一直是医学图像分割中一项具有挑战性的问题。胰腺是一个具有高度解剖变异性的器官,目前的多图谱分割方法很难对胰腺的边缘产生精确的分割。针对这一问题,采用了基于多图谱配准的分割算法对胰腺进行分割,优化了一种局部动态阈值的后处理方法。在标签融合阶段,采用概率阈值融合算法、Majority voting(MV)算法、STAPLE算法和SIMPLE算法四种标签融合算法进行对比。在后处理阶段,采用局部动态阈值处理方法,首先通过初步分割结果对目标图像提取目标区域,然后自动确定阈值实现该区域的二值化,最终与初步分割结果取交集作为最终分割结果。采用留一交叉验证策略对80例NIH胰腺CT图像和22例来自上海本地医院的胰腺CT图像进行分割,最终得到的DSC分别为79.98%和81.30%。实验结果表明,所提方法实现了对胰腺的有效分割。     

基于同时多层激发和并行成像的心脏磁共振电影成像

磁共振成像（MRI）无创无害、对比度多、可以任意剖面成像的特点特别适合用于心脏成像,却因扫描时间长限制了其在临床上的应用.为了解决心脏磁共振电影成像屏气扫描时间过长的问题,该文提出了一种基于同时多层激发的多倍加速心脏磁共振电影成像及其影像重建的方法,该方法将相位调制多层激发（CAIPIRINHA）技术与并行加速（PPA）技术相结合,运用到分段采集心脏电影成像序列中,实现了在相位编码方向和选层方向的四倍加速,并使用改进的SENSE/GRAPPA算法对图像进行重建.分别在水模以及人体上进行了实验,将加速序列图像与不加速序列图像进行对比,结果验证了重建算法的有效性,表明该方法可以在保障图像质量以及准确测量心脏功能的前提下成倍节省扫描时间.     

基于心脏磁共振电影图像的压缩激励残差U形网络左心肌分割

左心肌分割对心脏疾病诊疗具有重要意义.但左心肌内部毗邻乳头肌、小梁,外部与周围组织灰度相近,是分割难点.本文首先对心脏磁共振电影图像数据进行感兴趣区域提取等预处理;其次,搭建融合了压缩激励模块和残差模块的U形网络(SERU-net)分割左心肌;最后,利用75例数据训练SERU-net网络,对18例数据进行预测.基于本文方法的分割结果相对于金标准的Dice系数与豪斯多夫距离均值分别是0.902、2.697 mm;利用本文方法分割得到的舒张末期、收缩末期左心室心肌质量与金标准的相关系数和偏差均值分别是0.995、0.993和3.784 g、2.338 g.结果表明,本文方法与金标准匹配程度较高,有望辅助诊断心脏疾病.     

基于心脏电影磁共振图像的一种新的右心室多图谱分割方法

基于心脏电影磁共振图像的右心室(RV)分割,对心脏疾病的诊疗及预后有着十分重要的意义.右心室结构复杂,传统图像分割方法始终未能达到较高的精度.多图谱方法通过配准和融合来实现RV分割,是近几年RV分割中的主要方法之一.本文提出一种新的右心室多图谱分割方法,能够实现RV的全自动准分割.本文首先采用自适应仿射传播算法获取一系列图谱集,并基于豪斯多夫距离和归一化互信息选择与目标图像最相似的图谱集;然后,依次采用多分辨率的仿射变换和Diffeomorphic demons算法将目标图像配准到最相似图谱集,并将配准得到的形变场应用于标记图像获得粗分割结果;最后,本文采用COLLATE算法融合粗分割结果得到RV轮廓.30例心脏电影磁共振数据被用于回顾性分析.本文算法与放射专家手工分割的RV相比,Dice指标和豪斯多夫距离的平均值分别为0.84,11.46 mm;舒张末期容积,收缩末期容积,射血分数的相关系数和偏差均值分别是0.94,0.90,0.86;2.5113,–3.4783,0.0341.与卷积神经网络相比,本文算法在收缩末期的分割精度更接近手动分割结果.实验结果表明,该方法从有效的图谱选择和基于多分辨率的Diffeomorphic demons算法的多级配准提高了右心室分割的精度,有望应用于临床辅助诊断.     

基于多尺度小波变换融合的视网膜血管分割

针对眼底视网膜血管细小、轮廓模糊导致血管分割精度低的问题,提出一种多尺度框架下采用小波变换融合血管轮廓特征和细节特征的视网膜血管分割方法。通过预处理增强血管与背景的对比度,在多尺度框架下提取血管轮廓特征和细节特征,并进行图像后处理;采用小波变换融合两幅特征图像,通过计算各尺度对应像素的最大值,得到血管检测图像,最后采用Otsu法进行分割。通过在DRIVE数据集上进行测试实验,得到平均准确率、灵敏度和特异度分别为0.9582,0.7086,0.9806。所提方法能够在准确分割血管轮廓的同时保留较多细小血管分支,准确率较高。     

基于点云多帧融合的相邻障碍物聚类分割方法

相邻障碍物的分割是无人驾驶领域的技术难点,低线激光雷达点云稀疏,无法聚类远距离物体,但激光雷达线束越多越昂贵。为了实现低成本聚类分割相邻障碍物,实验场景选取常用交通场景对象相邻的人/人、人/车,提出了一种基于多帧融合的相邻障碍物分割方法。基于惯性测量单元、激光雷达融合多帧点云,解决了低线激光雷达因分辨率低而无法聚类远距离相邻行人的问题。提出改进的欧式聚类,加入自适应阈值和向量角度约束两个新的分割标准,提高相邻障碍物的分割效果。实验结果表明,该方法具有成本低、聚类精准等特点,与单帧传统欧式聚类算法相比,该方法针对相邻障碍物分割的准确度提升约30.7%,对低线激光雷达在障碍物聚类以及后续的检测具有一定参考意义。     

基于多层神经网络的非线性图像分割

提出了一种用多层神经网络对图像进行非线性分割的方法。讨论了所用多层神经网络的学习速度的改进与训练样本的选择方法。实验表明，该多层神经网络系统可用于实时图像分割，并能获得很好的结果。     

结合生物力学模型重建左心室位移场

左心室心肌最为发达,心肌收缩产生的高压将动脉血泵入全身,集中体现了心脏的泵血能力.定量分析左心室收缩运动是诊断心血管疾病（如心肌梗死）的重要途径.本文采用描述左心室心肌材质的生物力学模型重建左心室位移场.该力学模型作为插值项,与心脏电影磁共振图像的观测位移场共同纳入贝叶斯估计框架,并采用有限元法求解位移场方程.实验比较了左心室射血无力组（46例）与正常组（55例）的左心室功能参数,发现两组在径向和圆周方向的位移、速度、应变和应变率都具有非常显著的差异（p < 0.001）,这证明本文方法能够有效区别左心室运动正常与否.实验结果还与CVI软件测量的左心室功能参数具有较高的相关性,说明本文方法有望辅助心血管疾病的临床诊断.     

用于压缩感知磁共振成像的分割字典学习算法

字典学习算法可以根据数据本身的特点构建稀疏域中的基,从而使数据的表示更加稀疏.该文在传统的字典学习算法基础上提出了分割字典学习算法,由于部分磁共振图像组织结构简单、可以进行图像分割,因此可根据此特点来优化字典中基函数的构建,使磁共振图像的表达更为稀疏,从而获得更高的重建图像质量.该文利用模拟数据和真实数据进行了重建实验,结果表明与传统的字典学习算法相比,分割字典学习算法能进一步改善重建图像质量.     

Cardiac magnetic resonance imaging in arrhythmogenic right ventricular cardiomyopathy: correlation to the QRS dispersion

The aim of the study was to evaluate the relationship between the presence of right ventricular abnormalities detected by cardiac magnetic resonance (CMR) and QRS dispersion, the strongest independent predictor of sudden death in ARVC. A consecutive series of 40 patients from a single institution were recruited with a clinical diagnosis of ARVC based on the diagnostic criteria. All patients underwent systematic clinical evaluation, including history and examination, electrocardiography, 24-h Holter monitor, chest radiography, echocardiography and CMR examination and were divided into two groups according to the QRS dispersion: group I, QRS dispersion ≥ 40 ms; group II, QRS dispersion < 40 ms. The relationship between the characteristic parameters of CMR image and QRS dispersion were analyzed in two groups. There were significant differences in QRS dispersion (57±14 ms vs. 26±11 ms), right ventricular end-diastolic diameter (57±10 mm vs. 48±11 mm, P=.012), right ventricular end-systolic diameter (52±10 mm vs. 44±11 mm, P=.010), right ventricular end-diastolic volume (260±105 ml vs. 180±66 ml, P=.006), right ventricular end-systolic volume (222±98 ml vs. 148±61 ml, P=.006) and myocardial fibrosis detection rate (74% vs. 38%, P=.024) between two groups. For all patients with ARVC, QRS dispersion and right ventricular end-diastolic volume (r= 0.66, P<.001), right ventricular end-systolic volume (r= 0.67, P<.001), right ventricular outflow tract area (r= 0.68, P<.001) showed a moderate positive correlation. Right ventricular outflow tract area, right ventricular end-diastolic volume and end-systolic volume detected by CMR in patients with ARVC were positively correlated to the extent of QRS dispersion (≥ 40 ms), the strongest independent predictor of sudden cardiac death.     

基于Dense-UNet++的关节滑膜磁共振图像分割

为解决以往基于深度学习的滑膜磁共振图像分割模型存在的分割精度较低、鲁棒性较差、训练耗时等问题,本文提出了一种基于Dense-UNet++网络的新模型,将DenseNet模块插入UNet++网络中,并使用Swish激活函数进行训练．利用1 036张滑膜磁共振图像数据增广后的14 512张滑膜图像对模型进行训练,并利用68张图像进行测试．结果显示,模型的平均DSC系数为0.819 9,交叉联合度量（IOU）为0.927 9．相较于UNet、ResUNet和VGG-UNet++网络结构,DSC系数和IOU均有提升,DSC振荡系数降低．另外在应用于相同滑膜图像数据集和使用相同的网络结构时,Swish函数相比ReLu函数有助于提升分割精度．实验结果表明,本文提出的算法对于滑膜磁共振图像的病灶区域的分割有较好的效果,能够辅助医生对病情做出判断．     

基于神经网络和小波变换的MRI图像去噪方法

过去10年中,小波变换在图像去噪中取得了很大的成功.人们提出了多种适用于小波去噪的阈值方法,而这些方法就是希望能够正确地反映有噪声小波系数与无噪声小波系数之间的映射关系.基于这种想法,我们提出一种在小波域中利用神经网络寻找这种映射关系的图像去噪新方法.我们把该方法应用于不同噪声分布的磁共振图像的去噪,取得了良好的效果.     

Diagnostic value of breast MRI for predicting metastatic axillary lymph nodes in breast cancer patients: diffusion-weighted MRI and conventional MRI

Purposes

To evaluate the diagnostic value of diffusion-weighted MRI (DWI) and combination of conventional MRI and DWI to predict metastatic axillary lymph nodes in breast cancer.

Materials and methods

Two hundred fifty-two breast cancer patients with 253 axillae were included. The morphological parameters on axial T2-weighted images without fat saturation and apparent diffusion coefficient (ADC) values were retrospectively analyzed. An independent t-test/chi-square test and receiver operating characteristics (ROC) curve analysis were used.

Results

On conventional MRI, short and long axis length, maximal cortical thickness, relative T2 value, loss of fatty hilum (p < 0.001 for each), and eccentric cortical thickening (p < 0.003) were statistically significantly different between the metastatic and nonmetastatic groups. The short axis to long axis ratio was not a statistically significant parameter. The ADC value was significantly different between the 2 groups, with an AUC that was higher than that of conventional MR parameters (AUC, 0.815; threshold, ≤ 0.986 × 10–3 mm²/sec; sensitivity, 75.8%; specificity, 83.9%). Using the adopted thresholds for each parameter, a total number of findings suggesting malignancy of 4 or higher was determined as the threshold, with high specificity (90.1%).

Conclusion

Using conventional MRI and DWI, we can evaluate the axilla in breast cancer with high specificity.     

结合小波融合和深度学习的脑胶质瘤自动分割

针对水肿区域边界模糊和瘤内结构复杂多变导致的脑胶质瘤分割不精确问题,本文提出了一种基于小波融合和3D-UNet网络的脑胶质瘤磁共振图像自动分割算法.首先,对脑胶质瘤磁共振图像的T1、T1ce、T2、Flair四种模态进行小波融合以及偏置场校正;然后,提取待分类的图像块;再利用提取的图像块训练3D-UNet网络以对图像块中的像素进行分类;最后加载损失率较小的网络模型进行分割,并采用基于连通区域的轮廓提取方法,以降低假阳性率.对57组Brats2018（Brain Tumor Segmentation 2018）磁共振图像测试集进行分割的结果显示,肿瘤的整体、核心和水肿部分的平均分割准确率（DSC）分别达到90.64%、80.74%和86.37%,这表明该算法分割脑胶质瘤准确率较高,与金标准相近.相比多模态图像融合前,该算法在减少输入网络数据量和图像冗余信息的同时,还一定程度上解决了胶质瘤边界模糊、分割不精确的问题,提高了分割的准确度和鲁棒性.     

MRI与MRS在肥胖症研究中的应用进展

肥胖症已经成为严重威胁人类健康的主要慢性疾病之一,磁共振成像(MRI)和磁共振波谱(MRS)技术的结合运用,对于评价脂肪组织分布和蓄积程度具有极大的优势.该文总结了近年来MRI与MRS技术在肥胖症研究中的应用进展,并讨论了MRI与MRS技术在肥胖症临床应用及科学研究中的价值.