ICT并行重建算法设计与实现

分析了三维ICT近似重建FDK快速算法以及算法串行执行与并行执行的复杂度,利用MPI并行编程环境,对原有ICT重建流程进行并行化,在PC集群上实现了并行ICT重建,进行了系统集成。给出了系统应用实现的解决方案与软件集成流程图。实验结果证明串行重建和并行重建结果是一致的,并行重建可以得到比较理想地重建时间结果和比较理想的加速比与效率。     

显微CT血管系统三维结构的骨架细化算法并行化设计实现

提取骨架是计算机断层扫描(CT)三维(3D)血管图像定量分析中的关键步骤,通常耗费数小时,直接制约了图像分析的定量研究。分析串行骨架细化算法各步骤中包含的可并行化操作,对其进行并行化设计,提出的算法通过Open MP多线程技术实现,并采用不同大小的三维CT血管图像进行分析和测试。根据测试结果,改进后的算法获取到的骨架准确可靠,对于1.95 GB大小的三维血管图像,使用16个线程进行并行运算时,可将运算时间由176min缩短到13 min,时间消耗上降低了一个数量级。因此,提出的方法可实现大型血管骨架的准确、高效提取,解决了大型三维图像分析问题中运算效率低这一瓶颈问题。     

基于聚类算法的血管直径测量研究

血管形态的变化与疾病密切相关,血管直径是血管形态的主要参数之一,测量血管直径有助于疾病的筛查与预防。提出一种基于聚类算法的血管直径测量方法,对微血管进行测量。大多数显微血管图像(如光学显微成像或光声显微成像)中存在噪声,通过非线性变换函数对显微图像进行增强;使用训练后的U-Net网络模型进行图像分割;利用结合聚类算法以及射线算法的测量方法对分割得到的血管进行测量,得到血管直径。实验表明,算法与传统测量结果一致(P0.05),与传统算法相比,本算法的测量精度得到提升,将测量误差由4.21%降低至2.27%,满足血管测量的准确度需求。     

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.     

一种用于前列腺区域分割的改进水平集算法

前列腺区域的精确分割是提高计算机辅助前列腺癌诊断准确率的重要前提.本文提出了一种新的精确的前列腺区域分割模型,分为4个步骤：首先,读取T₂加权磁共振（MR）图像;其次,利用半径为5个像素的8邻域模板（8x5）的局部二值模式（LBP）特征模板计算前列腺磁共振图像的LBP特征图;然后,利用改进的距离正则化水平集（DRLSE）模型对特征图进行分割,提取前列腺粗轮廓;最后将原始水平集能量函数进行优化,构造一个新的能量函数,提取局部灰度信息和梯度信息,并在此新的能量函数的基础上,将粗轮廓迭代演化为最终的细轮廓.本文将该模型在203组来自于国际光学与光子学学会-美国医学物理学家协会-国家癌症研究所（SPIE-AAPM-NCI）前列腺MR分类挑战数据库的T2W磁共振图像上进行了测试,并与医生手工分割结果进行了比较,结果表明本文提出模型得到的分割结果的Dice系数为0.94±0.01,相对体积差（RVD）为-1.21%±2.44%,95% Hausdorff距离（HD）为6.15±0.66 mm;与文献中现有的分割模型相比,使用本文提出的模型得到的前列腺区域分割结果更接近于手工分割的结果.     

自适应尺度信息的U型视网膜血管分割算法

针对视网膜血管形态结构和尺度信息复杂多变的特点,提出一种自适应血管形态结构和尺度信息的U型视网膜血管分割算法。首先采用二维K-L(Karhunen-Loeve)变换(即霍特林变换)综合分析彩色图像三通道的频带信息,从而得到视网膜灰度图像以及多尺度形态学滤波增强血管与背景的对比度信息。然后将预处理图像经U型分割模型对图像进行端对端训练,并利用局部信息熵采样进行数据增强。该网络编码部分的密集可变形卷积结构根据上下特征层信息有效地捕捉图像中多种尺度信息和形状结构,底部金字塔型的多尺度空洞卷积扩大局部感受野,同时解码阶段带有Attention机制的反卷积网络将底层与高层特征映射有效结合,解决权重分散和图像纹理损失的问题。最后通过SoftMax激活函数得到最终的分割结果。在DRIVE(Digital Retinal Images for Vessel Extraction)与STARE(Structured Analysis of the Retina)数据集上对该算法进行了仿真,准确率分别达到97.48%与96.83%,特异性分别达到98.83%与97.75%,总体性能优于现有算法。     

基于二维集合经验模式分解的距离正则化水平集磁共振图像分割

针对现有磁共振(MR)图像分割算法大多直接在原图像上进行处理,分割效果受噪声影响较大的问题,本文引入二维集合经验模式分解(BEEMD)算法,提高距离正则化水平集(DRLSE)方法对MR图像的分割精度.算法中首先使用BEEMD将待分割MR图像分解为多个二维固有模式函数(BIMF),通过对各BIMF赋予不同加权系数重构待分割图像,从而增强分割目标;然后在DRLSE的边界指示函数中添加部分BIMF分量,恢复因高斯平滑被模糊的目标轮廓,并使用DRLSE方法对重构图像进行分割.通过对仿真图像和临床MR图像分割验证,表明本文算法具有较高的分割精度和鲁棒性,能有效实现对临床MR图像的分割.     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

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.     

基于灰色关联分析的医学图像分割

医学图像分割处理为临床诊断、病理分析、治疗提供可靠的依据。为了分割出图像中感兴趣的区域,提出了一种基于灰色理论区域生长分割算法。该方法利用灰色关联理论对图像进行关联性分析,根据像素间全局和局部的关联度,指导区域生长的分割和停止。该方法的最大不同之处在利用灰色理论进行关联性分析,不需要大量数据的统计,算法简单,高效。实验证明,该方法能够有效地分割出目标区域,并且具有一定的抗噪能力,是一种较为有效的图像分割新方法。     

基于局部位移校正的磁共振图像相干平均

多次扫描相干平均是提高磁共振图像信噪比的常用方法,但如果在多次扫描过程中病人发生自主或不自主的运动,使得图像中的组织发生位移,简单相干平均图像会导致图像模糊.本文受非局域均值算法的启发,提出了一种基于局部位移校正的相干平均方法.该算法通过比较多次采集的图像中组织结构的局部相似性,找出图像间的局部位移,利用该信息修正位移后进行加权平均,从而达到提高图像信噪比的目的.我们用模型及真实的肝脏弥散数据进行了实验.实验结果表明,对于不同次采样间存在运动的磁共振图像,该算法可有效地提高信噪比并保持结构边缘;其结果优于简单的相干平均,去噪效果也优于经典的非局域均值算法.     

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OTSU分割和HOG特征的行人检测与跟踪方法

传统的HOG算法针对整幅图像进行行人特征提取,大量的非人窗口计算必然降低检测的准确率和效率。为此,提出一种基于OTSU分割和HOG特征的行人检测与跟踪方法。利用OTSU算法以最佳阈值分割图像,在分割区域的基础上进行Canny边缘检测,通过边缘的对称性计算确定行人候选区,继而采用经PCA方法降维后的HOG特征和隐马尔可夫模型对行人候选区进行检测验证。最后,以确定的行人区域为跟踪窗口,利用CamShift算法跟踪行人。多组实验结果证明,本文方法的行人检测效率和精度均有所提高,跟踪性能稳定、可靠。     

Magnetic resonance imaging segmentation techniques using batch-type learning vector quantization algorithms

In this article, we propose batch-type learning vector quantization (LVQ) segmentation techniques for the magnetic resonance (MR) images. Magnetic resonance imaging (MRI) segmentation is an important technique to differentiate abnormal and normal tissues in MR image data. The proposed LVQ segmentation techniques are compared with the generalized Kohonen's competitive learning (GKCL) methods, which were proposed by Lin et al. [Magn Reson Imaging 21 (2003) 863-870]. Three MRI data sets of real cases are used in this article. The first case is from a 2-year-old girl who was diagnosed with retinoblastoma in her left eye. The second case is from a 55-year-old woman who developed complete left side oculomotor palsy immediately after a motor vehicle accident. The third case is from an 84-year-old man who was diagnosed with Alzheimer disease (AD). Our comparisons are based on sensitivity of algorithm parameters, the quality of MRI segmentation with the contrast-to-noise ratio and the accuracy of the region of interest tissue. Overall, the segmentation results from batch-type LVQ algorithms present good accuracy and quality of the segmentation images, and also flexibility of algorithm parameters in all the comparison consequences. The results support that the proposed batch-type LVQ algorithms are better than the previous GKCL algorithms. Specifically, the proposed fuzzy-soft LVQ algorithm works well in segmenting AD MRI data set to accurately measure the hippocampus volume in AD MR images.     

Automated vessel segmentation using cross-correlation and pooled covariance matrix analysis

Time-resolved contrast-enhanced magnetic resonance angiography (CE-MRA) provides contrast dynamics in the vasculature and allows vessel segmentation based on temporal correlation analysis. Here we present an automated vessel segmentation algorithm including automated generation of regions of interest (ROIs), cross-correlation and pooled sample covariance matrix analysis. The dynamic images are divided into multiple equal-sized regions. In each region, ROIs for artery, vein and background are generated using an iterative thresholding algorithm based on the contrast arrival time map and contrast enhancement map. Region-specific multi-feature cross-correlation analysis and pooled covariance matrix analysis are performed to calculate the Mahalanobis distances (MDs), which are used to automatically separate arteries from veins. This segmentation algorithm is applied to a dual-phase dynamic imaging acquisition scheme where low-resolution time-resolved images are acquired during the dynamic phase followed by high-frequency data acquisition at the steady-state phase. The segmented low-resolution arterial and venous images are then combined with the high-frequency data in k-space and inverse Fourier transformed to form the final segmented arterial and venous images. Results from volunteer and patient studies demonstrate the advantages of this automated vessel segmentation and dual phase data acquisition technique.     

旋转不变的非局域均值算法在磁共振图像去噪中的应用

磁共振成像（MRI）实验时常采用多次扫描累加平均提高图像信噪比（SNR）,但当扫描过程中运动引起图像变形时,简单地累加平均就无法奏效.为此,本研究组曾提出一种匹配加权平均方法（MWA）提高图像的信噪比.在此基础上,该文提出一种旋转不变的非局域均值算法（RINLM）,即选取圆形邻域区域并将其划分为一系列以中心像素为圆心的等面积圆环,再计算模式的相似性.RINLM算法可以更好地利用图像中旋转的冗余信息、找到更多的相似结构,提高算法的去噪性能.我们把该方法应用于低信噪比图像序列的平均和去噪中,可以更好地处理旋转的局部运动.与非局域均值算法（NLM）相比,RINLM算法可以进一步提高图像的信噪比;与MWA方法相比,其与RINLM算法的结合可以进一步提高磁共振图像序列信噪比,更好的保持图像边缘信息.     

Noncontrast dynamic MRA in intracranial arteriovenous malformation (AVM), comparison with time of flight (TOF) and digital subtraction angiography (DSA)

Digital subtraction angiography (DSA) remains the gold standard to diagnose intracranial arteriovenous malformations (AVMs) but is invasive. Existing magnetic resonance angiography (MRA) is suboptimal for assessing the hemodynamics of AVMs. The objective of this study was to evaluate the clinical utility of a novel noncontrast four-dimensional (4D) dynamic MRA (dMRA) in the evaluation of intracranial AVMs through comparison with DSA and time-of-flight (TOF) MRA. Nineteen patients (12 women, mean age 26.2±10.7 years) with intracranial AVMs were examined with 4D dMRA, TOF and DSA. Spetzler-Martin grading scale was evaluated using each of the above three methods independently by two raters. Diagnostic confidence scores for three components of AVMs (feeding artery, nidus and draining vein) were also rated. Kendall's coefficient of concordance was calculated to evaluate the reliability between two raters within each modality (dMRA, TOF, TOF plus dMRA). The Wilcoxon signed-rank test was applied to compare the diagnostic confidence scores between each pair of the three modalities. dMRA was able to detect 16 out of 19 AVMs, and the ratings of AVM size and location matched those of DSA. The diagnostic confidence scores by dMRA were adequate for nidus (3.5/5), moderate for feeding arteries (2.5/5) and poor for draining veins (1.5/5). The hemodynamic information provided by dMRA improved diagnostic confidence scores by TOF MRA. As a completely noninvasive method, 4D dMRA offers hemodynamic information with a temporal resolution of 50-100 ms for the evaluation of AVMs and can complement existing methods such as DSA and TOF MRA.     

基于高斯混合模型的多区域并行增长图像分割算法

为克服经典区域增长算法中生长规则以及特征选取的困难,提出了基于高斯混合模型的多区域并行区域增长图像分割算法。首先交互选择多个不同区域的种子点,并利用交互式选择的属于每个区域的子块得到混合模型的个数;然后利用最大期望估计混合模型参数作为区域增长的初始参数,并在增长过程中不停地调节模型参数。为了避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,表明所提出的算法是合理可行的。