基于级联网络的膝关节图像分割与模型构建

采用膝关节模型进行电磁仿真是计算膝关节局部射频功率沉积（SAR）的主要方法,为了构建膝关节模型,本文提出了一种包含两个卷积神经网络——U-Net的级联网络结构,用于膝关节磁共振图像的分割.第一个网络在整幅图上分割肌肉、脂肪等占比较大的组织,并从分割结果中预测软骨与半月板的大致位置信息,第二个网络基于该信息在一个更小的子图上分割小组织以提高分割精度.两个网络均采用焦点损失函数,它们的分割结果合并在一起构成膝关节模型.我们将该方法与其它4种方法的分割结果进行了定量指标的对比研究,并分别构建膝关节模型,计算局部SAR值.结果表明本文提出的级联网络结构可以更精确的构建用于SAR仿真的膝关节模型.     

基于Faster-RCNN和Level-Set的桥小脑角区肿瘤自动精准分割

桥小脑角区（CPA）肿瘤的精准分割在手术治疗、放疗中有重要影响,本文结合更快速区域卷积神经网络（Faster-RCNN）和水平集（Level-Set）方法对CPA肿瘤的自动分割进行了研究.首先,采集317名CPA肿瘤患者的T₁WI-SE序列磁共振图像,使用基于Faster-RCNN主干网络VGG16提取特征,结合区域建议网络（RPN）进行学习训练,建立带有CPA肿瘤位置信息的定位模型,再应用Level-Set对肿瘤进行精准分割.本文对比了不同CPA肿瘤区域勾画范围对分割结果产生的影响,并以精确率、召回率、均值平均精度值（mAP）和戴斯系数（Dice系数）等指标评估了模型定位和分割的性能.实验结果表明,结合Faster-RCNN和Level-Set建立的模型能更有效对CPA肿瘤进行精准分割,减轻临床医生的负担,并提升治疗效果.     

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.     

基于U-Net的盐体识别方法

卷积神经网络在计算机视觉领域取得重大突破，利用其强大的图像处理能力，将地下沉积盐体的识别问题转化为图像语义分割问题，应用深度卷积神经网络实现盐体地震图像的像素级语义分割.本文在U-Net基础上，增加网络深度并同时引入批归一化和Dropout处理，使得神经网络模型具有更高的可信度和更强的泛化能力.通过实验发现，在卷积层之后引入批归一化处理，并在池化层和叠加层之后引入Dropout可以稳定提升模型对盐体图像的分割性能.     

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.     

基于改进DRLSE模型的前列腺磁共振图像分割

在图像引导下的前列腺磁共振图像分割的介入诊断与治疗具有重要意义.本文对距离正则化水平集演化（DRLSE）方法进行了改进并用于前列腺磁共振图像分割.前列腺磁共振图像中靠近膀胱一侧边界较为模糊，靠近尿道一侧及左右两侧边界较为清晰，仅用传统的梯度信息指示函数无法达到理想分割结果.本研究分别采用两个指示函数控制边界清晰段及模糊段的演化，以达到准确分割的目的.此外，还在外部能量函数中增加了能量牵制项，避免演化在虚假边界停止，驱使水平集向灰度波动较大的区域移动，并能在模糊边界停止演化.实验表明利用本方法进行前列腺磁共振图像分割的效果较好；Dice相似性系数（DSC）均值达到96%，接近专家手动分割结果.     

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PCAU-Net的快速多通道磁共振成像方法

多通道磁共振成像方法采用多个接收线圈同时欠采样k空间以加快成像速度,并基于后处理算法重建图像,但在较高加速因子时,其图像重建质量仍然较差．本文提出了一种基于PCAU-Net的快速多通道磁共振成像方法,将单通道实数U型卷积神经网络拓展到多通道复数卷积神经网络,设计了一种结构不对称的U型网络结构,通过在解码部分减小网络规模以降低模型的复杂度．PCAU-Net网络在跳跃连接前增加了1×1卷积,以实现跨通道信息交互．输入和输出之间利用残差连接为误差的反向传播提供捷径．实验结果表明,使用规则和随机采样模板,在不同加速因子时,相比常规的GRAPPA重建算法和SPIRiT重建方法,本文提出的PCAU-Net方法可高质量重建出磁共振复数图像,并且相比于PCU-Net方法,PCAU-Net减少了模型参数、缩短了训练时间．     

计算晶体CdCl2:Ni2+的电子顺磁共振谱的完全对角化和高阶微扰方法

采用半自洽场自由Ni²⁺的d轨道波函数和点电荷-偶极子模型,建立局部结构、光谱与电子顺磁共振(EPR)谱(零场分裂D和顺磁g因子)之间的定量关系.利用完全对角化方法(CDP)和高阶微扰方法,统一解释CdCl₂:Ni²⁺晶体的局部结构、光谱和电子顺磁共振谱(EPR),并比较两种计算方法得到的结果.     

融合多重自注意力和可变形卷积的多模态脑胶质瘤分割

脑胶质瘤的磁共振图像分割对于脑肿瘤的诊断、手术规划以及放疗等治疗方案的确定具有非常重要的意义．针对现有脑肿瘤分割算法分割精度不高边缘分割不精确,易出现假阳性的问题,本文提出一种基于多重自注意力和可变形卷积的Unet改进模型．模型将原始Unet框架的标准卷积替换为残差模块,以防止模型训练过程中出现梯度消失;通过在瓶颈层加入基于Transformer的多重自注意力模块来提取局部特征和全局上下文信息,以更好地挖掘像素间的相关性;在跨层连接处采用可变形卷积来增强模型对形状感知的敏感性,以提升肿瘤边缘特征的提取能力．实验结果表明,所提算法的分割结果评价指标高于使用同样数据集的其他对比模型,而且对肿瘤边缘的分割更加精确．这表明本文算法是一种有效的脑胶质瘤自动分割算法．     

基于MRI和深度学习的桥小脑角区脑膜瘤与听神经瘤分类算法研究

桥小脑角区脑膜瘤与听神经瘤是两种常见的脑部肿瘤，它们的临床表现和影像学表现极为相似，在临床诊断时极易发生误诊．将影像数据与深度学习方法相结合，建立脑膜瘤与听神经瘤的判别模型，可以为两种脑肿瘤的及时准确诊断提供重要手段．本文采集了307名脑肿瘤患者的T₁W-SE序列图像，通过对原始图像进行限制对比度自适应直方图均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE）等预处理，提升数据集图像质量，再经过建立的三维卷积神经网络（3-Dimensional Convolutional Neural Network，3D CNN）深度学习框架中图像特征的学习，实现对脑膜瘤与听神经瘤的分类．图像增强参数与网络结构参数经过优化后，对脑膜瘤与听神经瘤分类的准确率达到0.918 0，曲线下面积（Area Under Curve，AUC）为0.913 4，实现了对桥小脑角区脑膜瘤与听神经瘤的有效判别．     

Automatic knee cartilage segmentation from multi-contrast MR images using support vector machine classification with spatial dependencies

Accurate segmentation of knee cartilage is required to obtain quantitative cartilage measurements, which is crucial for the assessment of knee pathology caused by musculoskeletal diseases or sudden injuries. This paper presents an automatic knee cartilage segmentation technique which exploits a rich set of image features from multi-contrast magnetic resonance (MR) images and the spatial dependencies between neighbouring voxels. The image features and the spatial dependencies are modelled into a support vector machine (SVM)-based association potential and a discriminative random field (DRF)-based interaction potential. Subsequently, both potentials are incorporated into an inference graphical model such that the knee cartilage segmentation is cast into an optimal labelling problem which can be efficiently solved by loopy belief propagation. The effectiveness of the proposed technique is validated on a database of multi-contrast MR images. The experimental results show that using diverse forms of image and anatomical structure information as the features are helpful in improving the segmentation, and the joint SVM-DRF model is superior to the classification models based solely on DRF or SVM in terms of accuracy when the same features are used. The developed segmentation technique achieves good performance compared with gold standard segmentations and obtained higher average DSC values than the state-of-the-art automatic cartilage segmentation studies.     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

基于3D VNetTrans的膝关节滑膜磁共振图像自动分割

膝关节是类风湿性关节炎（Rheumatoid Arthritis,RA）常见累及关节,膝关节滑膜的精准分割对RA诊断和治疗有重要影响,本文提出了一种基于VNet网络的改进算法对膝关节滑膜磁共振图像进行自动分割．首先对39名滑膜炎患者的膝关节磁共振图像进行数据预处理,通过将Transformer编码器嵌入VNet网络底部的方式构建VNetTrans网络,使用MemSwish激活函数进行训练. 最终模型平均Dice系数为0.758 5,HD为24.6 mm;相较于VNet,Dice系数提升0.083 6,HD距离减少10 mm．实验结果表明,该算法可对膝关节磁共振图像中滑膜增生区域实现较好的3D分割,具有诊断和监测RA发展过程的应用价值．