基于COLLATE融合多图谱的心脏电影MRI右心室分割

右心室分割对肺动脉高压等疾病的心功能分析具有重要的临床意义.然而，右心室心肌薄、易变且不规则，其传统的医学图像分割方法仍然未能取得突破性进展.本文提出基于COLLATE（Consensus Level，Labeler Accuracy and Truth Estimation）的多图谱分割方法，首先以归一化互信息为相似测度对目标图像和图谱集进行B样条配准以获取粗分割结果；然后利用COLLATE对粗分割结果进行融合；最后采用基于形状约束的区域生长算法修正出现错误的数据.10例临床心脏磁共振短轴电影图像被用于算法验证.本文还将使用基于COLLATE的多图谱分割方法得到的结果与深度学习算法及手动分割进行了比较.结果显示与深度学习算法比较，使用本文算法得到的射血分数（Ejection Fraction，EF）与手动分割更加一致和相关，表明该算法的分割结果有望辅助临床心脏功能诊断.     

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.     

融合t-分布随机邻域嵌入与自动谱聚类的脑功能精细分区方法

本文针对目前脑功能分区不够准确的问题，基于静息态功能磁共振数据，提出了一种融合t-分布随机邻域嵌入（t-SNE）与自动谱聚类（ASC）的人脑功能精细分区的算法.首先，基于静息态功能磁共振图像，对需功能划分的脑区与全脑的时间序列作相关分析，得到需划分脑区的功能连接模式；然后，利用t-SNE算法提取高维功能连接模式特征；最后，通过基于本征间隙的ASC算法自动确定聚类数目，并对降维后的脑区特征分类，得到精细划分的脑亚区.模拟种子区域上的实验结果表明，相较谱聚类算法，以及结合主成分分析的谱聚类算法，本文方法对脑功能体素划分更优.进一步将本方法应用到真实人脑的功能分区中，成功地将海马旁回分为左右半球各3个亚区.本研究表明使用t-SNE与ASC融合的算法可提高脑功能分区准确性，是脑功能精细分区、进而构建脑功能图谱的一种有效方法.     

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.     

基于新型支持向量机的影像组学在肝脏结节分类中的应用

肝癌是最常见的恶性肿瘤之一,亚洲地区最为常见的肝癌演变过程为肝炎-肝硬化结节-异型增生结节-肝细胞性肝癌．判断肝脏结节在演变过程所处分期,并采取干预措施,对降低肝癌的发生率非常关键．本文针对影像组学提出了更精确的支持向量机（SVM）分类算法——LFOA-F-SVM,用于对120名患者的腹部动态增强磁共振图像的肝脏结节进行四分类．该算法利用了考虑半径与几何间距的F-SVM,并结合莱维飞行策略（LF）的果蝇优化算法（FOA）寻求超参．为了验证方法的有效性,本文另外添加了5个UCI分类数据集（心脏、帕金森疾病、虹膜、葡萄酒和动物园）,并与SVM、PSO-SVM、FOA-SVM、F-SVM进行比较．结果表明,在6个分类数据集（包括肝脏结节数据集和5个UCI分类数据集）中,相对于其他分类算法,LFOA-F-SVM的分类准确率最高,在肝脏结节数据集中的四分类精确率和查全率也较高．     

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.