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.     

基于小波滤波的低场NMR纤维上油率检测新方法

针对目前低场核磁共振纤维上油率检测存在的问题,提出了一种基于小波变换的纤维上油率检测新方法. 首先,用低场核磁共振采集标准纤维自由感应衰减信号进行线性拟合得到定标曲线;然后,用测试纤维采集多组叠加次数不同的核磁共振信号,并分别进行小波软阈值滤波;最后,将滤波后的多组结果代入定标曲线计算纤维的上油率. 检测结果和实际应用表明小波软阈值滤波可有效去除纤维FID信号中的噪声并大幅缩短检测时间. 此方法可为低场核磁共振纤维上油率快速、准确检测奠定基础.     

b值范围对6种体部扩散模型在前列腺应用的影响评估

论文研究了不同b值采集范围对6种体部扩散模型定量参数计算的影响．研究涉及扩散模型包含单指数模型(Mono)、扩散峰度成像(DKI)、体素内非相干运动模型(IVIM)、扩散拉伸指数模型(SEM)、分数微积分模型(FROC)和随机游走模型(CTRW),b值范围0～2 500 s/mm²．通过扩散模型参数之间的相关性、t检验以及前列腺病灶良恶性鉴别能力三个维度,评估了不同b值采集范围对参数计算的影响．结果显示与参考采样方案相比,随着最大b值降低,所得同一扩散参数感兴趣区域(ROI)均值的差异逐渐增大,但相关性降低不明显,且前列腺病灶良恶性的鉴别能力也保持相似水平．基于实验结果,建议在临床实践中采用b值范围为0～1 500 s/mm²的采集方案．这一方案在具备较高采集效率的同时,一半以上参数与参考采样方案结果的相关性不低于0.98,且良恶性鉴别能力指标曲线下面积(AUC)值的差别小于0.01．此外,不同扩散模型对于b值方案的敏感性存在差异,其中SEM和CTRW模型的参数受b值范围的影响相对较小．     

传统解剖学特征与深度学习相结合的肺叶分割算法

CT图像中肺叶位置的确定对于肺部疾病的准确定位以及定性定量分析具有重要意义。为了提高肺叶自动分割准确率,提出了一种结合气管,血管等传统解剖学特征以及深度学习的肺叶分割算法。对原始图像进行预处理,获取肺实质、气管、血管以及基于深度学习网络的肺裂分割结果;整合来自多个解剖结构的信息生成分水岭分割所需成本图像;通过基于深度学习网络的肺叶粗分割结果,获取肺叶标记区域;执行基于标记的分水岭分割,实现肺叶的自动分割。选取了来自上海市肺科医院的20例含有肺部疾病患者的CT图像对该方法进行验证,最终的Jaccard相似性系数为92.4%。实验结果表明方法具有较高的肺叶分割精度,并且具有较强的鲁棒性。     

低场核磁共振扩散-横向弛豫二维反演算法

针对低场核磁共振一维反演中无法分辨一维谱中重叠组分和目前报道的扩散-横向弛豫二维反演算法计算量大、计算耗时长的问题,提出了一种计算量小、计算效率高、耗时短的扩散-横向弛豫二维反演算法. 首先对扩散系数D-和横向弛豫时间T₂进行布点;其次根据信号采集条件计算出两个核心矩阵,并分别进行奇异值分解;然后,由所采集信号计算出两个核心矩阵的奇异值截断值,分别对两个核心矩阵的奇异值矩阵进行截断并求其逆矩阵;最后计算出初始反演结果,并添加非负约束经过多次迭代得到最终反演结果. 实验结果证明,提出的扩散-横向弛豫二维反演算法在不影响反演结果准确性的基础上,能极大提高计算效率.     

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.     

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.     

基于多模态MRI与深度学习的乳腺病变良恶性鉴别

为提高基于动态增强磁共振成像（DCE-MRI）的计算机辅助（CAD）方法对乳腺病变良恶性鉴别的精度,本文基于多模态特征融合,提出一种联合非对称卷积和超轻子空间注意模块的卷积神经网络AC_Ulsam_CNN.首先,采用迁移学习方法预训练模型,筛选出对乳腺病变良恶性鉴别最为有效的DCE-MRI扫描时序.而后,基于最优扫描时序图像,搭建基于AC_Ulsam_CNN网络的模型,以增强分类模型的特征表达能力和鲁棒性.最后,将影像特征与乳腺影像数据报告和数据系统（BI-RADS）分级、表观扩散系数（ADC）和时间-信号强度曲线（TIC）类型等多模态信息进行特征融合,以进一步提高模型对病灶的预测性能.采用五折交叉验证方法进行模型验证,本文方法获得了0.826的准确率（ACC）和0.877的受试者工作曲线下面积（AUC）.这表明该算法在小样本量数据下可较好区分乳腺病变的良恶性,而基于多模态数据的融合模型也进一步丰富了特征信息,从而提高病灶的检出精度,为乳腺病灶良恶性的自动鉴别诊断提供了新方法.