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。     

对称归一化配准的多图谱大脑扩散张量图像分割

基于磁共振T1成像的全脑区分割方法及其在临床上的应用已经有较为广泛的研究,磁共振扩散张量成像凭借其在脑白质神经纤维束成像上的优势,近年来围绕扩散张量成像的理论和应用研究发展很快,针对扩散张量成像的脑区分割研究就成为一个必须要解决的问题.图像配准是精确实现脑区分割的重要技术步骤,传统的配准方法未考虑到图像的形变大小对配准...     

基于深度学习的医学图像配准研究进展

图像配准是图像引导手术、图像融合、器官图谱生成、肿瘤和骨骼生长监测等临床任务应用的关键技术,也是一个极具挑战性的问题。近年来,深度学习技术对医学图像处理方法的研究产生重要的影响,在医学图像配准领域发展迅速。对使用深度学习技术实现医学图像配准的研究进行综述,首先按照深度学习模型将医学图像配准方法分为3类,包括监督、弱监督和无监督医学图像配准;然后分别介绍国内外研究进展,并总结这些研究方法的优缺点;在此基础上,阐述常用的深度学习配准框架以及评价标准,并总结常用的开源医学影像数据集;最后对深度学习技术在医学配准图像领域中存在的问题进行分析,展望未来发展的方向。     

基于MRI影像组学的BI-RADS 3-5类乳腺病变三分类

医生根据磁共振影像征象对患者的乳腺病变程度进行BI-RADS分类评估时存在一定的主观性,且 BI-RADS 3-5类病变的良恶性存在交叉,在临床诊断时极易发生因诊断类别较高而造成不必要的有创治疗．针对这些问题,本文应用影像组学技术对乳腺的T₁加权（T1W）和动态对比增强（DCE）磁共振图像进行特征提取和融合,采用最小绝对收缩和选择算子（LASSO）算法筛选出各特征集的最优特征集,并分别使用支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）及逻辑回归（LR）算法进行BI-RADS 3-5类乳腺病变三分类,并且在此基础上实现乳腺良恶性分类．结果显示基于特征融合的四个影像组学模型对乳腺病变BI-RADS 3-5类的分类准确率分别为81.25%、87.50%、78.38%、81.25%;对乳腺病变良恶性鉴别的准确率分别为90.91%、93.55%、92.73%、94.55%. 这表明MRI影像组学结合机器学习的算法对乳腺病变BI-RADS分类效果及良恶性鉴别效果均较好,且特征融合可进一步提高分类预测的准确率．     

基于两组同心圆环点的双目摄像机标定方法研究

在研究传统摄像机标定原理及方法的基础上,提出了一种新的基于同心圆环点模板的双目摄像机标定方法。该方法仅要求摄像机摄取任一方位包含所有25个同心圆环点的所设计模板的一幅图像,即可根据射影几何内秉的约束条件和左右图像的视差完成对双目摄像机焦距、基线距离和光心位置等参数的标定,且不需要进行图像的畸变校正与匹配。实验表明,该双目摄像机的标定方法具有较高的精度和效率,可以方便、迅速地实现双目摄像机的标定。     

基于线扫方式的静压气浮激光点云数据扫描误差修正方法研究

为了修正静压气浮激光点云数据扫描误差,提出了一种基于不同扫描速度下所采集的点云数据,通过最小二乘法分区间建立误差预测模型实现对相应误差修正的新方法。实验结果表明,静压气浮三维测量仪的测量精度随气浮导轨扫描速度变化在特定范围内基本呈二次曲线变化关系,该误差修正方法能够快速、准确地实现静压气浮激光点云数据扫描误差的修正,具有较大的适用性和实际参考价值。     

一个新的非典型性肺炎模型及其分析

建立了一个新模型.它能很好的反映SARS病的特点,并且简单易算.在新模型中定义了一个重要的新参数θ,它反映了下一代感染者数量的变化.该模型具有很好的实用价值.应用这个模型建立了SARS病传播的一种预测方法,可以准确的预测若干天后的疾病传播情况;建立了参数的测定方法,并利用北京的数据进行了计算;对于我国早期数据缺失的情况提出了相应的处理方法;分析了毒王的特性并提出了判别标准.     

基于磁共振成像的人脑图谱构建方法研究进展

基于磁共振成像的脑图谱构建对于脑与认知科学的研究非常重要,借助脑图谱,研究者可以精确地分析比较不同的脑影像数据,然而目前尚没有比较统一的标准脑图谱.本文针对基于磁共振成像的脑图谱构建方法进行概述,首先介绍了人脑图谱构建的发展进程,阐述脑图谱构建中需解决的技术问题及其局限性;然后着重描述了构建脑图谱的基本方法;最后论述了应用脑图谱进行精确定量分析的统计学方法,包括基于体素的形态学测量分析法和基于纤维束示踪的空间统计分析法,并较深入地比较了两种方法的差异和近期研究进展.通过分析目前研究现状,本文总结了脑图谱构建研究中的主要方法及不足,并就该领域未来的研究进展进行了展望.     

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。     

基于水平集的牙齿牙槽骨图像分割

口腔锥形束计算机断层扫描（Cone Beam Computed Tomography,CBCT）图像中牙齿及牙槽骨的分割对骨性结构的三维重建提供了基础,是实现牙齿牙槽骨三维可视化的必要步骤.本文根据牙齿及牙槽骨特点,将一种改进的势阱函数与水平集模型结合,克服以往势阱函数在部分区域出现“停止演化”或“过快演化”的缺陷,并将其应用在对牙齿牙槽骨的分割当中.采用多次小方差高斯滤波叠加的方式对图像进行序贯滤波预处理,解决单一方差高斯滤波难以有效滤除CBCT图像中噪声的问题,为准确分割提供了条件;基于序列图像相邻两张图片中同一牙齿的轮廓变化不大这一特点,以当前层的分割结果作为下一层曲线演化的初始轮廓,使得用更少的迭代次数得到相同结果,从而提高分割速度.另外,本文还将该算法应用于口腔磁共振图像中,并成功对单颗牙齿进行了分割.