检索结果-南通市图书馆

基于3d u-net实现人体耳软骨MRI图像的解剖结构分割

在线全文

学校读者我要写书评

暂无评论

中国生物医学工程学报 2021年第5期40卷 531-539页

作者：孙若凡张唯唯中国医学科学院基础医学研究所北京协和医学院基础学院医学分子生物学国家重点实验室北京100005

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3d生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3d u-net提出改进的网络模型,能... 详细信息

自体肋软骨雕刻法是目前治疗先天性小儿畸形的临床标准疗法,而耳软骨组织工程和3d生物打印是有前景的治疗方案。可是,这些治疗方案的核心—(复合物)支架构造缺乏基于医学图像的耳软骨自动分割方法。基于3d u-net提出改进的网络模型,能够实现MRI图像的人体耳软骨解剖结构的自动分割。该网络模型结合残差结构和多尺度融合等设计,在减少网络参数量的同时实现12个耳软骨解剖结构的精确分割。首先,使用超短回波时间(uTE)序列采集40名志愿者单侧外耳的MRI图像;然后,对所采集的图像进行预处理、耳软骨和多解剖结构手动标注;接下来,划分数据集训练改进的3d u-net模型,其中32例数据作为训练集、4例为验证集、4例为测试集;最后,使用三维全连接条件随机场对网络输出结果进行后处理。模型经过10折交叉验证后,耳软骨12个解剖结构的自动分割结果的平均dice相似度系数(dSC)和平均95%豪斯多夫距离(Hd95)分别为0.818和1.917,相比于使用基础的3d u-net模型,dSC指标分别提高6.0%,Hd95指标降低了3.186,其中耳软骨关键结构耳轮和对耳轮的dSC指标达到了0.907和0.901。实验结果表明,所提出的深度学习方法与专家手动标注两者之间的结果非常接近。在临床应用中,根据患者健侧uTE核磁图像,本研究提出的方法既可以为现有自体肋软骨雕刻法快速、自动生成三维个性化雕刻模板,也可以为组织工程或者3d生物打印技术构建耳软骨复合物支架提供高质量的可打印模型。

关键词：耳软骨超短回波时间 3d u-net 自动分割

基于3d u-net的宫颈癌近距离治疗剂量分布预测

在线全文

学校读者我要写书评

暂无评论

中华放射医学与防护杂志 2022年第8期42卷 611-617页

作者：罗锐刘明哲温爱萍晏川钧罗静月王培黎杰王先良成都理工大学核技术与自动化控制学院成都614000 四川省肿瘤医院•研究所放疗科放射肿瘤学四川省重点实验室成都610041

目的基于三维(3d)u-net深度学习模型,建立预测CT引导下宫颈癌近距离治疗计划的3d空间剂量分布。方法2021年4-9月收集114例宫颈癌患者三维近距离放疗计划(处方剂量6 Gy)组成数据集,按84∶11∶19划分为训练集、验证集、测试集。利用3d u-... 详细信息

目的基于三维(3d)u-net深度学习模型,建立预测CT引导下宫颈癌近距离治疗计划的3d空间剂量分布。方法2021年4-9月收集114例宫颈癌患者三维近距离放疗计划(处方剂量6 Gy)组成数据集,按84∶11∶19划分为训练集、验证集、测试集。利用3d u-net模型进行500次(epoch)训练,分别评估测试集病例体素级的平均剂量偏差(Mdd)与绝对剂量偏差(MAdd)、等剂量面包围体积的戴斯系数(dSC)、处方剂量适形度指数(CI)、高危临床靶区(HRCTV)的d_(90)和平均剂量d_(mean)、膀胱、直肠、小肠、结肠的d_(1 cm^(3))与d_(2 cm^(3))剂量学参数。结果测试集中19例患者的3d剂量矩阵Mdd与MAdd分别为-0.01±0.03和(0.04±0.01)Gy。50%到150%处方剂量的dSC在0.89到0.94之间,处方剂量CI为0.70±0.04。HRCTV的d90的平均偏差为2.22%,d_(mean)的偏差为-4.30%。膀胱、直肠、小肠、结肠的d_(1 cm^(3))与d_(2 cm^(3))最大偏差分别为2.46%和2.58%。模型预测平均耗时2.5 s。结论本研究实现了一种基于3d u-net的预测宫颈癌3d剂量分布的深度学习模型,为宫颈癌近距离治疗自动化设计奠定基础。

关键词：宫颈癌近距离放疗剂量预测剂量分布 3d u-net

基于3d u-net和dTI模型约束的扩散张量场估计方法

在线全文

学校读者我要写书评

暂无评论

南方医科大学学报 2023年第7期43卷 1224-1232页

作者：麦兆华李嘉龙冯衍秋张鑫媛南方医科大学生物医学工程学院广东省医学图像处理重点实验室广东省医学成像与诊断技术工程实验室广东广州510515

目的为从少量的低信噪比扩散加权(dW)图像中估计得到准确的扩散张量成像(dTI)量化参数,本文提出一种基于3d u-net和dTI模型约束的扩散张量场估计网络(3d dTI-unet)。方法3d dTI-unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅... 详细信息

目的为从少量的低信噪比扩散加权(dW)图像中估计得到准确的扩散张量成像(dTI)量化参数,本文提出一种基于3d u-net和dTI模型约束的扩散张量场估计网络(3d dTI-unet)。方法3d dTI-unet的输入为有噪声的扩散磁共振成像(dMRI)数据(包含1幅非扩散加权图像与6幅不同扩散编码方向的dW图像),通过3d u-net网络预测得到降噪后的非扩散加权图像以及准确的扩散张量场,并通过dTI模型重建得到dMRI数据,将其与dMRI数据的真实值进行比较来优化网络,从而保证dMRI数据与扩散张量场的物理模型一致性。为验证所提方法的有效性,与Marchenko-Pastur主成分分析(MP-PCA)和基于全局指导下的局部高阶奇异值分解(GL-HOSVd)这两种扩散加权图像去噪算法进行实验对比。结果从dW图像、扩散张量场以及dTI量化参数的定量分析结果以及视觉效果来看,所提方法均优于MP-PCA与GL-HOSVd。结论本文所提方法能够从1幅非扩散加权图像和6幅dW图像得到准确的dTI量化参数,可减少临床采集时间,提高临床量化诊断的可靠性。

关键词：扩散张量成像张量场估计 3d u-net Rician噪声图像去噪

维普期刊数据库博看期刊

同方期刊数据库

基于深层多尺度聚合3d u-net的肾脏与肾肿瘤分割方法

在线全文

学校读者我要写书评

暂无评论

天津工业大学学报 2023年第6期42卷 84-90页

作者：张芳郝思敏耿磊天津工业大学生命科学学院天津300387 天津工业大学电子与信息工程学院天津300387 天津工业大学天津市光电检测技术与系统重点实验室天津300387

针对电子计算机断层扫描(CT)图像中肾肿瘤形态复杂多变、肿瘤目标小、肿瘤边缘复杂等问题,提出了深层多尺度聚合3d u-net网络分割模型。该模型在u-net++基础上新增了3个下采样操作,利用密集嵌套的3d u-net和解码器层的跳跃连接以及各层... 详细信息

针对电子计算机断层扫描(CT)图像中肾肿瘤形态复杂多变、肿瘤目标小、肿瘤边缘复杂等问题,提出了深层多尺度聚合3d u-net网络分割模型。该模型在u-net++基础上新增了3个下采样操作,利用密集嵌套的3d u-net和解码器层的跳跃连接以及各层级3d u-net子网络之间的跳跃连接,促进各个层级和各个尺度的特征信息融合,增强了对细节特征的提取能力,从而提升了对小尺度肾肿瘤和肿瘤边缘的分割精度。实验结果表明:该模型能够准确分割边缘复杂以及尺度较小的肾肿瘤,在KiTS19公开数据集上进行评估,本文模型对肾脏分割的dise系数为0.968 2,对肿瘤分割的dise系数为0.790 8,分割性能良好。

关键词：肾肿瘤自动分割 CT图像 3d u-net 深层多尺度聚合

Brain Tumor Segmentation of HGG and LGG MRI Images using WFL-Based 3d u-net

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

Journal of Biomedical Science and Engineering 2022年第10期15卷 241-260页

作者： Ahliddin Shomirov Jing Zhang Mohammad Masum Billah School of Information Science and Engineering University of Jinan Jinan China Shandong Provincial Key Laboratory of network-Based Intelligent Computing Jinan China

The semantic segmentation of a brain tumor is the essential stage in medical treatment planning. due to the different characteristics of tumors, one of the main difficulties in image segmentation is the severe imbalance between classes. Also, a dataset with imbalanced classes is a common problem in multimodal 3d brain MRIs. despite these problems, most studies in brain tumor segmentation are biased toward the overrepresented tumor class (majority class) and ignore the small size tumor class (minority class). In this paper, we propose an improved loss function Weighted Focal Loss (WFL), based on 3d u-net to enhance the prediction of brain tumor segmentation. using our proposed loss function (WFL) solves the imbalance between classes and the imbalance between weights by giving higher weights to the minority and lower weights to the majority. After assigning these weights to different pixel values, our work is able to resolve pixel degradation, which is one of the limitations of the loss function during model training. Based on our experiments, the proposed function (WFL) on the 3d u-net model for high-grade glioma (HGG) and low-grade glioma (LGG) in the Brain Tumor Segmentation Challenge (BraTS) 2019 dataset has shown promising results for tumor core (TC), whole tumor (WT) and enhanced tumor (ET) with average dice scores of HGG: 0.830, 0.913, 0.815 and dice scores of LGG for TC: 0.731, WT: 0.775 and ET: 0.685. Moreover, we deployed our training on BraTS 2020 in which we obtained mean dice scores of HGG: TC: 0.843, WT: 0.892, ET: 0.871 and dice scores of LGG: 0.7501, 0.7985, 0.6103 for TC, WT and ET, respectively.

关键词： Brain Tumor Segmentation 3d u-net WFL HGG and LGG

基于3d u-net的胸部CT脊柱成像皮质分离

维普期刊数据库评论

在线全文

维普期刊数据库

学校读者我要写书评

暂无评论

临床放射学杂志 2023年第4期42卷 639-644页

作者：余海涛姚倩倩谢小峰李珊珊邱慧施则人王平陈颜真秦健海南大学机电工程学院海口570228 山东第一医科大学第二附属医院影像科泰安271000 杭州时迈智能技术有限公司 310000 医智源健康科技(杭州)有限公司杭州310000

目的对胸部CT脊柱成像进行皮质分离,分割出皮质骨区域并进行后续诊断分析,计算出其厚度、周长、体积等形状信息,能更好地观察皮质骨厚度的变化趋势,判断是否有骨质疏松症的风险,辅助医师提升诊断效率。方法基于以上需求,将采集到的227... 详细信息

目的对胸部CT脊柱成像进行皮质分离,分割出皮质骨区域并进行后续诊断分析,计算出其厚度、周长、体积等形状信息,能更好地观察皮质骨厚度的变化趋势,判断是否有骨质疏松症的风险,辅助医师提升诊断效率。方法基于以上需求,将采集到的227例三维图像按7∶2∶1分为训练集、验证集和测试集,利用深度学习与CT扫描图像相结合。通过实验对比3d u-net、Res u-net、Ki u-net和Seg net之间的优劣,最终选择3d u-net深度网络作为分割方法。该网络包含了编码部分和一个对应的解码部分,编码部分用于分析整张图像并进行特征提取与分析,解码部分则对应生成一张分割好的块状图。结果3d u-net在验证集上的dice相似系数达到了0.7433,测试集上达到了0.7263,优于其他三种方法。结论3d u-net方法能够有效地分割皮质骨。

关键词：脊柱成像皮质分离 3d u-net 深度学习分割

基于3d u-net底层特征和边缘检测的肺结节可视化研究

在线全文

学校读者我要写书评

暂无评论

基于3D U-Net底层特征和边缘检测的肺结节可视化研究

作者：来永超山东大学

学位级别：硕士

肺癌是在全球癌症发病率最高的癌症之一。在肺癌的早期筛查中,对肺结节进行可视化有助于肺癌的精确诊断。近年来,深度学习技术已经被广泛用于肺结节检测、分割、诊断等各个任务中,并且肺结节的诊断离不开对肺结节边缘特征和形态特征的... 详细信息

肺癌是在全球癌症发病率最高的癌症之一。在肺癌的早期筛查中,对肺结节进行可视化有助于肺癌的精确诊断。近年来,深度学习技术已经被广泛用于肺结节检测、分割、诊断等各个任务中,并且肺结节的诊断离不开对肺结节边缘特征和形态特征的准确提取与可视化。为了解决肺结节可视化存在边缘和形态特征提取不充分的问题,本文开展了基于深度学习和边缘检测的肺结节可视化研究,并在公开的LIdC-IdRI数据集上进行验证。肺部CT图像是筛查肺部相关疾病的重要依据。利用基于深度学习的图像分割技术可以从肺部CT图像中提取肺结节的完整结构。通过分析基于深度学习技术的肺结节分割模型中各个卷积层提取的特征,发现深度学习模型的前两层卷积运算通常会提取一些图像的低级特征,例如图像的边缘、形态以及纹理特征等。由于这些低级特征有助于肺结节形态信息的提取,而且经典的边缘检测算法能够有效地提取肺结节边缘信息。为了充分发挥深度学习和经典边缘检测算子在肺结节形态和边缘特征提取方面的优势,本文提出一种融合深度学习模型底层特征和传统边缘检测算法的肺结节可视化方法。由于3d u-net模型存在跳跃连接的信息传递方式,能够保证物体边缘的精确分割,已经广泛应用于3d肺结节分割任务中。本文利用3d u-net底层特征信息和传统边缘检测算子开展对肺结节进行可视化分析研究。首先,应用3d u-net深度学习网络在LIdC-IdRI数据集上对肺结节进行分割处理,得到3d u-net前两层卷积运算的计算结果。其次,将该结果进行二值化处理,并使用腐蚀膨胀算法消除二值化图像中的非肺结节区域。然后,将肺结节二值化区域处理结果与肺结节原图像对应元素相乘,使CT图像中非肺结节部分像素置为0,从而得到只包含肺结节主体的图像O。再次,使用边缘检测算子处理肺结节原图像,得到包含肺结节边缘信息的结果图像E。最后,采用融合算法将图像O和图像E进行融合处理,最终获得肺结节可视化图像。由于肺结节可视化分析研究没有形成定量的统一评估指标,为了评估本文提出的肺结节可视化方法的有效性,设计了评分调查问卷(评分区间为[0,10])。并邀请了 26位在肺部CT图像处理领域的硕博研究生及医生填写该问卷。结果显示,融合深度学习模型底层特征和传统边缘检测算法的肺结节可视化方法能够获得8.74的平均分,证明了本研究提出的肺结节可视化方法的有效性。此外,为了更直观地显示肺结节可视化结果,采用PyQt5开发技术设计了简化版的肺结节可视化软件,有利于提高肺结节辅助诊断工作的效率。

关键词：肺结节可视化 CT图像 3d u-net 边缘检测腐蚀和膨胀算法

基于级联3d u-net的脑部小器官CT-MRI多模态自动分割方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于级联3D U-Net的脑部小器官CT-MRI多模态自动分割方法

作者：沈镇炯中国科学技术大学

学位级别：硕士

精准可靠的危及器官分割是制定放疗计划的一个必备条件。但是,传统的手工分割非常耗时,而且准确性受医生个体经验所限,因此危及器官的自动分割逐渐受到广泛关注。视交叉、视神经等脑部软组织器官由于体积小、在CT（Computed Tomography... 详细信息

精准可靠的危及器官分割是制定放疗计划的一个必备条件。但是,传统的手工分割非常耗时,而且准确性受医生个体经验所限,因此危及器官的自动分割逐渐受到广泛关注。视交叉、视神经等脑部软组织器官由于体积小、在CT（Computed Tomography）图像中对比度低等原因,在目前的自动分割方法中分割精度不高。因此,本硕士论文目的是研究一种分割精度高的脑部小器官多模态CT-MRI（Magnetic Resonance Image）自动分割方法。为实现该研究目的,本硕士科研项目包括以下两项任务:（1）收集配对CT-MRI数据,进行弹性配准后交付医生勾画,对配对数据进行CT去除床板及热塑面罩、重采样、MRI偏置场校正和图像强度区间统一等数据预处理,生成配对CT-MRI训练集与测试集。（2）搭建基于原始3du-net的定位网络,用于定位裁剪预处理后的配对CT-MRI图像,以获取较小尺寸的配对CT-MRI图像;在原始3d u-net基础上,添加残差机制和深度监督机制,改进下采样方式得到分割网络,并以定位网络的结果作为训练集,最终得到脑部小器官的精确分割结果。本研究从安徽医科大学第一附属医院共收集60例头颈部配对CT-MRI数据,对其进行预处理得到包含45例CT-MRI数据的训练集和15例CT-MRI的数据测试集。利用级联3d u-net网络进行训练模型,并对测试集进行测试,左右眼球、左右晶体、左右视神经和视交叉的dSC（dice Similarity Coefficient）± Sd（Standard deviation）分别为 87.62±2.56、87.54± 3.51、74.60±7.90、79.85±3.80、80.39±7.12、77.47±9.16。视神经、晶体和视交叉的dSC通过定位裁剪得到了 5.4%～11.8%的提升,视交叉的dSC通过采用多模态数据策略比单模态（仅CT）数据策略提高了 13.8%。结果表明本硕士论文提出的多模态自动分割方法能有效提升脑部小器官的自动分割精度,以视交叉为典型的脑部小器官在采用多模态数据策略比仅采用单模态数据策略得到了更好的分割精度,多模态自动分割方法未来有望在临床应用。

关键词： 3d u-net 脑部小器官自动分割多模态

基于改进的3d u-net小腿MRA动静脉分割

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的3D U-Net小腿MRA动静脉分割

作者：郭铭语西安电子科技大学

学位级别：硕士

随着深度学习在医疗影像处理中的发展,深度学习方法已经成为医学成像领域应用中辅助诊疗的工具之一。腿部疾病最佳的成像方式是具有高分辨率的MRA图像,准确的小腿动静脉分割对小腿动脉疾病的评估至关重要。MRA数据的人工分割需要大量的... 详细信息

随着深度学习在医疗影像处理中的发展,深度学习方法已经成为医学成像领域应用中辅助诊疗的工具之一。腿部疾病最佳的成像方式是具有高分辨率的MRA图像,准确的小腿动静脉分割对小腿动脉疾病的评估至关重要。MRA数据的人工分割需要大量的人力资源,增加了医生阅片工作量。本文拟解决上述问题,基于两种成熟的深度学习网络进行了改进,分别在小腿动静脉MRA数据集PAVES上进行了对小腿动静脉的分割任务。首先,本文分三步对PAVES数据集进行了数据准备和预处理,第一,由于PAVES挑战数据集不带有标签,无法进行深度学习训练,所以本文联合相关专家对PAVES数据集进行人工标记,生成带标记的PAVES挑战数据集;第二,MRA图像数据中的低频强度不均匀现象,会降低分割性能,因此本文使用N4偏置场校正算法对其进行校正;第三,PAVES数据集中的数据含有较多的背景冗余,本文对数据集中多余的背景部分进行一定规则的裁剪,裁剪后的体积尺寸减小了60%左右,有利于加快训练。其次,由于目前基于端对端的3d u-net网络,取得了很好的效果,本文将3d unet网络结构成功应用于小腿动静脉分割任务,并提出了一种改进的两阶段的3d uVnet网络结构。该结构包括两个子网络,每个子网络都由编解码结构组成,其中net1基于3d u-net网络结构进行改进,用于进行目标粗分割;net 2基于3d V-net网络结构进行改进,并引入残差结构,以对目标进行精细分割。在该网络中,本文改进了一种联合损失函数并通过对比实验验证了其有效性。本文的3d uV-net网络较其两个子网络具有更高的分割精度。然后,由于在上述实验中,发现由于3d u-net网络参数量大且受到硬件条件的限制,导致训练时间长,分割精度尚无法达到辅助诊疗的问题,本文又基于densenet网络结构的思想,提出了一种改进的包含跳跃连接和条件随机场的densenet-SC网络结构。该网络同样包含编码和解码两条路径,在编码路径上采用多级密集块来获得多尺度特征,解码路径使用上采样代替反卷积,大大降低了网络的参数量,在编解码路径之间引入跳跃连接将浅层特征与深层特征相结合,可以获得更详细的分割结果。由于相邻体素大量上下文信息的共享,导致分割结果趋于平滑,本文引入了条件随机场对分割结果的边缘进行优化处理。本文的densenet-SC网路在小腿动静脉分割任务中表现出了较优异的性能。最后,本文在PAVES数据集上进行训练和测试,并进行了一系列的对比实验。3d uV-net主网络与子网络的对比实验表明,主网络相较于其两个子网络拥有更多的参数量和训练时长,但是可以取得更好的分割结果;densenet-SC网络的对比实验对分割结果进行了评估,验证了条件随机场对分割结果进行优化策略的有效性。最终,densenet-SC网络较3d uV-net网络在PAVES数据集上的分割精度提高了53%左右。

关键词： MRA 3d u-net densenet 条件随机场 dice相似性系数