【摘 要】
：
胸腹部是人体疾病的高发部位,胸腹部CT图像可被用于诊断胸腹部的骨骼类和血管类等疾病。设计一种自动分割方法将胸腹部CT图像中的多种骨骼分割出来具有重要意义,分割出的骨骼不仅可以直接用于CT骨分析项目,服务于骨骼三维阅片诊断、骨科手术规划等;而且可以用于CT血管分析项目中的去骨操作,满足血管显示和定位等需求。目前传统图像分割方法对胸腹部CT图像骨骼分割的精度不高,且很难将骨骼的类别进行细分。深度学习的
【基金项目】
：
上海联影医疗科技有限公司（United Imaging）与华中科技大学医学图像信息研究中心（Center for Biomedical Imaging and Bioinformatics,CBIB）的合作项目；
论文部分内容阅读
胸腹部是人体疾病的高发部位,胸腹部CT图像可被用于诊断胸腹部的骨骼类和血管类等疾病。设计一种自动分割方法将胸腹部CT图像中的多种骨骼分割出来具有重要意义,分割出的骨骼不仅可以直接用于CT骨分析项目,服务于骨骼三维阅片诊断、骨科手术规划等;而且可以用于CT血管分析项目中的去骨操作,满足血管显示和定位等需求。目前传统图像分割方法对胸腹部CT图像骨骼分割的精度不高,且很难将骨骼的类别进行细分。深度学习的方法可以自动提取图像特征,实现较高的分割精度。因此,针对胸腹部CT图像的特点,提出了一种基于多模型融合的骨骼分割方法。该方法可以将胸腹部CT图像中的骨骼分为13个类别。方法首先对数据进行预处理以降低无关因素的干扰。之后会将数据送入3个模型中进行训练。这3个模型分别是两个基于2D-Unet改进后的2D模型,和一个基于3D-Unet改进后的3D模型。3个模型均加入了残差模块和注意力机制两种优化策略。其中两个2D模型分别以横断面和冠状面切片数据进行训练和预测。对数据进行预测时,使用3个模型预测得到3个预测概率图,将3个预测概率图融合成一个概率图作为最终的预测结果,然后根据这个融合的结果生成对应的标签数据,最后对标签数据进行数据后处理,得到最终的分割结果。实验结果采用Dice相似系数和灵敏度进行评估。实验结果表明,引入残差模块和注意力机制后的2D-Unet和3D-Unet比原始的网络模型以及只引入单一优化策略的模型拥有更好的分割效果。而将3个改进后的模型进行模型融合后,能够获得更高的分割精度。
其他文献
随着软硬件技术的发展,大数据相关技术的爆炸式增长,对大数据系统的分析技术也在不断更新,交易处理绩效委员会TPC于2016年为大数据分析系统提出了新的基准TPCx-BB,模拟了零售商场景线上与线下业务流程,并提供了与之对应的测试工具包,用于测试CDH、HDP等商业开源版大数据系统的离线分析处理能力,衡量不同大数据平台的性价比等指标,为用户选择合适的大数据产品提供了依据,得到了业界的认可,但工具包本身
随着5G技术和IoT的发展,智能家居开始进入越来越多的家庭。智能家居通常通过视觉的方式获得感知家庭环境或者家庭成员的能力,但是视觉的方案对于家庭环境存在着局限性。随着调频连续波技术的发展,将毫米波雷达用于家用环境感知越发变得可能。构建了一种通过毫米波雷达采集数据,进行室内环境的人体跟踪和步态识别的系统。从毫米波雷达的原理出发,设计了毫米波雷达点云获取模块,并基于对毫米波点云的特性的分析,设计了对点
一个深度卷积网络往往建立在大量的数据基础之上,相应的人工标注工作是惊人的,自监督学习的学习方式提供了一个解决方案,让模型自动挖掘数据中的特征。视频数据本身具有较强的时序信息,视频预测是一个依赖于数据时序信息的任务,利用时序信息分析图像帧中对象的变化趋势是一个视频预测模型必须具备的能力。此前的视频预测方法大多只能在相邻时间步的时空特征获取预测的特征依据,导致模型容易在靠后的时间步预测中丢失预测对象的
动态视觉显著性预测指通过算法检测人眼在观看视频时的注视点位置。视觉关注点的位置主要由眼球运动决定,而眼球运动又由视频内容的运动决定。已有的动态视觉显著性模型假设眼球运动和视频内容的运动是一致的,并通过视频内容的时空特征来预测视觉关注点的位置。然而,研究表明,视频内容运动与眼球运动不一致的情况在视频显著性数据集中普遍存在,在这种情况下,基于以往假设的方法会发生错误的检测。为了解决这个问题,需要设计新
在现实世界中,存在着各式各样的系统,这些系统往往可以抽象成图论中的网络。从网络中寻找到有价值的社团信息是重要且有意义的。近几十年来,社团检测在社会学、生物学、流行性疾病学等研究中被广泛研究并得到了快速的发展,出现了许多揭示网络结构算法。这些方法大多数用于不重叠或重叠的社团结构,或从全局社团结构转换为局部社团结构。2015年,何琨等人提出了一种新的图论概念:“隐藏社团结构”。如果一个社团的大部分成员
如今互联网技术飞速发展,越来越多的电子文档在网络上广泛传播,由此带来的文档版权归属等安全问题需要被解决。可见水印被应用于多媒体信息中提供有效的版权保护。同时,为了评估水印的抗攻击型、鲁棒性,水印攻击算法应运而生。当前对可见水印的研究大多都针对图像,对文本图像水印的研究于20世纪末陷入停滞,因此,本文对文本图像水印去除算法、近重复文档匹配算法中进行了深入研究,以此为版权保护提供支撑,主要内容如下:（
传统搜索引擎根据用户查询返回多个相关文档的链接已经不再能够很好满足用户的信息需求,用户更倾向于由信息系统直接为其问题提供一个可能的答案。近些年,基于神经网络的问答模型在多项测试中崭露头角,但是它们大部分都用于单跳问题,无法判断这些模型是真正理解了问题语义还是仅仅使用了简单的字面量匹配。相反的,多跳问题需要模型沿着多个中间实体推理才能得到答案,更具有一般性。通过研究开放域问答中多跳问题的推理机制,主
医学图像具有非常复杂的视觉特征,在传统医疗行业中人类医生凭借个人经验对图像中的病理类型进行分类,缺乏统一标准且不能保证分类准确率。神经网络在医学图像分类任务中可以发挥超越医生的分类性能,通过深度学习算法开发计算机辅助诊断系统是重要的研究和技术发展方向。多标签和不确定性标签是医学图像的两个自然属性。研究如何在含有不确定性标签的多标签数据集上进行数据挖掘是神经网络在医疗场景广泛、深度的应用中不可缺少的
股骨头坏死是一种各年龄段常见病症,一种新的股骨头表面置换外科手术可以更加有效地治疗该病症,为了保证手术的顺利进行,需要将手术器械顺着股骨干和股骨颈解剖轴的方向放置。因此股骨解剖轴的定位好坏将直接影响到手术的顺利进行与否。在分析了现有的股骨解剖轴定位方法以后,设计了一种基于随机抽样一致算法的股骨干和股骨颈解剖轴定位方案。在图像预处理模块,使用了重采样的方法统一像素间距。在股骨干解剖轴定位算法中,采用
随着医学影像技术在临床医学中的广泛应用,头颈CT图像骨骼分割在医学影像处理中发挥着越来越重要的作用。使用高效的头颈CT图像骨骼分割算法自动地对头颈部骨结构定位、分割,对于骨科医生的临床医学诊断、制定骨科手术方案或是血管分析中的去骨操作都有重要意义。基于传统的医学图像处理方法在自动化和分割精度上都不够理想,目前基于深度学习的CT图像骨骼分割方法被广泛应用,而且全卷积3D U-Net网络在医学图像分割