【摘 要】
：
目的 新型冠状病毒肺炎(corona virus disease 2019,COVID-19)患者肺部计算机断层扫描(computed tomo-graphy,CT)图像具有明显的病变特征,快速而准确地从患者肺部CT图像中分割出病灶部位,对COVID-19患者快速诊断和监护具有重要意义.COVID-19肺炎病灶区域复杂多变,现有方法分割精度不高,且对假阴性的关注不够,导致分割结果往往具有较高的特异度,但灵敏度却很低.方法 本文提出了一个基于深度学习的多尺度编解码网络(MED-Net(multiscale
【机 构】
：
云南大学信息学院,昆明 650500
论文部分内容阅读
目的 新型冠状病毒肺炎(corona virus disease 2019,COVID-19)患者肺部计算机断层扫描(computed tomo-graphy,CT)图像具有明显的病变特征,快速而准确地从患者肺部CT图像中分割出病灶部位,对COVID-19患者快速诊断和监护具有重要意义.COVID-19肺炎病灶区域复杂多变,现有方法分割精度不高,且对假阴性的关注不够,导致分割结果往往具有较高的特异度,但灵敏度却很低.方法 本文提出了一个基于深度学习的多尺度编解码网络(MED-Net(multiscale encode decode network)),该网络采用资源利用率高、计算速度快的HarDNet68(harmonic densely connected network)作为主干,它主要由5个harmonic dense block(HDB)组成,首先通过5个空洞空间卷积池化金字塔(atrous spatial pyramid pooling,ASPP)对HarDNet68的第1个卷积层和第1、3、4、5个HDB提取多尺度特征.接着在并行解码器(paralleled partial decoder,PPD)基础上设计了一个多尺度的并行解码器(multiscale parallel partial decoder,MPPD),通过对3个不同感受野的分支进行解码,解决了编码器部分的信息丢失及小病灶分割困难等问题.为了提升CT图像分割精度,降低网络学习难度,网络加入了深度监督机制,配合多尺度解码器,增加了对假阴性的关注,从而提高模型的灵敏度.结果 在COVID-19 CT segmentation数据集上对本文网络进行了测试.实验结果表明,MED-Net可以有效地应对数据集样本少,以及分割目标的纹理、尺寸和位置变异大等问题.在只有50幅训练图像和50幅测试图像的数据集上,分割结果的Dice系数为73.8％,灵敏度为77.7％,特异度为94.3％;与Inf-Net(lung infection segmentation deep network)网络相比,分别提升了8.21％、12.28％、7.76％.其中,Dice系数和灵敏度达到了目前基于该数据集相同划分方式的先进水平.结论 本文网络提高了COVID-19肺炎CT图像分割精确度,有效解决了数据集的数据量少、小病灶分割难度大等问题,具有全自动分割COVID-19肺炎CT图像的能力.
其他文献
目的 特发性肺纤维化(idiopathic pulmonary fibrosis,IPF)是一种致死率极高的肺间质疾病,呈渐进式发展且诊断手段有限,给病情的预后带来极大的困难.目前已有的肺功能衰退严重程度预测方法仍存在准确率较低的问题.方法 提出了一种融合多尺度残差和注意力机制的特发性肺纤维化进展预测模型,包括计算机断层扫描(computed tomography,CT)特征提取网络和多模态特征预测网络,以此预测IPF患者不同周数的用力肺活量(forced vital capacity,FVC).CT特征
Ion adsorption type rare earth ores (IATREOs) are a valuable strategic mineral resource in China,which feature a complete composition of fifteen rare earth elements and are rich in medium and heavy rare earth (RE) elements.In the leaching process for reco
目的 针对常见方法对脑胶质瘤的肿瘤分割和生存预测需要单独建模的问题,提出一种带有变分自编码器(variational auto-encoder,VAE)分支的两阶段级联U-Net算法,旨在分割肿瘤的同时提取鲁棒的特征预测患者生存期,有助于患者的精准治疗.方法 提出的两阶段级联U-Net网络,第1阶段实现初步粗分割,第2阶段实现精细化分割.此外,在第2阶段添加变分自编码器分支以提取更加鲁棒的特征并提高模型泛化性.其中,变分自编码器分支获取的特征被送入随机森林算法以进行生存期预测.另外,在两个阶段的解码器部分
目的 磁共振成像(magnetic resonance imaging,MRI)作为一种非侵入性的软组织对比成像方式,可以提供有关脑肿瘤的形状、大小和位置等有价值的信息,是用于脑肿瘤患者检查的主要方法,在脑肿瘤分割任务中发挥着重要作用.由于脑肿瘤本身复杂多变的形态、模糊的边界、低对比度以及样本梯度复杂等问题,导致高精度脑肿瘤MRI图像分割非常具有挑战性,目前主要依靠专业医师手动分割,费时且可重复性差.对此,本文提出一种基于U-Net的改进模型,即CSPU-Net(cross stage partial U
目的 影像学医师通常通过观察乳腺B型超声(brightness-mode ultrasound)肿瘤区域进行良恶性分析,针对难以辨别的病例则融合其对应的超声造影(contrast-enhanced ultrasound,CEUS)特征进一步判别.由于超声图像灰度值范围变化小、良恶性表现重叠,特征提取模型如果不能关注到病灶区域将导致分类错误.为增强网络模型对重点区域的分析,本文提出一种基于病灶区域引导的注意力机制,同时融合双模态数据,实现乳腺超声良恶性的精准判别.方法 通过对比实验,选取一个适合超声图像特征
目的 股骨粗隆间骨折是老年人最常见的骨折,不同类型的骨折需要不同的治疗方法.计算机图像识别技术可以辅助医生提高诊断准确率.传统的图像特征提取和机器学习方法,无法实现细粒度、高精度的分类,且少见针对3维图像的骨折分型方法.基于深度学习方法,通常需要大量的样本参与训练才能得出较好的分型性能.针对上述问题,本文提出一种面向小样本、多分类的骨折分型方法.方法 将原始CT(computed tomography)分层扫描图像进行3维重建,获取不同视角下的2维图像信息,利用添加注意力机制的多视角深度学习网络融合组合特
生成对抗式网络(generative adversarial network,GAN)由负责学习数据分布的生成器和负责鉴别样本真伪的判别器构成,二者在相互对抗过程中互相学习逐渐变强.该网络模型使深度学习方法可以自动学习损失函数,减少了对专家知识的依赖,已经广泛应用于自然图像处理领域,对解决医学影像处理的相关瓶颈问题亦具有巨大应用前景.本文旨在找到生成对抗式网络与医学影像领域面临挑战的结合点,通过分析已有工作对未来研究方向进行展望,为该领域研究提供参考.1)阐述了生成对抗式网络的基本原理,从任务拆分、条件约
目的 在骨龄智能评估研究中,如何准确地提取手腕参照骨的兴趣区域(region of interest,ROI)是保证骨龄精确评估的关键.基于传统深度学习的方法用于手腕骨ROI提取,存在个别参照骨漏判、误判等情况,导致平均提取准确率较低.本文结合目标检测强大的定位和识别能力,以准确提取所有手腕骨ROI为目的,提出了一种参照骨自动匹配与修正方法.方法 针对不同参照骨形状、位置等特征表现出的规律性和关联性,本文采集了大量不同性别、不同年龄段的人手腕图谱作为参照骨样本匹配,然后分多个阶段提取参照骨ROI:1)基于
根据相关试验结果可知,需要对功能系统进行优化,以实现功能最大化的目标.该文首次提出把系统优化研究成果与计算机神经网络技术相结合,派生出系统优化免试验方法,即计算机模拟试验法.它可以降低科技实践的成本,从而有效促进科技实践活动多、快、好且省地高效运行.当然,作为一项新技术,它也有待在众多领域科技实践中接受进一步检验,以达到更加成熟的目的.为进一步提高系统优化效率,必须将它升级为全自动运行的模式.
目的 肺结节检测在低剂量肺部计算机断层扫描(computed tomography,CT)筛查肺癌中具有重要意义.但由于结节大小、形状和密度的变化十分复杂,导致难以在低假阳性率下保证高的灵敏度,这限制了深度学习算法在常规临床实践中的肺结节自动诊断,建立具有良好结节检测性能的深度学习模型仍然是一个挑战.针对此问题,本文提出了一种基于3D ReSidual U(3D RSU)块的嵌套U结构的肺结节检测框架.方法 3D RSU块通过混合不同大小的感受场获得多尺度特征来丰富特征信息.而嵌套U结构允许网络获得更大分