冬眠心肌再灌注前后的MRI表现与病理对照动物实验研究

这是一篇关于冬眠心肌,再灌注,磁共振成像,兔的论文, 主要内容为目的： 部分结扎法建立兔冬眠心肌及冬眠心肌再灌注模型，探讨CMRI对冬眠心肌及其恢复过程的综合评价以及与心肌梗死的鉴别。 材料与方法： 健康大白兔30只，随机分6组，A组5只为假性手术对照组，于开胸手术后不结扎冠状动脉左前降支；B组5只为心肌梗死组，C组20只为冬眠心肌及再灌注各组，分为C0、C1、C2、C3组，C0组采用自制细丝线对LAD近心端进行部分结扎以造成冠状动脉不全狭窄，C1、C2、C3组于缺血3天行再灌注手术。B组、C0组于手术后3天、C1、C2、C3组分别于再灌注后1天、3天、7天用各种不同序列行CMRI检查并取标本进行大体TTC染色以及HE染色，结合大体观察及病理表现对比分析各组正常及病变区域的CMRI表现。 结果： 病理检查表现：A组：5只病理检查均正常。B组：大体标本显示左室心腔略扩张，病变节段变薄，TTC染色后梗死区心肌呈白色。HE染色显示梗死区坏死心肌细胞染色明显加深，细胞膜虽破裂，细胞外形依然保持。C0组：HE染色显示靶区心肌细胞浊胀，心肌横纹结构模糊。C1组：HE染色显示靶区心肌细胞浊胀，心肌横纹结构模糊。C2组：TTC染色后整个左室心肌均变成砖红色，2只前壁心肌内膜下见小点状梗死区。HE染色少量心肌细胞萎缩、溶解，残留心肌肥大、变形，细胞间质纤维化。C3组：TTC染色后整个左室心肌均变成砖红色，1只前壁心肌内膜下见小点状梗死区。HE染色少量心肌细胞萎缩、溶解，残留心肌肥大、变形，细胞间质纤维化。 CMRI检查表现：CMRI动态灌注扫描与病理检查结果基本一致，A组MRI检查无异常，B组：心肌T2WI病变区信号增高，病变节段变薄，Cine-MRI显示收缩期各室壁增厚度＜1／3，可见局部节段室壁运动减弱。造影剂首过期显示左心室前壁灌注降低。左室短轴位心肌延迟增强扫描显示：靶区可见造影剂潴留的高信号区。C0组：心肌T2WI病变区信号增高，Cine成像显示有4只左心室前壁节段室壁运动减弱，收缩期心肌增厚度降低，造影剂首过期显示4只实验组兔左心室靶区表现为不同程度的灌注降低。C1组：1只左室前间壁及间壁轻度变薄，3只左心室前壁表现为不同程度的灌注降低。C2组：Cine成像显示有1只左心室前壁节段室壁运动略减弱，收缩期心肌增厚度降低。造影剂首过期显示2只实验组兔左心室前壁表现为不同程度的灌注降低。C3组：MRI检查未见明显异常。 结论： 1、部分结扎法建立兔冬眠心肌模型不仅具有较好的仿真性，而且操作简单，经济有效，符合冬眠心肌的概念要求，值得进一步研究。 2、T2WI表现：梗死心肌T2WI信号增高，冬眠心肌肉眼未见明显信号增高，但机测冬眠心肌信号较正常增高，可能是由于细胞和间质轻度水肿造成。 3、延迟扫描表现：梗死心肌及冬眠心肌可见延迟强化。正常对照组及再灌注各组未见明显延迟强化，即延迟增强扫描可以鉴别冬眠与再灌注各组。 4、首过灌注扫描：梗死心肌、冬眠心肌及再灌注各组Tmax、SI及S值等灌注功能参数逐渐改善，其价值需进一步研究。 5、cine-MRI：收缩末期厚度变化有助于鉴别梗死心肌与冬眠心肌。 6、冬眠心肌T2WI信号增高不明显，室壁增厚率减低，室壁厚度无明显变薄。梗死心肌T2WI信号增高，病变区收缩末期室壁厚度可见轻度变薄，室壁增厚率减低。 7、冬眠心肌心脏磁共振扫描主要表现为节段性室壁运动减弱、室壁增厚率降低、首过期低灌注以及无明显肉眼可见的延迟强化，冬眠心肌再灌注后左心室功能可有逐渐恢复。

双参数MRI影像组学在PI-RADS 3分病变中的应用研究

这是一篇关于PI-RADS 3分,前列腺癌,磁共振成像,影像组学,预测,侵袭性,诺模图的论文, 主要内容为第一部分双参数MRI影像组学预测PI-RADS 3分病变良恶性的研究目的:通过构建并比较不同模型,探讨双参数磁共振成像(magnetic resonance imaging,MRI)影像组学预测前列腺影像报告和数据系统(Prostate Imaging Reporting and Data System,PI-RADS)3分病变良恶性的价值。方法:回顾性分析山西医科大学第一医院2018年1月至2021年10月的232例PI-RADS 3分患者的临床和影像资料,所有患者均行前列腺穿刺活检或根治性前列腺切除术,具有明确的病理结果。按7:3比例随机分为训练组(n=162)和验证组(n=70)。感兴趣区(region of interest,ROI)由两位放射科医师使用ITK-snap软件在T2WI、DWI和ADC序列上逐层手动勾画获得,使用3D-slicer软件中的Radiomics模块提取影像组学特征。计算组内和组间相关系数(intraclass and interclass correlation coefficients,ICCs)以评估特征稳定性,ICC≥0.75被认为一致性良好。采用单因素逻辑回归和最小绝对值收敛和选择算子(least absolute shrinkage and selection operator,LASSO)回归筛选影像组学特征,通过十倍交叉验证调节参数λ值,采用单因素分析筛选对结局有预测意义的临床独立风险因子。临床模型、影像组学模型及影像组学得分(radiomics score,radscore)通过多元逻辑回归拟合并计算,进一步,将radscore与临床风险因子相结合,构建临床-影像组学结合模型。采用受试者工作特征(receiver operating characteristic,ROC)曲线及其衍生指标曲线下面积(area under the curve,AUC)、灵敏度、特异度和准确度等分析比较三种模型的诊断效能,采用净重新分类指数(net reclassification improvement,NRI)对模型间临床增益进行量化。最后,选择表现最佳的模型作为预测模型,绘制校准曲线和决策曲线评估模型矫正性和临床实用性,绘制诺模图实现模型可视化。结果:232例PI-RADS 3分患者中,62例为前列腺癌(prostate cancer,PCa),年龄67.71±7.37岁,170例为前列腺良性病变,年龄70.08±7.67岁。各临床指标在训练集和验证集中差异无统计学意义(p>0.05)。每位患者共提取三个序列影像组学特征2553个,经ICC处理后,剩余2164个稳定特征用于后续分析。单因素逻辑回归和LASSO回归显示,2个T2特征、4个DWI特征和7个ADC特征与PI-RADS 3分病变良恶性鉴别有关,年龄、前列腺体积(prostate volume,PV)和前列腺特异性抗原密度(prostate-specific antigen density,PSAD)被筛选为临床独立风险因子。三个模型中,临床-影像组学结合模型诊断性能最优,训练集和验证集AUC、灵敏度、特异度和准确度分别为0.924、0.822、0.880、0.864和0.946、0.941、0.925、0.929。相较于临床模型和影像组学模型,结合模型训练集和验证集NRI增益分别为0.582、0.425和0.992、0.523。校准曲线和决策曲线显示结合模型矫正性(Hosmer?Lemeshow检验:训练集P=0.784,验证集P=0.107)和临床实用性较好。结论:双参数MRI影像组学对PI-RADS 3分病变的良恶性具有一定的预测价值,基于年龄、PV、PSAD和radscore的临床-影像组学模型有望识别PI-RADS 3分病变中的PCa,辅助临床决策。第二部分临床-影像组学融合模型预测PI-RADS 3分病变侵袭性的研究目的:建立并验证一个基于临床和影像组学特征的融合模型进一步预测前列腺影像报告和数据系统(PI-RADS)3分病变中前列腺癌(PCa)的侵袭性。方法:回顾性分析第一部分研究中62例PI-RADS 3分前列腺癌(PCa)患者的临床、影像及病理资料。根据Gleason评分(Gleason score,GS)判断病灶侵袭性,分为临床显著前列腺癌(clinically significant prostate cancer,cs PCa,GS≥3+4,高侵袭性)组和临床非显著前列腺癌(clinically insignificant prostate cancer,ci PCa,GS=3+3,低侵袭性)组。所有患者按2:1比例随机分为训练集(n=41)和验证集(n=21)。采用向后逐步回归赤池信息准则(Akaike information criterion,AIC)确定临床风险因子。延用第一部分研究中经ICC处理后的2164个稳定影像组学特征,采用Pearson相关分析和递归特征消除(Recursive feature elimination,RFE)法对特征进行相关性降维和数量降维并计算影像组学得分(radscore)。最后,将临床特征与影像组学特征相结合,采用多元逻辑回归构建临床-影像组学融合模型,通过ROC曲线、校准曲线和决策曲线分析验证模型的诊断效能,绘制诺模图实现模型可视化。结果:62例PI-RADS 3分PCa患者中,38例为cs PCa,24例为cs PCa,年龄被筛选为临床独立风险因子。Pearson相关分析和RFE共筛选出4个T2WI特征、1个DWI特征和1个ADC特征,cs PCa组的radscore大于ci PCa组(1.52±2.649与-1.815±2.065,p<0.001)。临床-影像组学融合模型的AUC、灵敏度、特异度和准确度在训练集和验证集中分别为0.879、0.736、0.870、0.838和0.908、0.944、0.811、0.868。校准曲线显示模型在训练集和验证集中具有较好的拟合优度,Hosmer-Lemeshow检验的P值分别为0.907和0.689,决策曲线显示当阈值概率大于0.17时,融合模型的临床效益高于全部治疗或全部不治疗方案。结论:基于年龄和影像组学特征的临床-影像组学融合模型对PI-RADS 3 PCa的侵袭性具有一定的预测价值,有利于识别cs PCa,指导患者个性化治疗。

基于深度学习的快速磁共振成像模型与算法

这是一篇关于磁共振成像,压缩感知,即插即用算法,深度神经网络,自适应去伪影正则,展开网络算法的论文, 主要内容为磁共振成像(magnetic resonance imaging,MRI)是一种能够提供软组织高对比度的成像技术,在临床诊断以及科学研究领域都有较大的应用价值.但信号采集缓慢的缺点阻碍了其进一步的广泛应用.一种常见的快速磁共振成像(fast MRI)方法是减少k空间采样进而实现快速采集.从欠采样MRI信号中重建图像在数学上属于不适定问题,特定的欠采样模式下的重建图像会存在伪影问题,通常需要针对待重建图像的先验信息来建立模型与算法.深度学习(deep learning,DL)方法受益于大量领域相关数据集的公开、神经网络方法的提出以及近年来计算算力的提升,在图像重建领域展现出强大的能力,现已成为医学图像重建的重要工具之一.但结构化、端到端的深度学习方法由于其不可解释性,并没有很好地解决快速磁共振成像中的伪影问题.为了解决伪影问题,提高MRI重建效果,可以将深度学习方法与压缩感知模型(compressed sensing MRI,CSMRI)相结合,使用模型数据双驱动的方法来进行重建.在该领域的研究中,RARE(Regularization by Artifact Removal)算法使用神经网络的方法学习先验信息,并将其融入迭代重建的过程.ADMMNet算法将迭代算法展开成为神经网络结构,学习原本迭代中确定的参数.以上两种算法在快速MRI成像任务上展现出了良好的重建效果.但是模型数据双驱动的方法研究仍然处于起步阶段,需要在模型设计和学习参数选择方面进一步研究.本文采用将CSMRI迭代算法的模型知识和神经网络的学习能力相结合的方法,针对快速磁共振成像伪影问题,研究在笛卡尔欠采样模式下的相关模型和算法.主要工作内容如下:1.分析即插即用(Plug-and-Play,Pn P)框架以及去噪正则化(Regularization-by Denoising,RED)框架,比较这两种框架在快速MRI中应用的优缺点.针对笛卡尔采样算子,具体实现了Pn P-BM3D算法以及Pn P-DRUNet算法在快速磁共振成像任务上的应用.2.基于伪影形态与欠采样模式相关,以及在迭代算法中伪影强度会随迭代增加而减小这两个特点,提出一种基于自适应去伪影先验的迭代算法(adaptive-RARE算法).该算法使用多种伪影强度的磁共振图像来训练去伪影网络,提高了去伪影网络的对于多种强度伪影的去除能力从而使adaptive-RARE算法在迭代中取得更好的重建效果.adaptiveRARE算法的优点在于:(i)利用在特定欠采样模式下的磁共振数据集训练的去伪影网络,同时获取与欠采样算子以及磁共振图像相关的先验信息.(ii)基于MRI迭代重建中伪影强度会随迭代逐渐减小的特点,扩充训练数据集来训练自适应伪影强度的去伪影器,使迭代过程中不同强度的伪影都能得到更好的去除.在数值实验中,该算法与RecPF迭代算法、深度神经网络U-Net算法、基于Pn P框架的Pn P-BM3D算法和Pn P-DRUNet算法以及RARE算法进行比较.结果表明,在不同加速因子的笛卡尔采样下,adaptive-RARE算法能够在PSNR和SSIM指标下取得优于其他5种算法的重建效果,展示了融合了深度神经网络的正则化方法在快速MRI重建应用中的良好效果.3.基于展开网络(unrolling)思想以及去伪影先验(RARE先验),提出了一种新的展开网络算法–RARE-Net.该展开网络方法首先设计带有RARE先验正则项的CSMRI(compressed sensing MRI)模型和相应的梯度下降算法.然后将上述迭代算法展开成为神经网络的形式,具体网络结构使用数据流图进行定义.相比于迭代重建算法,RARE-Net具有能够从数据集中学习去伪影网络中的参数以及权重参数的优点.在数值实验中,该算法与Rec PF迭代算法、深度神经网络U-Net算法、adaptive-RARE算法以及ADMMNet算法(2016年SOTA(state-of-the-art)效果)进行了比较.实验结果表明,在不同加速因子的笛卡尔欠采样下,RARE-Net算法,相比于其他4种算法,在PSNR和SSIM指标下能够获得更好的重建结果.

临床—影像组学诺模图预测子宫内膜癌风险分层的价值

这是一篇关于磁共振成像,子宫内膜癌,风险分层,影像组学,诺模图的论文, 主要内容为目的:旨在建立基于临床和磁共振(Magnetic resonance imaging,MRI)特征的影像组学诺模图来预测子宫内膜癌(endometrial cancer,EC)的风险分层,并评估该诺模图对高危EC的诊断效能。方法:回顾性收集2018年9月至2022年12月于本院行全子宫切除术及双侧附件切除术的143例EC患者,以手术病理结果为金标准,将EC分为低危EC和高危EC。所有患者术前均行盆腔MRI检查。收集每名患者的临床资料,包括年龄、糖类抗原125(cancer antigen 125,CA125)、人附睾分泌蛋白4(human epididymis protein 4,HE4)、术前诊断性扩张刮宫(dilatation and curettage,D&C)结果、MRI报告的子宫肌层侵犯深度、宫颈间质浸润(cervical stromal invasion,CSI)和肿瘤的最大直径。采用单因素和多因素回归分析明确临床独立危险因素。将所有患者按7:3的比例随机分成训练集(n=100)和测试集(n=43)。采用3D-Slicer软件在轴位T2加权成像、扩散加权成像及动态增强MRI成像上沿肿瘤边缘勾画感兴趣区并提取影像组学特征。采用最小冗余最大相关算法和最小绝对收缩和选择算子算法筛选各单一序列和组合序列的最佳影像组学特征计算影像组学评分(radiomics score,rad-score),最后联合临床独立危险因素和rad-score构建影像组学诺模图。采用受试者工作特征曲线(receiver operating characteristic,ROC)评估训练集和测试集中各预测模型的诊断效能。通过临床决策曲线分析(decision curve analysis,DCA)、净重新分类指数(net reclassification index,NRI)和综合鉴别指数(integrated discrimination index,IDI)评估该诺模图的临床净收益。结果:多因素Logistic回归分析发现年龄、MRI报告的CSI和D&C是区分高危和低危EC的独立危险因素(P<0.05),选择上述独立危险因素构建临床模型。联合临床独立危险因素和rad-score构建影像组学诺模图。ROC分析结果显示:临床模型、rad-score及影像组学诺模图在训练集中的ROC曲线下面积分别为0.817(95%confidence interval[CI]:0.737～0.896)、0.823(95%CI:0.7392～0.9061)和0.926(95%CI:0.876～0.975),在测试集中分别为0.765(95%CI:0.634～0.895)、0.815(95%CI:0.5913～0.9109)和0.892(95%CI:0.796～0.988)。校准曲线表明诺模图预测高危EC与实际病理结果之间的一致性良好。DCA表明,当概率阈值在2%–94%的范围内,使用诺模图预测高危EC获得的临床净收益大于临床模型。另外,在训练集和测试集中,NRI值分别为0.959(95%CI:0.608～1.310)、0.499(95%CI:0.121～0.619),IDI值分别为0.262(95%CI:0.160～0.365)、0.215(95%CI:0.168～0.415),差异均具有统计学意义(P<0.05)。结论:患者年龄、MRI报告的CSI、D&C和多序列影像组学特征构建的rad-score可作为区分高、低危EC的独立危险因素;基于上述独立危险因素构建的影像组学诺模图对高危EC具有较好的预测效能。

组织通道探测与可视化技术平台研究及其在精神状态评价的应用

这是一篇关于采集技术,组织通道,可视化,磁共振成像,生物电阻抗测量的论文, 主要内容为精神状态的评价主要是基于量表,主观性影响较大且人们对精神疾病诊断有严重抵触心理,迫切需要能够对精神状态进行快速、实时与可视化监测的方法和工具,随着组织通道理论及探测技术与人体信息采集及可视化重建技术的进一步研究和发展,提供了基于组织通道探测和可视化技术建立具有个性化精神状态监测体系的思路。基于此,本研究建立组织通道探测与人体可视化平台,初步实现精神状态的评价。本研究的主要目的是设计并研制基于电阻抗测量技术的组织通道测量可穿戴设备,采集人体全身组织结构信息,搭建数字可视化技术平台。并对新平台进行应用测试,实现人体组织通道信息采集与人体可视化,基于此建立一套实时精神状态评价可视化监测系统样机,用于精神健康监测。本研究完成以下内容:1、设计并研制基于细胞微环境理论和电阻抗测量技术的组织通道测量装置,并实现组织通道测量设备的可穿戴式研制。开发组织通道智能分析系统及其通道参数标准,分析人体组织通道体结构和功能信息,实现人体组织通道物理特征采集和可视化分析。电学方法利用由阵列电极、选通器、阻抗检测器组成的采集模块,传感器采用9极毫米微阵列电极,实现组织通道测量。2、建立全身数字化信息采集与可视化平台。设计人体结构数字信息快采技术,通过筛选设计多激励梯度回波成像技术,实现人体3D容积数据信息的快速采集,获取人体全身数字化组织结构信息。人体分段结构信息处理基于互信息测度、平移变换及拟牛顿优化的配准拼接算法,实现分段DICOM数据的配准。并设计开发图像存贮、处理、对外接口服务模块,通过分布式文件存贮实现图像数据的存贮管理,实现人体数字信息与图像的在线阅览,实现多系统集成和访问服务。3、平台和组织通道探测设备实际应用。采集被试者全身组织结构信息并构建数字化人体,使用可穿戴式设备获取处于抑郁或者是焦虑状态下人体组织通道的特征信息,并进行初步分析。完成受试者人体结构信息采集、数字化人体结构重建与可视化,实现系统全流程测试。并采集4名抑郁、焦虑状态下被试者的组织通道的电特征信息,并初步分析其组织通道特点。为建立精神状态评价和同步人体可视化监测,本研究设计并研制了组织通道测量可穿戴设备,开发了无创全身成像与组织通道信息采集技术、人体结构组织核磁图像配准融合技术,建立个性化、可视化系统,形成一套软硬件兼备的监测系统,构建经组织通道测量初步实现对人体精神状态评价的方法和工具,并进行了初步测试,上述功能初步实现。

基于深度学习的前列腺MR图像分割算法研究

这是一篇关于磁共振成像,前列腺,图像分割,深度学习,卷积神经网络,半监督学习的论文, 主要内容为前列腺癌是全世界常见的男性癌症之一,MRI技术在前列腺疾病的诊断和治疗中扮演着至关重要的角色。由于前列腺组织具有形态各异和边界模糊的特点,使得传统算法在处理前列腺分割时存在诸多限制和缺陷。此外,传统的手动分割方法需要大量时间和人力,且容易出现不一致性和主观性等问题。近年来,基于深度学习的算法在医学图像自动分割领域获得了显著的进展。本文旨在基于深度学习对前列腺MR图像分割方法进行研究,主要内容和创新工作如下:1)针对传统的深层分割神经网络存在的梯度消失和过分割问题,提出一种CC-Res-UNet网络。首先采用对比度受限的自适应直方图均衡算法对前列腺图像进行处理,增强信息的可检测性。然后,通过将残差机制引入到经典UNet网络中,减少因神经网络层数加深而导致的梯度消失的风险。此外,针对前列腺MR图像中存在的过分割问题,在传统分割网络的编码器和译码器间引入一种具有分类引导功能的校正模块,以减少假阳性预测,缓解分割网络对不含前列腺组织图像的过分割问题。2)为增强网络的特征表达能力和实现多尺度语义信息的融合,提出一种Inception A-Dense-UNet网络。首先,将密集连接思想引入到UNet模型中,用以改进原有编码器和解码器的连接方式,实现多尺度语义信息的融合和传播。此外,使用由空洞卷积驱动的Inception模块代替原有的级联卷积操作,以增加网络的宽度,增强对不同尺寸目标的特征提取效果与表达能力,提升网络分割性能。3)针对深度学习中全监督式学习对数据依赖的问题,提出一种基于半监督式学习的SCC-U2-Net网络。由于全监督式学习需要大量带标签的数据进行训练,而标签数据的获取成本往往较高。通过将自训练方法和正则一致性思想相结合,以实现只使用少量标签数据的情况下,提高模型的分割性能和泛化能力,大大降低对标签数据的依赖。在实验部分,使用NCI-ISBI 2013 Challenge公开数据集进行性能验证,且与传统分割网络进行对比实验。结果表明,所采用的数据处理方法可以在不降低分割性能的前提下,减少网络训练成本,另外采用的数据增强方法可以生成更多样化的合成图像,提高分割模型的泛化性能;其次,改进的分割模型在多个指标上均优于传统的分割模型,具有更优的准确率和分割效果;最后,本文所设计的基于半监督式学习的图像分割方法可以使用更少的标签数据进行训练,减少对标签数据的依赖。综上所述,本文提出的基于深度学习的前列腺MR图像分割算法具有良好的应用潜力,可以为前列腺疾病的诊断和治疗方面提供有效的辅助作用。

基于MRI层间插值的超分辨率及多视角融合算法研究

这是一篇关于超分辨率,磁共振成像,深度学习,上采样,多视角融合,多尺度的论文, 主要内容为随着医学的发展和科技的进步,磁共振成像在当今医学领域中有着举足轻重的作用,通过磁共振成像技术进行辅助医疗诊断已经成为一种重要的、不可或缺的技术。然而,分辨率高的磁共振不仅对成像的环境和设备要求较高,对急于得到诊断的病患,时间成本也是不可忽视的。在磁共振成像领域,降低时间成本的主要方法之一是采用稀疏拍摄,但是这一方法降低的成本是以牺牲磁共振影像的分辨率,又提高了医生做出诊断的难度。医学影像通过采用包括超分辨率技术在内的技术来进行图像处理,可以有效提高图像效果。而近年来,深度学习进入快速发展时代,基于深度学习的超分辨率算法不仅在自然图像领域中取得了显著效果,在医学图像领域同样成绩斐然。利用基于深度学习的超分辨率重建技术对医学影像进行重建,能够有效降低设备成本,重建出来的图像细节清晰,噪声及伪影少,在客观评价指标以及主观感受上均强于传统超分辨率算法。目前,基于深度学习的超分辨率算法在对磁共振成像进行重建的过程中,主要面临两方面问题:一是在图像分辨率放大的基础上,降低噪声和伪影对图像造成的影响;另一方面是训练出单一模型使得其能够实现图像在任意放大因子的重建。因此,本文的主要工作如下:(1)提出了基于MR层间插值的超分辨率与多视角融合算法。针对MR为三维体数据且目前基于深度学习神经网络仅采用其中的一个方向的切片进行超分辨率重建,作了以下创新:通过计算图像中体素的空间位置信息,动态获取上采样层所需要上采样卷积核的权重,这样网络可以不用保存每个尺度对应模型的权重,从而实现对输入低分辨率图像的任意尺度超分辨率放大。(2)提出了基于多尺度网络的超分辨率与多视角融合网络。单尺度卷积核在对低分辨率图像进行特征信息的提取时,特征信息易造成图像中细节信息的丢失,为解决这一问题本章的主要工作为:在(1)上采样模块和多视角融合模块的基础上,为获取图像在不同尺寸上的特征,增强特征在网络中的传播,借由多尺度残差块,构建出多尺度残差组组成特征提取模块进行特征提取,发挥不同尺度的卷积核能够提取不同比例的特征的能力。(3)设计并研发了医学影像辅助诊断系统。将上述所提的两个算法及其它超分辨率算法应用到实践中,在算法部分采用Python语言,在Web方面采用Java语言,结合Spring Boot框架和部分前端框架,设计并实现了系统的各个功能模块。系统中的功能模块包括医学影像的上传、重建及三维可视化等。

基于膝关节MRI T1WI的深度学习模型推断活体年龄

这是一篇关于法医影像学,年龄推断,深度学习,磁共振成像,膝关节的论文, 主要内容为目的:利用膝关节MRI矢状位T1加权成像与深度学习进行结合,为能否应用深度学习推断青少年年龄提供新思路。资料与方法:回顾性收集2015年1月—2021年12月青岛大学附属医院1 212例(内部数据集)及青岛市市立医院341例(外部数据集)10～18岁男性膝关节MRI T1WI图像。图像标准化后,用itk-SNAP软件对内部数据集图像的股骨远端和胫骨近端骨骺骺板进行标记。然后将标记好的图像利用U-Net神经网络进行图像分割训练,使得U-Net卷积神经网络能自动识别兴趣区(股骨远端和胫骨近端骨骺骺板)。最后采用随机数字表法将内部数据集各年龄组按照8:2分为训练组(971)和验证组(241)用于模型的建立,外部数据集(测试组)用于模型的评价。通过准确率、精准率、召回率、灵敏度、特异度等指标来测试和验证模型的性能。结果:验证组的准确率为85.713%,精准度为84.732%,召回率为85.713%,特异度为97.729%,灵敏度为85.713%;测试组的准确率为82.578%,精准率为83.145%,召回率为82.578%,特异度为97.442%,灵敏度为82.578%,验证集和测试组的各项指标比较差异均无显著性(P>0.05)。结论:本研究成功建立了基于膝关节MRI T1 WI的深度学习模型,并可应用于10～18岁青少年年龄的推断。

基于多尺度网络和功能磁共振成像的自闭症谱系障碍诊断研究

这是一篇关于磁共振成像,自闭症谱系障碍,深度学习,多尺度网络,计算机辅助诊断的论文, 主要内容为自闭症谱系障碍(ASD)是一种复杂的神经发育障碍,会影响沟通、社交和行为。这是一种终生疾病,通常始于儿童早期,并影响个人的一生。通过适当的干预和支持,自闭症患者可以恢复正常的生活,因此及时诊断对治疗和恢复正常发育至关重要。传统的诊断方法是基于症状的行为观察,受到儿童表达能力和医生主观判断的影响,难以避免出现误诊。因此,需要一种更有效、自动化和可重复的检测方法来帮助诊断ASD。随着深度学习技术和医学成像技术的发展,研究人员探索了使用在功能性磁共振成像(f MRI)中的大脑结构信息来诊断ASD。然而,由于ASD病灶的复杂性,利用深度学习网络训练稳健的ASD分类模型仍是困难的。在ASD诊断中,低阶语义信息对于区分正常和异常的脑区有着至关重要的作用。高层特征通常捕捉更抽象和具有区分度的信息;低层特征捕捉数据中的局部模式和细节,这些特征提供了细粒度的信息。通过结合高层和低层特征,模型可以从它们提供的互补信息中受益,帮助模型更好地区分ASD患者和正常人群。本文针对低阶信息的提取和利用,基于三种骨干网络设计了三个多尺度网络,通过建立高低阶信息融合,以提高网络性能,提升模型准确率。主要内容如下:(1)基于3D-ResNet提出了一种多尺度信息融合机制结合注意力子网的分类模型。该模型选择适当的融合策略,对网络不同层次的输出进行综合利用,以充分捕获图像不同层次的信息。注意力机制的引入可以加强网络对病灶区域特征的提取,从而提高模型准确性。(2)Res2Net是ResNet的扩展,旨在解决ResNet在多尺度特征建模和聚合方面的局限性。基于3D-Res2Net,我们设计了一个的ASD分类模型,通过引入上下文增强模块,可以为不同层的多尺度信息选择合适的融合策略。此外还设计了残差注意力模块,注意力子网的设计可以使模型专注于f MRI数据的重要特征,并避免被无关信息干扰。(3)Swin Transformer是一种基于Transformer的骨干网络,可以避免一些CNN中局限性问题,例如全局信息不足和长依赖信息缺失的问题。我们首先构建了一个基于Swin Transformer的强大基线,然后为了增强从f MRI数据中提取稳健特征的能力设计了两个模块——ST上下文增强模块汇集了多尺度特征信息并增强了特征区分度;块交叉模块通过位移和混洗操作重新排列块序列,提高捕捉细微局部特征的能力。模型在自闭症脑成像数据交换(ABIDE)数据集上进行训练和测试。实验结果表明,与已有的ASD分类模型相比,本文提出的三种方法取得了更好的分类效果。