基于BP-遗传算法优化的超声肿块区域分割技术

通过超声肿块区域分割处理,提高肿块检测诊断能力。提出一种基于BP-遗传算法优化的超声肿块区域分割技术。采用超声成像技术进行肿块图像采集,对采集的超声肿块图像进行块区域模板匹配处理,构建超声肿块区域检测模型,采用自适应模板特征匹配方法进行超声肿块图像融合处理,提取超声肿块区域图像的超像素特征量,根据像素特征差异度匹配方法实现超声肿块图像的关联相似度分解,以显著性特征点为中心进行超声肿块图像的区域重构,采用BP-遗传算法进行图像区域分割的自适应学习,实现超声肿块图像的高分辨辨识和分割。仿真结果表明,采用该方法进行超声肿块区域分割的精度较高,图像特征匹配性能较好,肿块区域的辨识度较高。     

脱髓鞘假瘤误诊为脑转移瘤1例

<正>脱髓鞘假瘤是上世纪七八十年代才逐渐被人们所认识的中枢神经系统疾病,其发病原因尚不明确,主要表现为脑实质占位以及严重的脑功能障碍,临床表现与脑转移瘤相似。由于临床医师对该病认识不足,易诊断为脑转移瘤,从而导致实施错误的医疗手段。激素、免疫球蛋白冲击治疗对大多数脱髓鞘假瘤有效,应避免手术、放疗等严重损伤机体的治疗方法。本     

基于磁共振影像组学特征分类胶质瘤和单发性脑转移瘤

目的 应用临床常规3T磁共振T1、T2和液体衰减反转恢复(FLAIR)成像分析胶质瘤和单发性脑转移瘤的影像组学特征差异,探讨肿瘤区域不同方向以不同角度构建的纹理特征对区别两种肿瘤的意义,寻找一种可行的胶质瘤和单发性脑转移瘤高精度分类方法。 方法 43例胶质瘤患者和年龄、性别匹配的45例单发性脑转移瘤患者,从肿瘤区域轴状面、冠状面和矢状面方向的每1层构建不同角度的影像组学灰度共生矩阵,计算相应的纹理空间关系特征（包括对比度、相关性、能量和同质性）;使用Wilcoxon秩和检验选择特征并降低冗余;所选特征经SVM线性核分类器分类,实现两种肿瘤的诊断。 结果 在分类胶质瘤和单发性脑转移瘤时,多模态多方向组合特征的精确性、召回率、F1分值和准确性分别是0.8857、0.9114、0.8944和0.8922;该组合特征在SVM线性核分类器下的受试者工作特征曲线下面积为0.9602;并将45例单发性脑转移瘤患者中的40例正确分类;43例胶质瘤患者中的39例正确分类。 结论 肿瘤区域的多模态多方向组合特征经SVM线性核分类器分类,可以鉴别胶质瘤和单发性脑转移瘤,这可作为第2意见,有效协助医生做出诊断。     

基于MR图像的大鼠脑自定义模板的构建

目的 基于大鼠头部高分辨磁共振图像,探讨建立大鼠自定义脑模板的可能性,旨在对图像的基于体素的形态学分析(voxel-based morphometry,VBM)提供研究基础。方法 应用首都医科大学中心实验室Micro MR成像仪对18只12周龄正常成年雄性SD大鼠头部成T2像;将公开的大鼠脑模板RAT97 T2W设为初始模板,对图像进行线性配准,得到一个模板;之后将该模板作为非线性配准的初始参考模板图像,进行非线性配准;经过以上两步,得到该组数据的大鼠脑自定义模板;最后将自定义脑模板与RAT97 T2W进行定量比较。结果 相比较RAT97 T2W,自定义模板与原始图像整体相似度更高,并且更好地继承了原始图像的信息量。结论 与RAT97 T2W相比,应用本方法构建的大鼠脑自定义模板图像结构清晰,保留了原始图像的特殊性,更能代表该组样本大脑的形态结构,适用于该组样本的分析与研究。     

磁共振灌注成像在高级别脑胶质瘤与单发脑转移瘤鉴别诊断中的 价值

【摘要】目的:观察和分析磁共振灌注成像对高级别脑胶质瘤的诊断价值。方法:选取经病理证实的84例高级别脑胶质瘤 患者和60例单发脑转移瘤患者,采用磁共振动态增强灌注成像,测算肿瘤实质区与瘤周水肿区的相对脑血容量（rCBV） 值,并进行统计学分析。结果:高级别脑胶质瘤和单发脑转移瘤的时间-信号曲线不同。在肿瘤实质区,单发脑转移瘤的 rCBV值为4.03±0.79,低于高级别脑胶质瘤的5.48±1.32,差异有统计学意义（P<0.05）;瘤周水肿区,单发脑转移瘤的rCBV 值为0.74±0.35,低于高级别脑胶质瘤的1.48±0.26,差异有统计学意义（P<0.05）。结论:磁共振动态增强灌注成像在鉴别 单发脑转移瘤和高级别脑胶质瘤中具有较高的临床价值。     

独立分量分析在乳腺钼靶X片感兴趣区域提取中的应用

为乳腺癌早期诊断和乳腺X线影像微钙化点计算机辅助检测的前期预处理,本研究提出基于独立分量分析（ICA）的自动提取新算法并且将其应用于乳腺图像感兴趣区域的自动提取.其具体思路是：（1）将乳腺区域图像提取成等大的子图像作为待测乳腺图像感兴趣区域;（2）将ICA应用于乳腺图像感兴趣区域得到基图像;（3）将待识别乳腺图像感兴趣区域在基图像所构成的子空间进行投影求得待测乳腺图像感兴趣区域的特征矢量;（4）用人工神经网络分类方法进行乳腺图像感兴趣区域的模式判别.对临床实际病例的试验结果表明,该方法的检出率为91%,与同类研究检出率相当.本研究方法简单有效,并具有较高的智能性,为ROI的自动提取提供了新的研究思路.     

SPECT/CT融合显像结合同机CT多平面重组在骨转移瘤诊断中的增益价值

目的探讨SPECT/CT融合显像结合同机CT多平面重组(MPR)在骨转移瘤诊断中的增益价值。方法回顾性分析2016年12月至2018年10月在我院行全身骨显像+SPECT/CT局部断层融合显像的96例患者临床资料。排除"超级骨显像"及无明确随访结果者,所得图像按两种方案进行分析,其中方案一:SPECT/CT融合图像;方案二:SPECT/CT融合图像+同机CT多平面重组。统计两种方案融合图像范围内的骨病灶数目并进行分析定性,结合随访结果评价两种图像分析方案的诊断效能。结果研究纳入96例患者共197个病灶,其中转移病灶103个,良性病灶94个。方案一诊断转移病灶109个,良性病灶88个;方案二诊断转移病灶96个,良性病灶101个,两种方案诊断准确性比较差异有统计学意义(χ2=8. 470 6,P 0. 01)。结论融合显像结合同机多平面重组CT可以显著提高SPECT/CT诊断骨转移瘤的准确性,有效排除部分假阳性病例。     

利用图谱匹配分割标注VHP数据集

利用TT脑图谱中丰富的结构信息,本文提出了一种自动分割脑图像的方法,并将其用于Visible Human数据集（VHD）的脑图像的分割,这种方法可分为两步,首先,将VHD中的脑图像和TT Atlas配准,通过图像和医学图谱的匹配,可以把图谱中存储的拓朴信息直接映射到ＶＨＤ,然后,利用这个预分割的模板对VHD脑图像进行模糊聚类分割,为自动将模板中的结构信息用于分割,本文利用Chamfer距离变换,提出了一中引入形状因子的FCM聚类算法。     

解剖图像引导的PET图像部分容积校正

目的:PET图像的部分容积效应会导致图像模糊,影响临床定量诊断。本文提出一种基于解剖信息,如MR图像,引导的像素水平PET图像部分容积校正方法。方法:将与PET图像配准的MR图像作为边缘保持平滑收敛先验信息,引入到贝叶斯去卷积框架中,并用最速下降法求解,得到部分容积校正PET图像。结果:提出的方法分别应用于仿真数据、Hoffman脑体模数据。针对仿真数据,相比未校正前图像在40%对比度在不同感兴趣区域直径(8,10,15,20)mm的恢复系数误差率为18.0%、14.6%、10.2%、7.3%,本文提出的方法在校正后图像恢复系数误差率为在40%对比度在不同感兴趣区域直径为0.4%、0.53%、0.31%、0.23%,取得良好的校正效果。在Hoffman脑体模实验中各组织区域的活度恢复值均好于未校正图像。结论:本文提出的方法能够去噪的同时保持PET图像良好的边缘信息,有效改善PET图像的量化水平,为临床提供精确的定量诊断。     

基于多模态磁共振图像特征选择的脑胶质瘤分割

脑胶质瘤分割通常需要将肿瘤区域细分为多个不同性质的子区域,往往需要使用多种不同模态的磁共振(MR)图像。近年来,基于深度学习的脑胶质瘤分割研究已成为主流。然而,大多数基于深度学习的方法只是将不同模态MR图像(或底层特征)进行通道维度堆叠后输入到分割网络中,并且在特征提取阶段忽略不同性质子区域分割时所需模态特征的差异性,导致分割性能不够精良。本研究提出一种基于多模态MR图像特征选择的两阶段分割框架进行脑胶质瘤分割。一方面,设计多模态特征选择模块并嵌入到分割网络框架中,对当前分割任务所需多模态MR图像特征进行自动提取和有效选择;另一方面,将多个不同性质的病变组织子区域分为两阶段分割任务,利用第一阶段分割任务结果提供第二阶段分割目标的定位信息。本方法和对比方法分别在BraTS2018(训练集285个患者,验证集66个患者)、BraTS2019(训练集335个患者,验证集125个患者)和BraTS2020(训练集369个患者,验证集125个患者)公开数据集上进行了实验。在BraTS2018数据集上,本方法在完整肿瘤、肿瘤核心和增强肿瘤区域的Dice相似系数分别为0.898、0.854和0.818,Hausdorff距离分别为4.072、6.179和3.763;在BraTS2019数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.892、0.839和0.800,Hausdorff距离分别为6.168、7.077和3.807;在BraTS2020数据集上,本方法在上述3个肿瘤区域的Dice相似系数分别为0.896、0.837和0.803,Hausdorff距离分别为6.223、7.033和4.411。对比实验结果表明,所提方法在增强肿瘤区域和肿瘤核心区域的分割性能具有明显优势,特别是增强肿瘤区域分割性能在BraTS2020数据集上最佳。基于多模态特征选择模块的两阶段分割框架,针对每阶段分割目标实现了不同模态MR图像特征的自动和充分学习,取得了理想的分割结果,为计算机辅助肿瘤诊断提供了可能的解决方案。