摘要：针对影像组学过程中医生标注影像数据工作量巨大的问题,提出了一种基于价值评估的磁共振单序列多层低价值点(low value point,LVP)图像压缩算法.对单序列多层LVP原图像使用滤波压缩算法,对已标注的单序列多层LVP分割图像使用池化压缩算法,将单序列多层LVP原图像和分割图像压缩为单层高价值点(highvaluepoint,HVP)原图像和分割图像.将压缩算法应用于磁共振脑胶质瘤的自有数据集和公开数据集中,对比了压缩前原始图像标注时间和压缩成单层HVP图像标注时间,并测试压缩图像进行影像组学分级任务的效果.实验结果表明:压缩后标注一例病例的时间与压缩前相比显著减少,AUC等指标在执行文中算法和未执行下得到的分级结果相差甚微,均高于医生诊断水平.因此,在误差可接受范围内,医生仅需标注一层HVP图像便能进行医学影像分析,并且也能获得较好的分析结果.对于医生来说,可显著缩减医生标注任务的工作量.

摘要：对于脑胶质瘤图像分割这类密集预测的医学影像分割任务,局部和全局依赖关系都是不可或缺的,针对卷积神经网络缺乏建立全局依赖关系的能力,且自注意力机制在局部细节上捕捉能力不足等问题,提出了基于卷积和可变形注意力的脑胶质瘤图像分割方法。设计了卷积和可变形注意力Transformer的串行组合模块,其中卷积用于提取局部特征,紧随其后的可变形注意力Transformer用于捕捉全局依赖关系,建立不同分辨率下局部和全局依赖关系。作为一种CNN-Transformer混合架构,所提方法不需要任何预训练即可实现精准的脑胶质瘤图像分割。实验结果表明:所提方法在BraTS2020脑胶质图像分割数据集上平均Dice系数和平均95%豪斯多夫距离分别为83.56%和11.30 mm,达到了与其他脑胶质瘤图像分割方法相当的分割精度,同时降低了至少50%的计算开销,有效提升了脑胶质瘤图像分割的效率。

摘要：阿尔茨海默症(Alzheimer’s disease,AD)作为一种不可逆转的神经退行性疾病,能在其发病初期进行干预治疗对病情的控制和改善具有重要意义。近年来,研究者广泛地使用深度学习方法对AD的核磁共振成像(Magnetic resonance imaging,MRI)进行分析并做出早期诊断。但AD早期的脑部结构变化与正常人差别较小,目前单一尺度的分析方法难以有效捕捉到这些细小差别的特征。针对以上问题,本文提出特征增强金字塔网络(Feature enhanced pyramid network,FEPN)进行AD的MRI早期诊断,通过设计的浅层特征重提取模型利用上下文信息补充高层特征,并计算融合权重指导高低层特征图的融合,增强了上下文信息交互和多尺度特征融合的匹配度。对比实验采用Kaggle公开的Alzheimer数据集对该方法进行验证,实验结果表明,相比于其他同类方法,FEPN有效提升了4种AD脑状态(非痴呆、非常轻度痴呆、轻度痴呆、中度痴呆)MRI的分类精度。

摘要：远程影像诊断是医疗资源再分配的有效方式,临床上受到越来越多的关注。由于影像诊断复杂且影像数据体量较大,远程影像诊断的应用和发展受制于资深医生资源的配合以及传统IPv4网络的网络质量。为此,设计开发一套基于IPv6的医学影像在线诊断系统,使用IPv6高速专用通道传输医学影像数据。以脑胶质瘤为切入点,利用影像组学研发自动分析算法,辅助医生的诊断工作,实现了工程化的数据上传、病灶标注、自动诊断、医生确诊及病例讨论。经部署和测试,该系统能在IPv6环境下实现数据的高速传输,脑胶质瘤自动分级的准确率达到90.76%,能够为医生诊断提供可靠的依据,减少医生工作量。