1 上海理工大学 健康科学与工程学院, 上海 200093
2 中国船舶集团第七一五研究所 第九研究室, 浙江 杭州 310023
3 上海交通大学 医学院附属上海市仁济医院 超声科, 上海 200025
高频医用超声成像技术因其高空间分辨率而被广泛应用于人体组织的精细结构观察, 其中高频超声换能器的核心材料是1-3型压电复合材料。采用软模板法直接烧结了锆钛酸铅(PZT)压电微柱阵列, 进而制备PZT/环氧1-3型压电复合材料, 并对其进行了微观结构观察和电学性能表征。材料微观结构完整, 机电耦合系数达到0.64。采用此复合材料制备了中心频率为20 MHz的高频超声换能器。采用脉冲回波法对换能器进行了性能和声场测试, 并利用其对人体皮肤进行了超声成像, 换能器的插入损耗、带宽分别为13.1 dB和84.2%。结果表明, 软模法制备的1-3型压电复合材料能使高频超声换能器兼具低插入损耗和大带宽, 这为高性能高频医用超声换能器提供了一种低成本、高效率的商业化制备方法。
1-3型压电复合材料 软模法 高频超声换能器 医用超声成像 1-3 piezocomposite soft-mold method high-frequency ultrasonic transducer medical ultrasonic imaging
1 1. 上海理工大学 健康科学与工程学院, 上海 200093
2 2. 中国科学院 上海硅酸盐研究所, 上海 200050
医用高频超声成像技术广泛应用于皮肤、眼睛及血管壁等人体组织的精细结构成像。1-3复合压电材料因具有较高的机电耦合系数而成为高频超声换能器的核心材料。传统的机械切割-填充、等离子蚀刻等1-3复合材料制备方法成本高、效率低, 难以实现工业化制备。本研究提出一种新的基于软模板的高频复合材料制备方法, 在获得高机电耦合系数的同时, 实现高性能1-3复合压电材料的低成本制备。研究采用微米孔径的软模板实现PZT粉的浆料填充, 通过热压烧结获得均匀竖立的PZT陶瓷微柱阵列, 进而制备出PZT/环氧1-3复合材料。对复合材料进行系统的机电性能测试, 并利用不同方法对复合材料的微结构及其均匀性进行表征。结果表明, 软模板法可使压电微柱具有完整的相结构和较高的成分均匀性, 能够实现较高的胚体压缩率, 提高陶瓷微柱的致密度, 同时形成了微柱阵列且微柱直径可控制在70 μm。软模板法有利于在提高复合材料超声频率(30~50 MHz)的同时获得64%的高机电耦合系数, 为医用高频超声成像以及超声生物显微镜等应用提供了一种高效的1-3复合压电材料工业化制备方法。
1-3复合压电材料 软模板法 高频超声换能器 压电陶瓷 1-3 piezoelectric composite soft mold method high frequency ultrasonic piezoelectric ceramics
1 上海理工大学 医疗器械与食品学院，上海 200093
2 上海交通大学 医学院附属仁济医院超声科，上海 200025
3 上海师范大学 数理学院，上海 200233
高频超声成像具有几十微米级的纵向分辨率，适用于皮肤等人体组织的微结构成像。该文针对皮肤囊肿等凸形的人体组织内部微结构，提出了一种适用于凸形组织的非接触式弧形超声扫描成像方法，设计并制备了一款41.5 MHz的高频超声换能器。首先采用脉冲回波法对其性能进行系统表征，然后设计了凸形旋转扫描成像装置，并对凸形皮肤囊肿模型进行扫描、滤波、补偿等信号采集和处理，最终实现了高频超声成像。结果表明，此方法所用换能器纵向分辨率为50 μm，能够对皮肤囊肿模型内部精细结构进行成像，这将促进相关临床医学和超声成像技术的发展。
超声换能器 高频超声成像 皮肤囊肿 极坐标成像 ultrasonic transducer high frequency ultrasound imaging skin cyst polar imaging
上海理工大学 医疗器械与食品学院 医学影像处理实验室, 上海 200093
基于电子计算机断层扫描(CT)影像的肺叶分割是医生诊断和治疗肺部疾病的重要参考之一, 但肺叶边界的模糊以及手动分割的巨大工作量使得医生难以准确、快速地分割肺叶。为此, 提出了一种基于新型3D全卷积神经网络的肺叶自动分割方法。对原始CT图像进行预处理, 然后利用预处理后图像训练卷积神经网络,再将待分割图像输入到训练好的网络模型中, 实现CT图像中肺叶的自动分割。实验数据包括来自上海市肺科医院的50例肺部疾病患者的CT图像, 30例被用于训练, 20例被用于测试。对分割结果进行了定量评价, 其中Dice系数为0.961, Jaccard相似系数为0.916。实验结果表明该肺叶自动分割算法具有更好的分割性能以及更强的泛化能力, 即使在训练集数据较少的情况下, 也能够准确、快速的分割肺叶。
X射线光学 CT图像 肺叶分割 深度学习 全卷积神经网络 多任务学习 X-ray optics CT scans lung lobes deep learning convolutional neural network multitasking
1 上海理工大学 医疗器械与食品工程学院, 上海 200093
2 山东大学 齐鲁医院神经外科, 山东 青岛 266035
准确可靠的脑胶质瘤分割是脑胶质瘤诊断、治疗方案制定和治疗效果评价的重要前提。为了有效针对脑胶质瘤MRI的特性和基于CNNs的脑胶质瘤分割方法的不足, 提出了一种融合三个密集连接型2D-CNNs分割结果的方法。将三维多模态MRI数据沿轴状面、冠状面和矢状面切片化, 并在预处理后的切片上按比例截取33×33大小的图像块, 得到三个视图的训练集; 将三个训练集分别送入到密集连接型2D-CNNs模型中进行训练, 得到三个分割模型; 然后, 将测试病人的各视图图像块依次输入到训练好的分割模型, 得到脑胶质瘤三个视图的粗分割结果; 将三个视图的粗分割结果进行融合处理和后处理, 得到脑胶质瘤的最终分割结果, 并具体划分为水肿、增强和坏死/非增强三种区域。本研究包含了BraTS2018和BraTS2013的数据集并利用Dice系数、阳性预测值、灵敏度三个指标对分割结果进行评价。实验结果表明, 所提出的分割方法不仅能够精确的分割脑胶质瘤, 而且可以利用多个2D-CNNs实现脑胶质瘤的三维分割。
脑胶质瘤 多模态磁共振图像 图像分割 密集连接型2D-CNNs glioma multimodal MRI image segmentation densely connected 2D CNNs
上海理工大学医疗器械与食品学院, 上海 200082
提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。
图像处理 肺癌早期诊断 CT影像 肺结节良恶性鉴别 LIDC-IDRI数据库 光学学报
2020, 40(24): 2410002
上海理工大学 医疗器械与食品学院, 上海 200093
CT图像中肺叶位置的确定对于肺部疾病的准确定位以及定性定量分析具有重要意义。为了提高肺叶自动分割准确率,提出了一种结合气管,血管等传统解剖学特征以及深度学习的肺叶分割算法。对原始图像进行预处理,获取肺实质、气管、血管以及基于深度学习网络的肺裂分割结果; 整合来自多个解剖结构的信息生成分水岭分割所需成本图像; 通过基于深度学习网络的肺叶粗分割结果,获取肺叶标记区域; 执行基于标记的分水岭分割,实现肺叶的自动分割。选取了来自上海市肺科医院的20例含有肺部疾病患者的CT图像对该方法进行验证,最终的Jaccard相似性系数为92.4%。实验结果表明方法具有较高的肺叶分割精度,并且具有较强的鲁棒性。
CT图像 肺叶分割 深度学习 肺部管道 分水岭分割 CT scans lung lobe deep learning lung tubular structure watershed segmentation
