1 重庆大学 光电技术与系统教育部重点实验室， 重庆400044
2 重庆大学附属肿瘤医院 影像科， 重庆400030
卷积神经网络的语义分割模型未有效利用特征权重信息，导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的U-Net++网络，并将其应用于电子计算机断层扫描影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在LIDC数据集和重庆大学附属肿瘤医院肺部电子计算机断层扫描数据集上进行了分割实验，所提方法的交叉比在两个数据集上分别可达到80.59%和87.40%、骰子系数分别可达到88.23%和90.83%。相比U-Net和U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割，较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。
计算机图象处理 分割算法 权重聚合 肺结节 CT影像 Computer image processing Segmentation algorithm Weighted aggregation Lung nodule CT image
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
南京航空航天大学生物医学工程系, 江苏 南京 210016
脊柱的治疗非常重要, 其中螺钉的准确植入是其内固定术的一个重要影响因素。 但由于椎骨外形差异较大, 很容易在螺钉植入过程中出现误植, 从而引起并发症。 因此, 需要寻找一种准确的椎弓根螺钉植入检测与监测方法。 提出了一种联合近红外参数和CT影像方法, 该方法可应用于椎弓根螺钉的植入过程中, 将计划植钉路径上椎骨组织的近红外参数和CT值进行研究, 提高术中植钉的准确率。 首先以猪椎骨为实验模型, 规划手术中的典型螺钉植入路径; 然后采用相关系统测量植入针道上的光谱, 计算光谱分析得到最佳近红外参数, 将其定义为特征因子; 进一步将规划路径上的CT值与特征因子进行关联, 建立三维空间CT值与近红外参数的转换模型。 结果表明CT值与特征因子具有线性关系, 为椎弓根螺钉植钉手术中的螺钉位置实时监测提供了参考依据, 该模型可以用于螺钉植入术中监测和误植预警。 论文提出的联合近红外参数和CT影像的椎弓根螺钉植入术中监测方法, 为临床手术中植钉准确率的提高奠定了基础。
近红外参数 椎弓根螺钉 CT影像 关联模型 导航 Near-infrared parameter Pedicle screw CT image Correlation model Navigation
