检索结果-内蒙古大学图书馆

软件学报 2024年第12期35卷 5687-5709页

作者：刘慧朱积成王欣雨盛玉瑞张彩明聂礼强山东财经大学计算机科学与技术学院山东济南250014 山东省数字媒体技术重点实验室(山东财经大学) 山东济南250014 山东第一医科大学第一附属医院山东济南250014 山东大学软件学院山东济南250101 哈尔滨工业大学(深圳)计算机学院广东深圳518055

多模态医学图像融合技术可以实现不同模态数据反映的组织结构与病变信息的融合,为后续医疗诊断、手术导航等临床应用提供更为全面和准确的医学图像分析.针对现有融合方法中存在的部分光谱退化、黏连病变侵袭区域边缘和细节缺失和色彩还... 详细信息

多模态医学图像融合技术可以实现不同模态数据反映的组织结构与病变信息的融合,为后续医疗诊断、手术导航等临床应用提供更为全面和准确的医学图像分析.针对现有融合方法中存在的部分光谱退化、黏连病变侵袭区域边缘和细节缺失和色彩还原不足等问题,提出一种在多尺度特征频域分解滤波域内实现图像多特征增强和色彩保留的多模态医学图像融合方法.该方法将源图像分解为平滑、纹理、轮廓和边缘这4个特征层,分别利用特定融合规则并通过图像重构产生融合结果.特别地,鉴于平滑层所含潜在特征信息,提出视觉显著性分解策略,多尺度多维度地挖掘平滑层图像能量、部分纤维纹理等特征,提升源图像信息利用率;在纹理层中,提出纹理增强算子,通过空间结构和信息度量提取细节及其层次信息,解决现有融合方法中对黏连病变区域侵袭状态难以区分等问题.此外,针对缺乏公开腹部数据集的问题,配准403组腹部图像可供公开访问和下载.在Atlas公开数据集和腹部数据集上与6种基准方法对比及消融实验结果表明,所提方法相较于最先进的方法在融合图像与源图像相似度提升22.92%,边缘保持度提升35.79%,空间频率提升28.79%,对比度提升32.92%,并在视觉和计算效率方面有较好的效果,明显优于其他方法.

关键词：医学图像融合多尺度特征频域分解滤波视觉显著性分解策略纹理增强算子多模态腹部数据集

来源：评论

学校读者我要写书评

暂无评论

一种具有域自适应反标准化的多模态医学图像对比学习算法

引用

生物医学工程学杂志 2023年第3期40卷 482-491页

作者：文含赵莹蔡秀定刘爱连姚宇付忠良中国科学院成都计算机应用研究所成都610213 中国科学院大学北京100049 大连医科大学附属第一医院辽宁大连116011 大连市医学影像人工智能工程技术研究中心辽宁大连116000

最近,深度学习在医学图像任务中取得了令人瞩目的成果。然而,这种方法通常需要大规模的标注数据,而医学图像的标注成本较高,因此如何从有限的标注数据中进行高效学习是一个难题。目前,常用的两种方法是迁移学习和自监督学习,然而这两种... 详细信息

最近,深度学习在医学图像任务中取得了令人瞩目的成果。然而,这种方法通常需要大规模的标注数据,而医学图像的标注成本较高,因此如何从有限的标注数据中进行高效学习是一个难题。目前,常用的两种方法是迁移学习和自监督学习,然而这两种方法在多模态医学图像中的研究却很少,因此本研究提出了一种多模态医学图像对比学习方法。该方法将同一患者不同模态的图像作为正样本,有效增加训练过程中的正样本数量,有助于模型充分学习病灶在不同模态图像上的相似性和差异性,从而提高模型对医学图像的理解能力和诊断准确率。常用的数据增强方法并不适合多模态图像,因此本文提出了一种域自适应反标准化方法,借助目标域的统计信息对源域图像进行转换。本研究以两个不同的多模态医学图像分类任务对本文方法展开验证:在微血管浸润识别任务中,本文方法获得了(74.79±0.74)%的准确率和(78.37±1.94)%的F1分数,相比其它较为熟知的学习方法有所提升;对于脑肿瘤病理分级任务,本文方法也取得了明显的改进。结果表明,本文方法在多模态医学图像数据上取得了良好的结果,可为多模态医学图像的预训练提供一种参考方案。

关键词：自监督学习多模态医学图像疾病诊断域自适应反标准化

来源：评论

学校读者我要写书评

暂无评论

预训练模型特征提取的双对抗磁共振图像融合网络研究

引用

软件学报 2023年第5期34卷 2134-2151页

作者：刘慧李珊珊高珊珊邓凯徐岗张彩明山东财经大学计算机科学与技术学院山东济南250014 山东省数字媒体技术重点实验室山东济南250014 山东第一医科大学第一附属医院山东济南250013 杭州电子科技大学计算机学院浙江杭州310018 山东大学软件学院山东济南250101

随着多模态医学图像在临床诊疗工作中的普及,建立在时空相关性特性基础上的融合技术得到快速发展,融合后的医学图像不仅可以保留各模态源图像的独有特征,而且能够强化互补信息、便于医生阅片.目前大多数方法采用人工定义约束的策略来实... 详细信息

随着多模态医学图像在临床诊疗工作中的普及,建立在时空相关性特性基础上的融合技术得到快速发展,融合后的医学图像不仅可以保留各模态源图像的独有特征,而且能够强化互补信息、便于医生阅片.目前大多数方法采用人工定义约束的策略来实现特征提取和特征融合,这容易导致融合图像中部分有用信息丢失和细节不清晰等问题.为此,提出一种基于预训练模型特征提取的双对抗融合网络实现MR-T1/MR-T2图像的融合.该网络由一个特征提取模块、一个特征融合模块和两个鉴别网络模块组成.由于已配准的多模态医学图像数据集规模较小,无法对特征提取网络进行充分的训练,又因预训练模型具有强大的数据表征能力,故将预先训练的卷积神经网络模型嵌入到特征提取模块以生成特征图.然后,特征融合网络负责融合深度特征并输出融合图像.两个鉴别网络通过对源图像与融合图像进行准确分类,分别与特征融合网络建立对抗关系,最终激励其学习出最优的融合参数.实验结果证明了预训练技术在所提方法中的有效性,同时与现有的6种典型融合方法相比,所提方法融合结果在视觉效果和量化指标方面均取得最优表现.

关键词：多模态医学图像图像融合预训练模型双鉴别网络对抗学习

来源：评论

学校读者我要写书评

暂无评论

一种基于活动轮廓模型的PET-CT肺肿瘤分割方法

引用

电子与信息学报 2021年第12期43卷 3496-3504页

作者：宗静静邱天爽朱广文大连交通大学计算机与通信工程学院大连116028 大连理工大学电子信息与电气工程学部大连116024 大连医科大学附属第一医院核医学科大连116011

针对PET-CT肺肿瘤分割中存在的没有充分将医生临床经验融入到算法设计的问题,该文利用PET高斯分布先验,结合区域可伸缩拟合(RSF)模型和最大似然比分类(MLC)准则,提出一种基于变分水平集的混合活动轮廓模型RSF;L。进一步,借鉴人工勾画肺... 详细信息

针对PET-CT肺肿瘤分割中存在的没有充分将医生临床经验融入到算法设计的问题,该文利用PET高斯分布先验,结合区域可伸缩拟合(RSF)模型和最大似然比分类(MLC)准则,提出一种基于变分水平集的混合活动轮廓模型RSF;L。进一步,借鉴人工勾画肺肿瘤过程中融合图像的重要价值,提出了基于RSF;L的PET-CT肺肿瘤融合图像分割方法。实验表明,所提出方法较好地实现了有代表性的非小细胞肺肿瘤(Non-Small Cell Lung Cancer,NSCLC)的精确分割,主客观结果优于对比方法,可为临床提供有效的计算机辅助分割结果。

关键词：活动轮廓模型肺肿瘤分割变分水平集最大似然比分类

来源：评论

学校读者我要写书评

暂无评论

基于多任务学习的肝细胞癌分割与病理分化程度预测方法

引用

生物医学工程学杂志 2023年第1期40卷 60-69页

作者：文含赵莹杨涌王洪凯刘爱连姚宇付忠良中国科学院、成都计算机应用研究所成都610213 中国科学院大学北京100049 大连医科大学附属第一医院辽宁大连116011 大连理工大学、生物医学工程学院辽宁大连116024 大连市医学影像人工智能工程技术研究中心辽宁大连116000

肝细胞癌(HCC)是最常见的肝脏恶性肿瘤,其中HCC分割和病理分化程度预测是手术治疗和预后评估过程中的两个重要任务。现有方法通常独立地解决这两个问题,没有考虑两个任务的相关性。本文提出了一种多任务学习模型,旨在同时完成分割任务... 详细信息

肝细胞癌(HCC)是最常见的肝脏恶性肿瘤,其中HCC分割和病理分化程度预测是手术治疗和预后评估过程中的两个重要任务。现有方法通常独立地解决这两个问题,没有考虑两个任务的相关性。本文提出了一种多任务学习模型,旨在同时完成分割任务和病理分化程度分类任务。本文所提模型由分割子网和分类子网构成:在分类子网中提出了一种多尺度特征融合方法来提高分类精度;在分割子网中设计了一种边界感知注意力,用于解决肿瘤过分割问题。本文采用动态权重平均多任务损失,使模型在两个任务中同时获得最优的性能。研究结果显示,本文方法在295例HCC患者上的实验结果均优于其它多任务学习方法,在分割任务上戴斯相似系数(Dice)为(83.9±0.88)%,同时在分类任务上的平均召回率为(86.08±0.83)%,F1分数为(80.05±1.7)%。该结果表明,本文提出的多任务学习方法能够同时较好地完成分类任务和分割任务,可为HCC患者的临床诊断和治疗提供理论参考。

关键词：深度学习多任务学习肝细胞癌分类分割

来源：评论

学校读者我要写书评

暂无评论

基于影像组学的肝细胞癌病理分级方法

引用

计算机应用 2022年第S02期42卷 243-248页

作者：阳湘云姚宇赵莹林涛刘爱连中国科学院成都计算机应用研究所成都610041 中国科学院大学北京100049 大连医科大学附属第一医院辽宁大连116011 大连市医学影像人工智能工程技术研究中心(大连医科大学附属第一医院) 辽宁大连116011

针对术前无创准确判断肝细胞癌(HCC)病理分化程度这一问题,提出了一种基于影像组学的肝细胞癌病理分级方法。该方法结合多模态融合及AdaBoost算法构建模型。首先,基于影像组学方法提取磁共振成像(MRI)的影像组学特征,通过特征递归消除... 详细信息

针对术前无创准确判断肝细胞癌(HCC)病理分化程度这一问题,提出了一种基于影像组学的肝细胞癌病理分级方法。该方法结合多模态融合及AdaBoost算法构建模型。首先,基于影像组学方法提取磁共振成像(MRI)的影像组学特征,通过特征递归消除等算法进行特征筛选和降维后进行多模态融合;然后,采用过采样方法解决数据类别不平衡问题优化模型性能;最后,基于Adaboost算法建模对HCC进行病理分化等级细分类。实验结果表明,所提方法在相同数据集的F1值比现有的加权融合方法、基于支持向量机(SVM)算法的方法相比均要高5个百分点。对比基于单模态构建的F1值最优模型,使用的多模态融合方法的F1值提高了7个百分点。

关键词：肝细胞癌影像组学 AdaBoost 多模态融合病理分级

来源：评论

学校读者我要写书评

暂无评论

预训练深度学习神经网络模型在鉴别中枢神经系统肿瘤中的应用价值

引用

中华神经外科杂志 2024年第4期40卷 378-384页

作者：王俊康王率伊刘济源张建新刘斌李哲胡锦渠李志鹏欧绍武王军中国医科大学附属第一医院神经外科沈阳110001 大连民族大学计算机科学与工程学院大连116600 大连理工大学软件学院国际信息与软件学院大连116620 大连理工大学-立命馆大学健康医疗智能计算联合研究中心大连116620 中山大学生物医学工程学院广东省传感技术与生物医疗仪器重点实验室深圳518107

目的构建基于MRI T1加权增强序列的预训练深度学习神经网络模型,并验证其鉴别诊断原发性中枢神经系统淋巴瘤(PCNSL)、胶质母细胞瘤(GBM)、脑转移瘤(BM)的效能。方法回顾性分析2015年1月至2022年6月于中国医科大学附属第一医院神经外科... 详细信息

目的构建基于MRI T1加权增强序列的预训练深度学习神经网络模型,并验证其鉴别诊断原发性中枢神经系统淋巴瘤(PCNSL)、胶质母细胞瘤(GBM)、脑转移瘤(BM)的效能。方法回顾性分析2015年1月至2022年6月于中国医科大学附属第一医院神经外科行手术治疗、术后经病理学检查确诊为PCNSL、GBM、BM的患者。按筛选标准共纳入149例,其中PCNSL43例、GBM62例、BM44例,随机划分为训练集和测试集。获取影像学数据后采用Slicer软件勾画感兴趣区域并进行预处理,基于EfficientNetV2构建深度学习神经网络模型,使用迁移学习方法在ImageNet上进行预训练和微调后,分别于训练集、测试集上训练和验证模型,计算其鉴别3种疾病的准确率、精确率、召回率(灵敏度)、特异度、F1分数,并绘制受试者工作特征(ROC)曲线,计算ROC曲线下面积(AUC)以评估其诊断效能。结果应用该模型总的诊断准确率为89.4%,平均AUC为0.96;该模型被用于鉴别诊断PCNSL、GBM、BM的灵敏度分别为0.893.0.936、0.778,特异度分别为0.996、0.877、0.955,F1分数分别为0.940.0.900.0.778,AUC(95%CI)分别为0.98(0.946~0.997)0.96(0.932~0.986)、0.95(0.905~0.980)。结论初步研究表明,本研究建立的预训练深度学习神经网络模型对PCNSL、GBM、BM有较优异的诊断效能。

关键词：中枢神经系统肿瘤诊断,鉴别淋巴瘤胶质母细胞瘤脑转移瘤深度学习

来源：评论

学校读者我要写书评

暂无评论

面向医学图像层间插值的循环生成网络研究

引用

图学学报 2023年第3期44卷 502-512页

作者：孙龙飞刘慧杨奉常李攀山东财经大学计算机科学与技术学院山东济南250014 山东省数字媒体技术重点实验室山东济南250014 山东第一医科大学附属肿瘤医院山东济南250014 重庆医科大学附属第二医院重庆400010

由于受成像设备性能及辐射剂量等因素的限制,CT以及MRI图像序列的层间分辨率远低于层内分辨率,这极大地限制了医学图像的应用,如何有效提高医学图像序列的层间分辨率是一个亟待解决的问题。针对此问题,将医学图像转换成对应的二值图像,... 详细信息

由于受成像设备性能及辐射剂量等因素的限制,CT以及MRI图像序列的层间分辨率远低于层内分辨率,这极大地限制了医学图像的应用,如何有效提高医学图像序列的层间分辨率是一个亟待解决的问题。针对此问题,将医学图像转换成对应的二值图像,实现对连续医学图像序列简单且流畅的层间插值处理,提出一种医学图像层间插值循环生成网络。该网络由2个模块构成:图像转换模块设计包含9个残差块和2个双线性上采样模块的生成器子网络实现有效的图像转换,然后通过该模块学习到的双向非线性映射能力实现医学图像和其对应二值图像之间的循环映射;插值模块将运动估计和图像生成合并到单个卷积步骤中,并构造一个适于医学图像特征的二值图Charbonnier差损失函数进一步提高图像清晰度,完成对二值图像序列的插值处理。在5个多类型数据集上的实验结果表明,生成图像的平均峰值信噪比(PSNR)和结构相似性(SSIM)均优于先进对比方法,在图像边缘、轮廓等细节信息的处理上更加出色。

关键词：医学图像层间插值循环生成网络生成器运动估计损失函数

来源：评论

学校读者我要写书评

暂无评论

基于高低频特征分解的深度多模态医学图像融合网络

引用

图学学报 2024年第1期45卷 65-77页

作者：王欣雨刘慧朱积成盛玉瑞张彩明山东财经大学计算机科学与技术学院山东济南250014 山东省数字媒体技术重点实验室山东济南250014 山东第一医科大学第一附属医院山东济南250014 山东大学软件学院山东济南250014

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于... 详细信息

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于高低频特征分解的深度多模态医学图像融合网络,将通道注意力和空间注意力机制引入融合过程,在保持全局结构的基础上保留了局部纹理细节信息,实现了更加细致的融合。首先,通过预训练模型VGG-19提取两种模态图像的高频特征,并通过下采样提取其低频特征,形成高低频中间特征图。其次,在特征融合模块嵌入残差注意力网络,依次从通道和空间维度推断注意力图,并将其用来指导输入特征图的自适应特征优化过程。最后,重构模块形成高质量特征表示并输出融合图像。实验结果表明,该算法在Harvard公开数据集和自建腹部数据集峰值信噪比提升8.29%,结构相似性提升85.07%,相关系数提升65.67%,特征互信息提升46.76%,视觉保真度提升80.89%。

关键词：多模态医学图像融合预训练模型深度学习高低频特征提取残差注意力网络

来源：评论

学校读者我要写书评

暂无评论

计算机辅助精子分析的实验室应用中国专家共识(2025)

引用

中国男科学杂志 2025年第03期 3-13+20页

作者：李红林陆金春《计算机辅助精子分析的实验室应用中国专家共识》编写组南京医科大学附属淮安第一医院东南大学附属中大医院

计算机辅助精子分析(CASA)具有自动化程度高、检测速度快、检验结果较客观等优势，已广泛应用于我国男科实验室。但CASA的分析结果易受到人员操作、样本制备、帧率、精子浓度和计数池深度等因素的影响，实验室间差异较大。目前国际国内... 详细信息

计算机辅助精子分析(CASA)具有自动化程度高、检测速度快、检验结果较客观等优势，已广泛应用于我国男科实验室。但CASA的分析结果易受到人员操作、样本制备、帧率、精子浓度和计数池深度等因素的影响，实验室间差异较大。目前国际国内在CASA设备选择、性能验证、配套计数板的选择与使用、规范化术语、质量控制等方面缺乏具体而明确的统一标准。为此，依托江苏省妇幼健康研究会生殖检验质控联盟组织全国精液分析岗位的一线专家，成立《计算机辅助精子分析的实验室应用中国专家共识》编写组，参考WHO第5版和第6版手册、ISO23162:2021、精液分析领域的现有专家共识和近年来发表的国内外相关文献，并结合我国男科实验室现状，针对CASA应用中设备选择、配套计数板的选择和应用、仪器安装和性能验证、操作人员培训与考核、特殊样本的处理、计算机辅助精子形态学分析、质量控制与规范化术语、标准化检测流程等关键问题进行反复讨论并达成共识，以促进其规范化与标准化应用，为精液分析结果互认提供质量保证。

关键词：计算机辅助精子分析精液质量控制专家共识

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：