• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看

      ?

      磁共振成像子宮及子宮肌瘤圖像分割方法研究進(jìn)展

      2023-09-07 14:26:18張劍李光輝胡艷戴夢(mèng)瑩呂發(fā)金
      中國醫(yī)療器械信息 2023年13期
      關(guān)鍵詞:肌瘤卷積聚類

      張劍 李光輝 胡艷 戴夢(mèng)瑩 呂發(fā)金,2*

      1 重慶醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院,超聲醫(yī)學(xué)工程國家重點(diǎn)實(shí)驗(yàn)室,重慶市生物醫(yī)學(xué)工程重點(diǎn)實(shí)驗(yàn)室 (重慶 400016)

      2 重慶醫(yī)科大學(xué)附屬第一醫(yī)院放射科 (重慶 400016)

      內(nèi)容提要: 子宮及子宮肌瘤自動(dòng)分割對(duì)子宮肌瘤患者的病情診斷、治療規(guī)劃和術(shù)后評(píng)估有著重要的指導(dǎo)意義。目前,大部分分割工作還是依賴于醫(yī)生手工標(biāo)注,效率不高且結(jié)果易受個(gè)體差異影響,尋求一種快速、準(zhǔn)確的子宮及子宮肌瘤自動(dòng)分割方法非常具有研究意義。文章對(duì)各類磁共振成像子宮及子宮肌瘤分割方法進(jìn)行了總結(jié),文末對(duì)子宮及子宮肌瘤分割領(lǐng)域未來的發(fā)展趨勢(shì)進(jìn)行了討論。

      子宮肌瘤,也稱為子宮平滑肌瘤、子宮纖維瘤,起源于子宮平滑肌組織,是臨床非常常見的一種良性腫瘤[1]。當(dāng)前臨床對(duì)子宮肌瘤的主要診斷方法包括超聲檢查、陰道檢查、宮腔鏡檢查和磁共振成像(Magnetic Resonance Imaging,MRI)檢查等。MRI生成的影像質(zhì)量高,可以顯示所有平面的組織結(jié)構(gòu),具有對(duì)軟組織分辨率高的優(yōu)點(diǎn),能為子宮肌瘤的診療提供豐富的影像信息,如今已經(jīng)成為了子宮肌瘤診療的常用技術(shù)手段。通過MRI對(duì)腫瘤進(jìn)行分割辨別,醫(yī)生可以清楚判斷腫瘤的大小、位置和數(shù)量,為患者后續(xù)治療制定更加合適的方案。目前,大部分的子宮肌瘤分割還是依賴于放射科醫(yī)生的人工標(biāo)注,這種手動(dòng)分割方法費(fèi)時(shí)費(fèi)力,當(dāng)判斷某一區(qū)域是否屬于病變部位時(shí),往往需要觀察多個(gè)圖像序列,所以分割結(jié)果容易受到個(gè)人經(jīng)驗(yàn)的影響。因此,設(shè)計(jì)一種快速、準(zhǔn)確的子宮肌瘤自動(dòng)分割方法在臨床應(yīng)用中具有重要意義。

      1.基于傳統(tǒng)方法的分割方法

      1.1 聚類算法

      聚類算法是將一組數(shù)據(jù)根據(jù)某些屬性特征將其分成不同集合的機(jī)器學(xué)習(xí)技術(shù)。聚類算法是無監(jiān)督學(xué)習(xí)方法,根據(jù)特定的目標(biāo)函數(shù),聚類算法將大量無標(biāo)簽數(shù)據(jù)以同簇?cái)?shù)據(jù)的屬性特征盡量相似,不同簇?cái)?shù)據(jù)之間的屬性特征盡量不同為目的將數(shù)據(jù)分成不同簇。

      Fallahi等[2]對(duì)10名即將進(jìn)行子宮動(dòng)脈栓塞術(shù)的子宮肌瘤患者的T1W和T1W增強(qiáng)MRI進(jìn)行了子宮分割。基于模糊C均值(Fuzzy C-means,F(xiàn)CM)算法,將未標(biāo)記的數(shù)據(jù)集劃分為n類,由于T1W增強(qiáng)影像的紋理特性,選擇n為3,隨著子宮在T1W增強(qiáng)圖像中的增強(qiáng),子宮像素被分為了第三類。在得到FCM算法的分割結(jié)果之后,需要對(duì)其中的一些聚類點(diǎn)進(jìn)行矯正以展示出合理的解剖結(jié)構(gòu),對(duì)二值圖像進(jìn)行了兩種形態(tài)學(xué)操作。然后,將T1W增強(qiáng)圖像的分割結(jié)果配準(zhǔn)到T1W圖像中,并使用直方圖閾值化方法來消除多余部分,最后得到了子宮的分割結(jié)果。該方法取得的分割結(jié)果與專家手動(dòng)分割的圖像具有80%的平均相似性、75.32%的平均敏感性和89.5%的平均特異性。

      Fallahi等[3]在前文方法的基礎(chǔ)上,提出了一個(gè)兩階段分割多肌瘤患者子宮肌瘤的方法:①利用FCM算法從T1W增強(qiáng)圖像中分割出子宮,配準(zhǔn)到T1W圖像中后得到粗分割結(jié)果,再使用形態(tài)學(xué)操作進(jìn)行處理。②在T2圖像中使用新的MPFCM算法對(duì)子宮進(jìn)行分割,再使用基于知識(shí)的圖像對(duì)子宮肌瘤進(jìn)行分割。為了解決FCM 算法中隸屬度函數(shù)沒有隨著到類中心的距離減小的問題,可能性C均值算法(Possibilistic C-Means,PCM)被提出,該算法使用了新的目標(biāo)函數(shù),并且調(diào)整了歸一化約束條件。然而,該算法也存在一些問題,它對(duì)初始化十分敏感。為了解決FCM算法和PCM算法的問題,模糊可能性C均值(Fuzzy Possibilistic C-Means,F(xiàn)PCM)算法被提出,但該算法在大數(shù)據(jù)集的情況下也存在運(yùn)行缺陷。之后,可能性模糊C均值(Possible Fuzzy C-Means,PFCM)算法解決了PCM算法和FCM算法的問題,并且在大數(shù)據(jù)集上運(yùn)行良好。他們基于馬爾科夫隨機(jī)場和吉布斯隨機(jī)場理論,提出了一種新算法MPFCM(改進(jìn)的PFCM),它使用體素及鄰域、隸屬度和典型性信息進(jìn)行分類。在第二階段分割中,他們用三分類MPFCM算法從已配準(zhǔn)的T2圖像中分割子宮,由于子宮肌瘤和子宮的部分組織信號(hào)強(qiáng)度相近,他們使用了基于知識(shí)的圖像處理來消除多余部分:假設(shè)子宮肌瘤呈凸面并且近似于圓形,宮頸位于子宮的左側(cè)(矢狀面圖像)。在5名患者組成的圖像數(shù)據(jù)集中,該方法取得的分割結(jié)果的平均相似性為79.91%,平均Jaccard index為68.22%,平均敏感性為76.44%,平均特異性為85.9%。

      Militello等[4]為了提高對(duì)MRI引導(dǎo)的聚焦超聲治療后的子宮肌瘤區(qū)域分割效率和準(zhǔn)確度,提出了一種基于FCM算法和迭代最優(yōu)閾值算法的全自動(dòng)子宮和肌瘤分割方法。迭代最優(yōu)閾值算法可以根據(jù)圖像的整體灰度值自動(dòng)選擇出一個(gè)閾值:①用一個(gè)全局閾值初始估計(jì)值T對(duì)圖像進(jìn)行分割。②得到G1和G2兩組像素,分別計(jì)算G1和G2區(qū)域的平均灰度值g1和g2。③得到新的閾值T=(g1+g2)/2。④重復(fù)步驟①~③,直到T或ΔT達(dá)到某一條件為止,得到的T便是最優(yōu)閾值。他們?cè)谶M(jìn)行圖像分割前對(duì)圖像數(shù)據(jù)集進(jìn)行了編碼轉(zhuǎn)換、濾波去噪、全局閾值背景消除和擴(kuò)大灰度范圍等圖像預(yù)處理,在完成聚類分割后應(yīng)用了一些形態(tài)學(xué)操作提高分割質(zhì)量。在15例患者組成的數(shù)據(jù)集中進(jìn)行測試,該方法對(duì)子宮肌瘤分割取得的平均相似性為88.67%,平均Jaccard index為80.70%,平均敏感性為89.79%,平均特異性為88.73%,邊界平均絕對(duì)距離為2.2像素,邊界最大距離為6.233像素,Hausdorff距離為2.988像素。

      1.2 水平集算法

      Khotanlou等[5]提出了一種對(duì)MRI圖像中子宮肌瘤的自動(dòng)分割方法。首先,他們利用Chan-Vese方法獲得子宮肌瘤的粗分割區(qū)域,然后,應(yīng)用基于形狀先驗(yàn)?zāi)P蛯?duì)粗分割結(jié)果再次進(jìn)行細(xì)化。他們通過定義一個(gè)與大多數(shù)肌瘤相類似的橢圓模型來去掉形狀訓(xùn)練過程,結(jié)果表明這樣的方法對(duì)不均勻區(qū)域和缺失邊界部分也有良好的性能。分割結(jié)果與專家的人工分割進(jìn)行比較,得到的平均相似性為87.70%,平均Jaccard index為78.62%,平均敏感性為84.49%,平均特異性為93.14%,平均Hausdorff距離為3.24mm,平均距離為0.35mm。

      1.3 區(qū)域生長算法

      Rundo等[6]提出了一種直接區(qū)域檢測模型用于MRI引導(dǎo)的聚焦超聲術(shù)后MRI圖像中的子宮肌瘤分割。輸入圖像首先進(jìn)行歸一化處理和濾波去噪,再由分割合并算法對(duì)圖像進(jìn)行消融后子宮肌瘤檢測,將這些分割結(jié)果作為后續(xù)自適應(yīng)多種子區(qū)域生長的輸入。通過排除位于子宮邊界附近的連接物來確定生長點(diǎn),然后在種子區(qū)域中通過消融后子宮肌瘤強(qiáng)度特征的相似屬性來引導(dǎo)區(qū)域生長過程以完成子宮肌瘤分割。最后,使用一些圖像后處理方法優(yōu)化分割的子宮肌瘤。分割合并算法和區(qū)域生長算法實(shí)現(xiàn)了多個(gè)肌瘤的自動(dòng)分割,分割過程比單一種子區(qū)域生長的過程更加穩(wěn)健,在具有14個(gè)病例的矢狀位MRI數(shù)據(jù)集上分割結(jié)果的平均相似性為87.57%,平均Jaccard index為78.50%,平均敏感性為84.05%,平均特異性為92.84%。

      2.基于深度學(xué)習(xí)的分割方法

      近年來,由于數(shù)據(jù)量和計(jì)算力(CPU和GPU)的增長,深度學(xué)習(xí)方法在計(jì)算機(jī)視覺領(lǐng)域有了廣泛的應(yīng)用并取得了很好的成效,如AlexNet、VGGNet、ResNet和DenseNet等深度學(xué)習(xí)模型。鑒于其良好的表現(xiàn),深度學(xué)習(xí)技術(shù)與醫(yī)學(xué)圖像分割任務(wù)的結(jié)合也日益增多。在基于深度學(xué)習(xí)的醫(yī)學(xué)圖像分割中,主要是借鑒了卷積神經(jīng)網(wǎng)絡(luò)中的卷積運(yùn)算進(jìn)行特征抽取和編解碼結(jié)構(gòu)來對(duì)圖像信息進(jìn)行恢復(fù)以實(shí)現(xiàn)目標(biāo)分割。

      Zhang等[7]提出了一種融合全局卷積網(wǎng)絡(luò)(GCN)和深度多重空洞卷積(DMAC)的編解碼網(wǎng)絡(luò)來分割子宮、子宮肌瘤和脊柱。其中編碼器部分使用經(jīng)過預(yù)訓(xùn)練的ResNet101,解碼模塊主要使用級(jí)聯(lián)運(yùn)算(包含1個(gè)1×1卷積運(yùn)算,1個(gè)4×4反卷積運(yùn)算和2個(gè)連續(xù)的3×3卷積運(yùn)算)來融合不同尺度的特征。編碼器和解碼器之間加入了GCN和DMAC來減少計(jì)算量和捕獲更多的上下文信息。GCN使用兩個(gè)具有較大卷積核的一維卷積來代替單個(gè)二維卷積以提升計(jì)算效率。DMAC使用多個(gè)具有不同步長的3×3空洞卷積來提取多種特征并提供多尺度的感受野,每個(gè)卷積的輸出求和匯總后被送到編碼器中。他們使用Adam作為優(yōu)化器,交叉熵作為損失函數(shù),將初始學(xué)習(xí)率設(shè)置為2e-4,如果損失函數(shù)連續(xù)三次未下降,學(xué)習(xí)率將降低到當(dāng)前的1/5,降低至5e-7時(shí)便停止降低。該研究使用了297例術(shù)前的矢狀位T2加權(quán)MRI圖像,260例作為訓(xùn)練數(shù)據(jù),37例作為測試數(shù)據(jù)。測試分割結(jié)果為子宮的DSC為82.37%,準(zhǔn)確率為79.45%,召回率為86.00%,子宮肌瘤的DSC為83.51%,準(zhǔn)確率為84.48%,召回率為83.70%,脊柱的DSC為85.01%,準(zhǔn)確率為82.51%,召回率為88.69%。

      Tang等[8]同樣也提出了一種借鑒U-Net編解碼結(jié)構(gòu)并使用ResNet101作為特征提取器的深度學(xué)習(xí)模型,他們?cè)趫D像解碼的特征融合前加入了Attention Gate來優(yōu)化特征提取結(jié)果[9]。模型使用截?cái)嗾龖B(tài)分布初始化模型權(quán)重,模型的學(xué)習(xí)率為1e-5,損失函數(shù)為Dice Loss,優(yōu)化器和激活函數(shù)分別為Adam和ReLU。模型在93例患者的矢狀位T2加權(quán)圖像上進(jìn)行訓(xùn)練和測試,其中80例作為訓(xùn)練,13例作為測試。測試分割結(jié)果的平均DSC為90.44%,平均IOU為84.43%,平均敏感性為88.55%,平均特異性為94.56%。

      3.小結(jié)

      本文總結(jié)了應(yīng)用在子宮及子宮肌瘤方面的傳統(tǒng)圖像分割方法和基于深度學(xué)習(xí)的自動(dòng)分割方法。醫(yī)學(xué)圖像的自動(dòng)分割已經(jīng)在醫(yī)學(xué)影像領(lǐng)域已經(jīng)有很長時(shí)間的研究,能夠?qū)颊叩男g(shù)前治療方案確定和術(shù)后療愈起到重要的指導(dǎo)作用。對(duì)MRI圖像中子宮及子宮肌瘤的分割逐漸從醫(yī)生人工手動(dòng)標(biāo)注向利用計(jì)算機(jī)視覺技術(shù)進(jìn)行自動(dòng)分割過渡。在的大多數(shù)圖像中,子宮肌瘤的信號(hào)強(qiáng)度通常低于周圍組織且具有相似的形狀,所以早期的基于聚類、水平集和區(qū)域生長算法的自動(dòng)分割方法能夠通過灰度特征和形狀特征等信息來完成分割任務(wù),并且具有較好的準(zhǔn)確性和敏感性。近年來,隨著深度學(xué)習(xí)發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)能夠比傳統(tǒng)視覺算法獲取更多維度的圖像特征信息,包括灰度特征、紋理特征、形狀特征和空間關(guān)系特征等,并且隨著訓(xùn)練所用樣本數(shù)量和復(fù)雜度增加,模型的擬合能力也會(huì)變強(qiáng),比傳統(tǒng)視覺算法的分割性能更好,并且其使用GPU作為計(jì)算設(shè)備,相比于使用CPU進(jìn)行計(jì)算的傳統(tǒng)視覺算法的速度更快。在實(shí)際應(yīng)用中根據(jù)不同的對(duì)象(分割子宮或子宮肌瘤)和不同的場景(術(shù)前或術(shù)后)應(yīng)選擇合適的分割方法,以達(dá)到分割準(zhǔn)和效率高的目的。

      根據(jù)所總結(jié)的各類分割方法,本文認(rèn)為子宮及子宮肌瘤分割方法的發(fā)展趨勢(shì)如下:①基于深度學(xué)習(xí)的自動(dòng)分割方法速度快、精度高,實(shí)現(xiàn)了圖像端到端的分割,無需人工在圖像處理過程中進(jìn)行干預(yù),既方便效率也高。因此,隨著數(shù)據(jù)集的積累和計(jì)算機(jī)算力的繼續(xù)發(fā)展,基于深度學(xué)習(xí)的分割方法仍會(huì)是子宮及子宮肌瘤分割領(lǐng)域的熱門選擇。②深度學(xué)習(xí)模型都是基于監(jiān)督學(xué)習(xí)實(shí)現(xiàn)的,需要大量的訓(xùn)練數(shù)據(jù)和對(duì)應(yīng)標(biāo)簽,也就意味著需要更多的人工成本投入,所以數(shù)據(jù)集的積累和數(shù)據(jù)擴(kuò)充方法在深度學(xué)習(xí)領(lǐng)域?qū)?huì)變得十分重要,同時(shí)也會(huì)激勵(lì)低成本的深度學(xué)習(xí)網(wǎng)絡(luò)框架的研究。③目前的子宮肌瘤分割網(wǎng)絡(luò)還停留在二維層面上,醫(yī)學(xué)圖像本身大多都是具有三維信息的圖像,三維圖像所包含的信息特征比二維圖像更加豐富,所以輕量級(jí)的3D深度學(xué)習(xí)模型將會(huì)是子宮肌瘤分割方面一個(gè)值得研究的方向。④傳統(tǒng)方法在圖像預(yù)處理和后處理方面有著簡單高效的特點(diǎn),將傳統(tǒng)方法和深度學(xué)習(xí)方法相結(jié)合起來會(huì)有很好的發(fā)展前景。

      猜你喜歡
      肌瘤卷積聚類
      基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
      子宮肌瘤和懷孕可以共存嗎
      你了解子宮肌瘤嗎
      從濾波器理解卷積
      電子制作(2019年11期)2019-07-04 00:34:38
      肺淋巴管肌瘤病肺內(nèi)及肺外CT表現(xiàn)
      你了解子宮肌瘤嗎
      基于傅里葉域卷積表示的目標(biāo)跟蹤算法
      基于DBSACN聚類算法的XML文檔聚類
      電子測試(2017年15期)2017-12-18 07:19:27
      基于改進(jìn)的遺傳算法的模糊聚類算法
      一種層次初始的聚類個(gè)數(shù)自適應(yīng)的聚類方法研究
      404 Not Found

      404 Not Found


      nginx
      班戈县| 万盛区| 宝应县| 商河县| 宜兰市| 西吉县| 石家庄市| 公安县| 社旗县| 金平| 大同县| 临桂县| 深州市| 宜都市| 绿春县| 东兰县| 洛扎县| 类乌齐县| 三亚市| 呼图壁县| 交城县| 蕲春县| 雅安市| 潍坊市| 和平县| 新丰县| 九寨沟县| 沾化县| 通城县| 社会| 城固县| 扶绥县| 五家渠市| 白河县| 上虞市| 兴化市| 介休市| 瑞昌市| 吴江市| 宁夏| 黄山市|