简介:本文阐述了基于形变模型(DeformableModels)的LevelSet分割方法的基本原理及其特点,介绍了在图像域的实现方法,实现并改进了基于该模型的NarrowBand快速算法.该算法的基本流程是:先在需要分割的目标内或外给定一封闭的初始曲线,通过Gaussian滤波后计算图像的梯度,最后通过NarrowBand算法完成轮廓线的抽取.该算法应用于医学CT/MRI影像以及显微图像的目标分割中,取得了较好的实验结果,证明该方法非常适合于对具有分支、突触以及拓扑结构变化的目标进行快速精确分割.文中给出了算法实现的基本流程、相关参数的选取准则和部分实验结果.实验发现算法中涉及的参数对提取的轮廓线的精确和光滑程度有较大影响.
简介:摘要:深度学习已广泛应用于医学成像的分割中。2015年提出的U-Net模型显示了精确分割小目标及其网络架构可扩展的优势,使其成为医学成像分割任务的主要工具。近年来,随着对医学图像分割性能要求的不断提高,研究人员通过采用新方法或将引入其他方法等手段,从结构、创新性、效率等方面对U-Net架构进行了许多进步。U-Net的成功之处在于它在MRI、CT、眼底成像、超声图像和X射线等几乎所有主要图像模式中被广泛应用,并有巨大的发展潜力。
简介:摘要目的探讨级联VB-Net深度学习网络对扩散加权成像(DWI)中急性缺血性脑卒中缺血核心检出和分割的价值。方法回顾性分析2016年12月至2018年12月在河南省人民医院就诊的1 500例急性缺血性卒中患者的MRI资料。将1 500例患者的2 456个病灶依据采集时间按8∶1∶1分为训练集、验证集和测试集。首先在脑DWI图像(b=1 000 s/mm2)上对所有病灶的缺血核心进行手工分割,然后,构建级联VB-Net分割模型,并在测试集对缺血核心进行自动检出、分割和缺血核心体积计算。采用组内相关系数(ICC)评价手工分割与级联VB-Net分割模型测得缺血核心体积的一致性。将样本分为缺血核心体积较大组(缺血核心体积≥10 ml)与缺血核心体积较小组(缺血核心体积<10 ml),采用Mann-Whitney U检验比较两者Dice系数差异。结果测试集中,级联VB-Net分割模型对缺血核心的检出率为94.6%(234/257),Dice系数为0.76(0.68,0.84)。级联VB-Net分割模型[4.19(1.21,14.13)ml]与手工分割缺血核心体积[4.08(1.19,17.92)ml]的一致性高(ICC=0.97,P<0.001)。缺血核心体积较大组与缺血核心体积较小组Dice系数差异无统计学意义[分别为0.76(0.69,0.85),0.76(0.67,0.84),Z=-0.44,P=0.657]。结论级联VB-Net深度学习网络实现了急性缺血性脑卒中缺血核心的自动检出、分割及体积计算,与手工分割的一致性高,能够为治疗方案的选择提供辅助决策工具。
简介:摘要目的探讨3D打印镜像模型和分割模型在髌骨骨折术前规划中的应用情况。方法回顾性分析2016年1月至2020年8月江苏省溧阳市人民医院骨科采用2种3D打印模型进行术前规划的46例髌骨骨折资料。男26例,女20例;年龄19~79岁,平均51.5岁。骨折均为AO分型C型。根据实体模型设计要求,将具备双侧下肢DICOM数据的患者归为镜像模型组(24例),仅有单侧下肢CT扫描DICOM数据的患者归为分割模型组(22例)。镜像模型组患者需行双侧膝关节及超过15 cm的胫骨近端CT扫描,分割模型组仅需要患侧膝关节CT扫描,分别提取原始DICOM数据导入Mimics 19.0软件。镜像模型组患者采用"三层面长短轴对照"方法进行对称性判断后,形成骨折原始模型和镜像模型并分别打印,术中参考镜像模型绘制的骨折线寻找形态一致骨折块,予以拼合与固定。分割模型组骨折块分割成独立实体,转化为STL文件后,分别打印,并将骨块按顺序拼合与固定。术后均摄X线片并记录两组患者的模拟手术时间、术后1个月膝关节疼痛视觉模拟评分(VAS)和术后1、6个月Böstman评分。结果所有患者术后获6~24个月(平均13.6个月)随访。对于呈粉碎性、存在压缩和嵌插的骨折患者,仅适宜采用镜像模型进行术前规划;对于无嵌插、无压缩、无粉碎性的骨折,两种模型都适宜;而存在双侧同部位骨折、小儿麻痹症、一侧肢体缺如的、曾有过陈旧性骨折的患者,适宜采用分割模型进行术前规划。镜像模型组患者采用"三层面长短轴对照"进行双侧对照,两侧的3个层面共6组数据差异均无统计学意义(P>0.05)。分割模型组和镜像模型组患者术前模拟手术时间分别平均为11.2、9.2 min,术后1个月VAS评分均<3分;术后1、6个月Böstman评分均>20分。结论健侧髌骨镜像模型可以作为患侧的骨折复原模型进行使用,但严重退变者需预先验证对称性。3D打印镜像模型和分割模型均适用髌骨骨折术前规划,且具有互补性,两组患者治疗后均可获得良好的关节功能。
简介:摘要目的将深度学习算法与商用计划系统整合,建立乳腺癌靶区和危及器官(OARs)自动分割平台并加以验证。方法入组在中国医学科学院肿瘤医院行保乳术后放疗的左、右乳腺癌患者各400例。基于深度残差卷积神经网络进行训练临床靶区(CTV)和OARs分割模型,建立端到端的基于深度学习的自动分割平台(DLAS)。使用42例左乳腺癌和40例右乳腺癌验证DLAS平台勾画的准确性。分别计算总体戴斯相似性系数(DSC)和平均豪斯多夫距离(AHD)。并计算相对层位置与每层DSC值(DSC_s)的关系,进行逐层分析。结果左/右乳腺癌全乳CTV平均总体DSC和AHD分别为0.87/0.88和9.38/8.71mm,左/右乳腺癌OARs平均总体DSC和AHD范围为0.86~0.97和0.89~9.38mm。对CTV和OARs进行逐层分析,达到0.90以上表示医生只需要较少修改甚至不用修改的层面,左右乳腺癌的CTV勾画占比约44.7%的层面,OARs自动勾画占比范围为50.9%~89.6%。对于DSC_s<0.7,在两侧边界区域(层位置0~0.2和0.8~1.0) CTV和除脊髓以外的感兴趣区域DSC_s值明显下降,且越靠近边缘降低程度越明显。脊髓采用全层勾画,未发现有特殊区域出现DSC_s明显下降。结论建立端到端的DLAS平台整合乳腺癌分割模型取得较好的自动分割效果。在头脚方向的两侧边界区域,勾画的一致性下降较明显,有待进一步提高。
简介:为了在超声波图像中提取颈动脉斑块边缘,我们提出了一种基于GVF-测地线模型的图像分割算法。由于超声波图像含有大量噪声,首先使用加权均值空间平滑滤波器对图像进行预处理;再人工画出初始轮廓,分别采用GVF-Snake模型、GVF-测地线模型和改进后的GVF-测地线模型对图像进行分割,比较其结果。实验结果表明,改进后的方法分割精度很高,能够在颈动脉斑块边缘提取中取得非常好的效果。