目的 從影像中快速精準地分割出肺部解剖結構可以清晰直觀地分辨各解剖結構間的關系，提供有效、客觀的輔助診斷信息，大大提高醫生的閱片效率并降低醫生的工作量。隨著影像分割算法的發展，越來越多的方法應用于分割肺部影像中感興趣的解剖結構區域，但目前尚缺乏包含多種肺部精細解剖結構的影像數據集。本文創建了一個帶標簽的肺部CT/CTA （computer tomography/computer tomography angiography）影像數據集，以促進肺部解剖結構分割算法的發展。方法 該數據集共標記了67組肺部CT/CTA影像，包括CT影像24組、CTA影像43組，共計切片圖像26 157幅。每組CT/CTA有4個不同的目標區域類別，標記對應支氣管、肺實質、肺葉、肺動脈和肺靜脈。結果 本文利用該數據集，用于肺部CT解剖結構分割醫學影像挑戰賽——2020年第四屆國際圖像計算與數字醫學研討會，該挑戰賽提供了一個肺血管、支氣管和肺實質的評估平臺，通過Dice系數、過分割率、欠分割率、醫學和算法行業專家對分割和3維重建效果進行了評估，目的是比較各種算法分割肺部解剖結構的性能。結論 本文詳細描述了包括支氣管、肺實質、肺葉、肺動脈和肺靜脈等解剖結構標簽的肺部影像數據集和應用結果，為相關研究人員利用本數據集進行更深入的研究提供參考。
付費5元查看完整內容
相關內容
高光譜成像（hyperspectral imaging, HSI）作為生物醫學可視化的一種新興技術，在生物醫學領域的研究正逐漸受到廣泛關注。隨著近幾年高光譜成像技術以及精準醫學理論的迅速發展，將高光譜成像技術應用于近距離的醫學診斷成為新的研究趨勢。高光譜成像技術能同時獲取生物組織的二維空間信息和一維光譜信息，覆蓋可見光、紅外和紫外等光譜范圍，具有較高的光譜分辨率，可提供有關組織生理、形態和生化成分的診斷信息，為生物組織學研究提供更精細的光譜特征，進而為醫學病理診斷提供更多輔助信息。本文首先介紹了高光譜成像技術的基本原理、高光譜顯微成像系統的基本構成及特點。基于此總結和闡述了近年來高光譜成像技術在疾病診斷和手術指導中的應用進展，詳細涉及了在癌癥、心臟病、視網膜疾病、糖尿病足、休克、組織病理學和圖像引導手術等方面的應用。文末綜合分析了高光譜成像技術在生物醫學領域應用的局限性并提出了生物醫學研究領域中該技術的未來發展方向。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?flag=2&file_no=2027&journal_id=jig
付費5元查看完整內容
準確分割肺結節在臨床上具有重要意義。計算機斷層掃描（computer tomography，CT）技術以其成像速度快、圖像分辨率高等優點廣泛應用于肺結節分割及功能評價中。為了進一步對肺部CT影像中的肺結節分割方法進行探索，本文對基于CT影像的肺結節分割方法研究進行綜述。1）對傳統的肺結節分割方法及其優缺點進行了歸納比較；2）重點介紹了包括深度學習、深度學習與傳統方法相結合在內的肺結節分割方法；3）簡單介紹了肺結節分割方法的常用評價指標，并結合部分方法的指標表現展望了肺結節分割方法研究領域的未來發展趨勢。傳統的肺結節分割方法各有優缺點和其適用的結節類型，深度學習分割方法因普適性好等優點成為該領域的研究熱點。研究者們致力于如何提高分割結果的準確度、模型的魯棒性及方法的普適性，為了實現此目的本文總結了各類方法的優缺點。基于CT影像的肺結節分割方法研究已經取得了不小的成就，但肺結節形狀各異、密度不均勻，且部分結節與血管、胸膜等解剖結構粘連，給結節分割增加了困難，結節分割效果仍有很大提升空間。精度高、速度快的深度學習分割方法將會是研究者密切關注的方法，但該類方法仍需解決數據需求量大和網絡模型超參數的確定等問題。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210402&flag=1
付費5元查看完整內容
利用深度學習方法對醫學影像數據進行處理分析，極大地促進了精準醫療和個性化醫療的快速發展。深度學習在醫學圖像領域的應用較為廣泛，具有多病種、多模態、多組學和多功能的特點。為便于對深度學習在醫學圖像處理領域的應用進行更深入有效的探索，本文系統綜述了相關研究進展。首先，從深度學習在影像基因組學中的應用出發，理清了深度學習在醫學影像領域應用的一般思路和現狀，將醫學影像領域分為智能診斷、療效評估和預測預后等3個模塊，并對模塊內的各病種進行總結，展示了深度學習各算法的優缺點及面臨的問題和挑戰。其次，對深度學習中出現的新思路、新方法以及對傳統方法的改進進行了闡述。最后，總結了該領域現階段面臨的問題，并對未來的研究方向做出了展望。基于深度學習的醫學圖像智能處理與分析雖然取得了一些有價值的研究成果，但還需要根據臨床的實際需求，將深度學習與經典的機器學習算法及無創并且高效的多組學數據結合起來，對深度學習的理論和方法進行深入研究。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20210206&flag=1
付費5元查看完整內容
在計算機視覺領域中，語義分割是場景解析和行為識別的關鍵任務，基于深度卷積神經網絡的圖像語義分割方法已經取得突破性進展。語義分割的任務是對圖像中的每一個像素分配所屬的類別標簽，屬于像素級的圖像理解。目標檢測僅定位目標的邊界框，而語義分割需要分割出圖像中的目標。本文首先分析和描述了語義分割領域存在的困難和挑戰，介紹了語義分割算法性能評價的常用數據集和客觀評測指標。然后，歸納和總結了現階段主流的基于深度卷積神經網絡的圖像語義分割方法的國內外研究現狀，依據網絡訓練是否需要像素級的標注圖像，將現有方法分為基于監督學習的語義分割和基于弱監督學習的語義分割兩類，詳細闡述并分析這兩類方法各自的優勢和不足。本文在PASCAL VOC（pattern analysis， statistical modelling and computational learning visual object classes）2012數據集上比較了部分監督學習和弱監督學習的語義分割模型，并給出了監督學習模型和弱監督學習模型中的最優方法，以及對應的MIoU（mean intersection-over-union）。最后，指出了圖像語義分割領域未來可能的熱點方向。
//www.cjig.cn/jig/ch/reader/view_abstract.aspx?file_no=20200601&flag=1
付費5元查看完整內容
深度學習能自動從大樣本數據中學習獲得優良的特征表達,有效提升各種機器學習任務的性能,已廣泛應用于信號處理、計算機視覺和自然語言處理等諸多領域。基于深度學習的醫學影像智能計算是目前智慧醫療領域的研究熱點,其中深度學習方法已經應用于醫學影像處理、分析的全流程。由于醫學影像內在的特殊性、復雜性,特別是考慮到醫學影像領域普遍存在的小樣本問題,相關學習任務和應用場景對深度學習方法提出了新要求。本文以臨床常用的X射線、超聲、計算機斷層掃描和磁共振等4種影像為例,對深度學習在醫學影像中的應用現狀進行綜述, 特別面向圖像重建、病灶檢測、圖像分割、圖像配準和計算機輔助診斷這5大任務的主要深度學習方法的進展進行介紹,并對發展趨勢進行展望。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191