国际生物医学影像杂志

骨龄评估(Bone age assessment, BAA)是临床评估儿童生物成熟度的一个重要课题。由于手工方法耗时长且容易引起观察者的变化，因此为BAA开发计算机辅助和自动化方法是很有吸引力的。在本文中，我们提出了一种全自动的BAA方法。为了消除原始x射线图像中的噪声，我们首先使用u形网来精确地分割原始x射线图像中的手掩膜图像。虽然U-Net可以进行高精度的分割，但它需要更大的带注释的数据集。为了减轻标注负担，我们建议使用深度主动学习(deep active learning, AL)来有意识地选择具有足够信息的未标记数据样本。这些示例提供给Oracle进行注释。然后，它们被用于随后的培训。一开始，只有300个数据被手工标注，然后改进的U-Net在AL框架内就可以对RSNA数据集中的12611个图像进行鲁棒分割。AL分割模型在带注释的测试集中获得了0.95的Dice分数。为了优化学习过程，我们使用了6个脱壳的深度卷积神经网络(CNNs)，并在ImageNet上预先训练了权值。 We use them to extract features of preprocessed hand images with a transfer learning technique. In the end, a variety of ensemble regression algorithms are applied to perform BAA. Besides, we choose a specific CNN to extract features and explain why we select that CNN. Experimental results show that the proposed approach achieved discrepancy between manual and predicted bone age of about 6.96 and 7.35 months for male and female cohorts, respectively, on the RSNA dataset. These accuracies are comparable to state-of-the-art performance.

阅读全文

本研究的目的是确定是否微血管曲折度可以用作成像生物标志物的肿瘤相关的血管发生的存在，并且如果成像生物标志物本可作为一个特定的和定位实体肿瘤的敏感的方法。声学造影术，基于超声的微血管成像技术，来显现乳腺癌的自发小鼠模型的血管生成发展（ ）。采用reader研究评估图像类型之间的视觉识别，定量方法利用曲折度和空间聚类指标进行肿瘤检测。reader研究的结果是，曲线下的面积为0.8，而聚类方法的结果是最佳分类，曲线下的面积为0.95。定性和定量方法均显示出敏感性与肿瘤直径的相关性。声学血管造影血管几何成像提供了一种稳健的方法来区分肿瘤和健康组织的小鼠乳腺癌模型。多种方法的分析已提出了广泛的肿瘤大小。将这些技术应用于临床成像可以提高乳腺癌的诊断，以及提高对其他组织癌症评估的特异性。聚类分析方法可能有利于血管超声图像以外的其他类型的形态学分析。

阅读全文

脑肿瘤是影响很多人的生活的主要健康问题。这些肿瘤被归类为良性或恶性的。后者可能是致命的，如果不妥善诊断和治疗。因此，脑肿瘤在其发展的早期诊断可以显著改善患者的治疗后完全康复的机会。除了实验室分析，临床医师和从医学图像提取的外科医生的信息，由各种系统记录诸如磁共振成像（MRI），X射线，和计算机断层摄影（CT）。所提取的信息用于为了实现准确的诊断，以确定最合适的治疗方案，以确定脑肿瘤（位置，尺寸，和类型）的基本特征。在本文中，我们提出了一个自动化的机器视觉技术使用的组合检测和MRI图像脑肿瘤的定位在其早期阶段千-means聚类，基于块拼贴的图像处理，对象计数，和肿瘤评价。该技术是在20个真实MRI图像测试，并发现能够在MRI图像中检测多个肿瘤不管它们的强度电平的变化，大小和位置的包括那些具有非常小的尺寸。除了其用于诊断用途，该技术可以被集成到自动治疗器械和机器人手术系统。

阅读全文

对于复杂的分割任务，全自动化系统的所能达到的精度所固有的限制。具体地，当精确的分割结果期望用于给定数据集的少量，半自动方法表现出对用户明显的益处。人机交互的优化（HCI）是交互式的图像分割的一个重要部分。然而，出版物引入新颖交互式分割系统（ISS）往往缺乏的HCI方面的客观比较。已经证明，即使当底层分割算法是整个交互式原型一样的，他们的用户体验可能显着变化。其结果，用户更喜欢简单的接口，以及一个相当大的自由度来控制分割的每个迭代步骤的。在这篇文章中，国际空间站的一个比较客观的方法，提出了基于广泛的用户研究。总结性的定性内容分析是通过由参与者给出的视觉和口头反馈抽象进行。分割系统的直接评估通过经由系统的可用性量表（SUS）和AttrakDiff-2问卷的用户执行。此外，对于在这些研究的可用性方面的调查结果的近似介绍，他们的交互式分割原型的使用过程中从系统可测量用户操作仅进行。 The prediction of all questionnaire results has an average relative error of 8.9%, which is close to the expected precision of the questionnaire results themselves. This automated evaluation scheme may significantly reduce the resources necessary to investigate each variation of a prototype’s user interface (UI) features and segmentation methodologies.

阅读全文

在中风发作的最初几个小时内进行的非创伤性头部CT扫描中，早期缺血性改变（EIC）的识别可能对后续治疗有重要意义，尽管这些研究对早期中风的界定很差。在早期梗死中，由于缺乏清晰的病灶边界划分，无法进行手动容积测量，也无法使用边缘检测或区域填充算法进行测量。我们希望验证这样一个假设，即图像强度不均匀性校正可以提供一种敏感的方法来识别早期缺血性梗死的特征性细微区域低密度。提出了一种基于图像强度非均匀性校正（IIC）和强度阈值的数字图像分析算法。比较了两种不同的IIC算法（FSL和ITK）。方法采用模拟梗死灶和临床病例进行评价。对于合成性梗死，测量的梗死体积与真实的病灶体积有很强的相关性（对于密度降低20%的“梗死”，两种算法的Pearson r=0.998）；两种算法都显示随着病灶大小的增加和病灶密度的降低，准确性提高。在临床病例（30例中41例急性脑梗死）中，使用FSL-IIC计算梗死体积与各方面评分（Pearson r=0.680）和入院NIHSS（Pearson r=0.544）相关。计算出的梗死体积与静脉注射tPA治疗的临床决定高度相关。将图像强度不均匀性校正应用于非创伤性头部CT，为图像分析提供了一种工具，有助于EIC的检测，并评估和指导扫描质量的改进，以实现EIC的最佳检测。

阅读全文

由于脑肿瘤结构复杂、边界模糊以及噪声等外界因素的影响，从脑磁共振成像（MRI）数据推断肿瘤和水肿区域仍然具有挑战性。为了降低噪声敏感度，提高分割的稳定性，本文提出了一种结合形态学操作的混合聚类分割算法。本文的主要贡献如下：首先，利用自适应维纳滤波进行去噪，利用形态学运算去除非脑组织，有效地降低了该方法对噪声的敏感性。其次，将K-means++聚类与基于高斯核的模糊C-means算法相结合进行图像分割。这种聚类方法不仅提高了算法的稳定性，而且降低了聚类参数的敏感性。最后，对提取出的肿瘤图像进行形态学运算和中值滤波后处理，得到准确的脑肿瘤图像。另外，将该算法与现有的分割算法进行了比较。结果表明，该算法在准确性、灵敏度、特异性和召回率等方面都有较好的表现。

阅读全文