上海理工大学 健康科学与工程学院, 上海 200093
肝脏精准分割对于肝癌的定位与治疗至关重要, 针对肝脏形状尺寸不一以及边缘和病灶区域分割难度较大等问题, 提出了一个基于多层感知机和多尺度特征提取的肝脏分割网络(M2U-Net)。该网络分为卷积阶段和多层感知机阶段。在卷积阶段的编码器部分加入挤压激励模块, 突出特定的肝脏分割任务, 抑制无关背景区域; 在多层感知机阶段加入标记化多层感知机模块, 减小模型复杂度。过渡层增加了多尺度特征提取模块, 适应不同尺度肝脏的分割以及细节区域的分割; 在LiTS数据集和东方肝胆医院提供的数据集上的实验结果表明, 此分割网络在三个评价指标上结果均优于U-Net、U-Net++和CE-Net等分割网络。
肝脏分割 深度学习 标记化多层感知机 多尺度特征提取 liver segmentation deep learning tokenized MLP multi-scale feature extraction
上海理工大学 健康科学与工程学院, 上海 200093
胰腺的自动分割一直是医学图像分割中一项具有挑战性的问题。胰腺是一个具有高度解剖变异性的器官, 目前的多图谱分割方法很难对胰腺的边缘产生精确的分割。针对这一问题, 采用了基于多图谱配准的分割算法对胰腺进行分割, 优化了一种局部动态阈值的后处理方法。在标签融合阶段, 采用概率阈值融合算法、Majority voting(MV)算法、STAPLE算法和SIMPLE算法四种标签融合算法进行对比。在后处理阶段, 采用局部动态阈值处理方法, 首先通过初步分割结果对目标图像提取目标区域, 然后自动确定阈值实现该区域的二值化, 最终与初步分割结果取交集作为最终分割结果。采用留一交叉验证策略对80例NIH胰腺CT图像和22例来自上海本地医院的胰腺CT图像进行分割, 最终得到的DSC分别为79.98%和81.30%。实验结果表明, 所提方法实现了对胰腺的有效分割。
多图谱 配准 胰腺分割 标签融合 局部动态阈值 Multi-atlas registration pancreas segmentation label fusion local dynamic threshold
上海理工大学 医学影像工程研究所, 上海 200093
针对目前深度学习方法应用于医学图像配准精度不高的问题, 提出了增加低分辨率辅助特征的无监督3D卷积神经网络的脑部图像配准模型。使用无监督学习的卷积网络回归出位移场, 再通过空间变换层对浮动图像进行变换, 然后根据构建的损失函数优化网络参数, 实现端到端的无监督学习。通过添加注意力模块, 在网络对应层间的连接中加入低分辨率的辅助特征, 增加结构特征的同时减少多余的背景信息。方法与无监督的U-Net和VoxelMorph在MICCAI2012多图谱数据中比较, 结果表明, 有更高的配准精度和更快的配准速度, 且不需要专家标注信息, 因此在医学图像配准上具有较好的应用潜力。
无监督学习 图像配准 辅助特征 卷积神经网络 脑部图像 unsupervised learning image registration auxiliary features convolutional neural network brain image
上海理工大学 医疗器械与食品学院, 上海 200093
全脑区的自动分割对于大脑疾病的诊断和治疗具有重要的临床意义。为了提高分割准确率,提出了一种多项式展开配准的多图谱分割算法。利用线性多项式展开模型, 结合仿射变换和非刚体变换将待分割的目标图像与图谱图像进行逐一的配准来获取位移场; 利用归一化互信息计算二者的相似度, 筛选出与目标图像相似度较高的图谱, 并对图谱的标记图像进行位移场映射, 得到粗分割结果; 采用全局加权投票法将粗分割结果进行融合, 得到最终的细分割结果。选取了35例来自MICCAI 2012 Multi-Atlas Labeling挑战和10例来自上海交通大学医学院附属第九人民医院的磁共振T1加权图像对该方法进行验证, 最终全脑区的DSC值分别为0.7585和0.7351。实验结果表明, 算法具有较高的大脑分割精确度和鲁棒性, 有望辅助临床进行大脑相关疾病的诊断和治疗。
磁共振成像 多图谱分割 全脑区 多项式展开配准 magnetic resonance imaging multi-atlas segmentation whole brain regions polynomial expansion registration
上海理工大学 医疗器械与食品学院, 上海 200093
基于目前脑胶质瘤在低分级胶质瘤和高分级胶质瘤上分类不准确的问题, 提出了基于3D CNN特征提取的磁共振成像脑胶质瘤分类方法。在3D CNN模型中加入Batch Normalizing层和Dropout层, 降低了过度拟合并加速了网络收敛速度; 使用N4ITK和数据增强后的数据进行训练, 进一步降低了过度拟合, 提升了模型分类效果; 构建特征融合层, 实现自动分类。实验结果表明, 算法在BraTS 2018数据集中的分类效果具有明显优势, 分类准确率高达91.67%, 明显高于AlexNet、VGG和ResNet三大主流网络模型, 算法具有较好的鲁棒性和泛化性, 对脑胶质瘤的分类和诊断具有临床应用潜力。
脑胶质瘤分类 特征提取 磁共振成像 glioma classification 3D CNN 3D CNN feature extraction magnetic resonance imaging
上海理工大学 医疗器械与食品学院, 上海 200093
在研究传统摄像机标定原理及方法的基础上, 提出了一种新的基于同心圆环点模板的双目摄像机标定方法。该方法仅要求摄像机摄取任一方位包含所有25个同心圆环点的所设计模板的一幅图像, 即可根据射影几何内秉的约束条件和左右图像的视差完成对双目摄像机焦距、基线距离和光心位置等参数的标定, 且不需要进行图像的畸变校正与匹配。实验表明, 该双目摄像机的标定方法具有较高的精度和效率, 可以方便、迅速地实现双目摄像机的标定。
成像光学 双目摄像机标定 同心圆环点 imaging optics binocular camera calibration concentric circle points
上海理工大学 医疗器械与食品学院， 上海 200093
为了修正静压气浮激光点云数据扫描误差，提出了一种基于不同扫描速度下所采集的点云数据，通过最小二乘法分区间建立误差预测模型实现对相应误差修正的新方法。实验结果表明，静压气浮三维测量仪的测量精度随气浮导轨扫描速度变化在特定范围内基本呈二次曲线变化关系，该误差修正方法能够快速、准确地实现静压气浮激光点云数据扫描误差的修正，具有较大的适用性和实际参考价值。
线扫方式 静压气浮导轨 激光点云数据 最小二乘法 误差修正 linear scanning mode aerostatic guide laser point cloud data the minimal least square method error correction
上海理工大学医疗器械与食品学院, 上海 200093
激光线扫方式扫描获取的点云数据量大，不利于存储、处理和分析，为此提出了一种基于向量夹角计算的点云数据精简表达方式及相应STL 文件生成方法，可有效精简大量的点云数据，且能够通过保留数据对象的关键拐点而维持原有数据对象信息的完整性。基于邻近点分析生成STL 文件的方法形成的三角面片之间无常规STL 文件生成方法所具有的缝隙及畸变现象，因此，具有较大的适用性和实际参考价值。
图像处理 激光点云数据 线扫方式 数据精简 STL 文件 激光与光电子学进展
2015, 52(10): 101003
