针对肺结节计算机断层（CT）图像具有的细节多样性以及类间相似性的问题，构建了一种集卷积神经网络（Convolutional neural network，CNN）和Transformer优势的双路径交叉融合网络对肺结节进行更精确的分类。首先，以窗口多头自注意力和滑动窗口多头自注意力为基础，构建全局特征块，用于捕获结节的形态特征；以大核注意力为基础构建局部特征块，用于提取结节的纹理、密度等内部特征。其次，设计特征融合块用于融合上一阶段的局部与全局特征，使每一条路径都能获得更综合的判别信息。然后，引入KL（Kullback-leibler）散度来增加不同尺度特征之间的分布差异性，优化网络性能。最后，采用决策层融合的方法获得分类结果。在LIDC-IDRI数据集上进行实验，网络的分类准确率、召回率、精确率、特异性、受试者操作特征（ROC）曲线下的面积（Area under curve，AUC）分别为94.16%、93.93%、93.03%、92.54%、97.02%。实验结果表明，所提方法具有较好的肺结节良恶性分类能力。
肺结节良恶性分类 CT图像 局部-全局特征 Transformer 注意力机制 激光与光电子学进展
2024, 61(8): 0837002
1 东华理工大学 地球科学学院，江西 南昌 330013
2 东华理工大学 网络与信息中心，江西 南昌 330013
3 东华理工大学 信息工程学院，江西 南昌 330013
4 江西省数字国土重点实验室，江西 南昌 330013
5 江西省放射性地学大数据技术工程实验室，江西 南昌 330013
6 核资源与环境国家重点实验室，江西 南昌 330013
7 中国科学院 古脊椎动物与古人类研究所，北京 100044
以恐龙蛋为对象，针对大量恐龙蛋壳化石CT图像目标与背景的分离需求，以及传统提取方法繁琐、精确度不高且需要较多人工参与，不能实现完全自动化等问题，提出了一种基于信息熵的CT图像目标自动分离提取方法。首先手动训练样本信息熵参数，将其作为自动分离大量CT图像的参数；再根据灰度图像亮度直方图确定分割阈值；然后基于信息熵算法进行自动分离；最后依据分割阈值和信息熵值，实现目标区域的最终分离和提取。该方法获得了良好的分离提取效果，所获分割阈值范围为66~188，信息熵值范围为0.43~0.65。基于3 329张16位恐龙蛋壳原始切片CT图像样品数据所进行的评价实验表明，对于数量较多的CT图像，所提出的方法自动分离提取具有很高的效率，可达到98.89%，并且能在正确提取出目标方解石的同时保留较为完整的目标与边缘细节，分离处理的准确性和快速性良好。
CT图像 恐龙蛋壳化石 信息熵 分割阈值 自动分离提取 CT image fossilized dinosaur eggshells information entropy segmentation threshold automatic separation and extraction
1 南京理工大学计算机科学与工程学院，江苏 南京 210094
2 重庆大学生物流变科学与技术教育部重点实验室，重庆 400045
肺的呼吸运动估计和校正对图像引导放射治疗肺癌具有重要意义，需要图像配准技术获取运动位移信息。然而，肺器官是典型的运动器官，在呼吸过程中会发生复杂的、不同形式的形变，导致肺部三维Computed Tomography （CT）图像配准难度大且耗时长。目前，肺部CT图像配准依然是一个具有挑战性且亟需解决的难题。提出一种基于自适应正则项的非均匀B样条图像配准方法，首先，以肺部生理结构特点为先验，结合曲率对肺器官网格进行空间自适应稀疏性划分，构建了非均匀B样条形变模型，提高配准效率。然后，通过设计像素点的空间位置权重，对形变场平滑正则项和全变差正则项进行自适应加权，提升配准精度。通过在公共数据集上与其他配准方法的比较，验证了所提方法的有效性。
成像系统 非刚性配准 肺部CT图像 自适应正则项 非均匀B样条 激光与光电子学进展
2022, 59(10): 1011002
光学 精密工程
2021, 29(10): 2517
1 重庆大学 光电技术与系统教育部重点实验室， 重庆400044
2 重庆大学附属肿瘤医院 影像科， 重庆400030
卷积神经网络的语义分割模型未有效利用特征权重信息，导致在医学图像复杂场景中分割边界出现欠分割现象。针对该问题，基于融合自适应加权聚合策略提出一种改进的U-Net++网络，并将其应用于电子计算机断层扫描影像肺结节分割。该模型首先在卷积神经网络中提取出不同深度特征语义级别的信息，再结合权重聚合模块，自适应地学习各层特征的权重，然后将学习得到的权重加载到各个特征层上采样得到的分割图以得到最终的分割结果。在LIDC数据集和重庆大学附属肿瘤医院肺部电子计算机断层扫描数据集上进行了分割实验，所提方法的交叉比在两个数据集上分别可达到80.59%和87.40%、骰子系数分别可达到88.23%和90.83%。相比U-Net和U-Net++方法，该算法有效提升了图像分割性能。本文方法能在肿瘤微小细节上实现精确分割，较好地解决了肺结节向周围浸润性生长时出现欠分割的问题。
计算机图象处理 分割算法 权重聚合 肺结节 CT影像 Computer image processing Segmentation algorithm Weighted aggregation Lung nodule CT image
上海理工大学医疗器械与食品学院, 上海 200082
提出一种将卷积神经网络(CNN)学习特征与传统影像学特征结合的肺结节良恶性鉴别方法。首先,从电子计算机断层扫描(CT)图像中分割出肺结节区域,并使用传统机器学习方法提取结节区域的影像学特征;然后,使用截取的肺结节训练3D-Inception-ResNet模型,提取网络学习的CNN特征,组合两类特征,并利用随机森林(RF)模型进行特征选择;最后,采用支持向量机(SVM)、RF等传统分类器对肺结节进行良恶性鉴别诊断。使用LIDC-IDRI数据库中的1036个肺结节进行实验验证,最终所提方法的分类准确率、敏感度、特异度及接受者操作特性曲线(ROC)下面积(AUC)分别达94.98%、90.02%、97.03%及97.43%。实验结果表明,所提方法能准确地判别肺结节的良恶性,并优于大部分主流方法。
图像处理 肺癌早期诊断 CT影像 肺结节良恶性鉴别 LIDC-IDRI数据库 光学学报
2020, 40(24): 2410002
1 西安建筑科技大学信息与控制工程学院, 陕西 西安 710055
2 西安建筑科技大学土木工程学院, 陕西 西安 710055
3 西安理工大学土木与建筑工程学院, 陕西 西安 710048
采用动态加载仪和医用CT机对混凝土进行单轴原位压缩应力分层扫描,选取试件中部层面的CT图像作为对象,对混凝土的组成部分进行CT阈值划分,分析裂纹的产生及发展过程。利用数字图像相关(DIC)法测量混凝土内部的位移场及应变场,结合位移场与应变场分析变形局部化区域的产生及发展过程,得到高应变产生区域与CT图像的裂纹产生区域一致;结合CT值的平均值与最大主应变随应力的变化曲线,分析混凝土破坏过程的各阶段,得到CT尺度裂纹阶段开始于峰值荷载的70.3%处。实验结果表明,DIC法与先进的CT技术相结合的方法可以直观地以图像的形式对混凝土试件内部的应力应变过程进行呈现,为研究混凝土内部结构的变形、破坏和稳定性提供有效的可视化手段。
探测器 混凝土 数字图像相关法 CT图像 应力应变 激光与光电子学进展
2020, 57(20): 200401
1 重庆大学光电工程学院, 重庆 400044
2 重庆大学工业CT无损检测教育部工程研究中心, 重庆 400044
为解决工业计算机层析成像(CT)图像的伪影和弱边缘问题,提出一种基于小波变换的图像区域可伸缩拟合能量最小化分割方法,实现图像边缘的精确定位,从而提高图像测量精度。首先,采用小波变换对图像进行预处理,降低金属伪影。然后,采用所提方法精确分割图像,提高感兴趣区域边缘的定位精度。实际数据测量结果表明,所提方法可有效降低图像弱边缘的影响,测量相对误差低于0.7%,相较Chan-Vese算法,测量精度提高了1.4倍,满足实际测量需求。
图像处理 CT图像测量 区域可伸缩拟合能量最小化 小波变换 弱边缘分割 Chan-Vese模型 光学学报
2020, 40(21): 2110003
1 重庆大学工业CT无损检测教育部工程研究中心, 重庆 400044
2 重庆大学光电工程学院, 重庆 400044
传统非局部均值(NLM)算法在滤波过程中采用固定滤波系数,从而导致图像细节过度平滑。为解决此问题,引入结构张量(ST)的迹作为图像特征区域的判别准则,设计了一种自适应滤波系数的权值函数(ST-NLM)。此外,针对传统算法计算耗时的问题,采用积分图像对算法进行加速。测试结果表明:经ST-NLM方法去噪后,图像整体平滑度和细节保留程度均较好;与NLM相比,ST-NLM方法的峰值信噪比提高了3 dB,结构相似度提高5%,运行速度提高约2倍。
图像处理 CT图像 结构张量 自适应滤波系数 积分图像加速
Author Affiliations
Abstract
The First Hospital A±liated to Jinzhou Medical University, Jinzhou 121001, P. R. China
In order to effectively improve the pathological diagnosis capability and feature resolution of 3D human brain CT images, a threshold segmentation method of multi-resolution 3D human brain CT image based on edge pixel grayscale feature decomposition is proposed in this paper. In this method, first, original 3D human brain image information is collected, and CT image filtering is performed to the collected information through the gradient value decomposition method, and edge contour features of the 3D human brain CT image are extracted. Then, the threshold segmentation method is adopted to segment the regional pixel feature block of the 3D human brain CT image to segment the image into block vectors with high-resolution feature points, and the 3D human brain CT image is reconstructed with the salient feature point as center. Simulation results show that the method proposed in this paper can provide accuracy up to 100% when the signal-to-noise ratio is 0, and with the increase of signal-to-noise ratio, the accuracy provided by this method is stable at 100%. Comparison results show that the threshold segmentation method of multi-resolution 3D human brain CT image based on edge pixel grayscale feature decomposition is significantly better than traditional methods in pathological feature estimation accuracy, and it effectively improves the rapid pathological diagnosis and positioning recognition abilities to CT images.
Multi-resolution 3D human brain CT image segmentation feature extraction recognition Journal of Innovative Optical Health Sciences
2018, 11(6): 1850037
