目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

目的:探讨基于深度学习的心肌-纤维化区域联合分割模型对扩张型心肌病（DCM）患者心肌纤维化定量分析的效果。方法:回顾性分析徐州市中心医院2015年1月至2022年4月确诊为DCM，并接受心脏MR-钆延迟强化检查显示左心室心肌纤维化的200例患者资料，分为训练集120例、验证集30例、测试集50例。由影像科医师勾勒左心室心肌轮廓和选取正常心肌区域，应用标准差法（SD）计算阈值提取纤维化心肌，作为左心室分割和纤维化量化的参考标准。通过凸形先验的U-Net网络分割左心室心肌，然后应用VGG图像分类网络识别正常心肌图像块，计算SD阈值提取纤维化心肌。采用精确度、召回率、交并比和Dice系数评价心肌分割效果。采用组内相关系数（ICC）评价深度学习联合分割模型与手动提取测得的左心室心肌纤维化比率的一致性。根据纤维化比率中位数，将测试集样本分为轻度组和重度组，通过Mann-Whitney U检验比较纤维化量化效果差异。 结果:在测试集中，心肌分割精确度为0.827（0.799，0.854），召回率为0.849（0.822，0.876），交并比为0.788（0.760，0.816），Dice系数为0.832（0.807，0.857）。联合分割模型与手动提取的纤维化比率的一致性高（ICC =0.991， P<0.001）。轻度和重度纤维化比率的误差率差异无统计学意义（ P>0.05）。 结论:该联合分割模型实现了左心室心肌纤维化比率的自动计算，与医师手动提取结果一致性高，能够较为精准地实现DCM患者的心肌纤维化自动定量分析。

目的 为解决修复后的投影数据与周围投影数据之间过渡不连续的问题,提出一种基于正弦图融合的CT金属伪影校正算法.方法 通过预处理和K均值聚类技术将具有相同空间信息的组织聚在一起生成先验图像,并根据金属区域与先验图像的投影差异校正原始图像投影以得到校正后的投影数据,最后采用滤波反投影算法重建得到校正后的CT图像.结果 在CT仿真数据验证中,基于先验插值的金属伪影校正(Fusion Prior-Based Metal Artifact Reduction,FP-MAR)算法在单金属校正和多金属校正中的峰值信噪比分别为0.943和0.915,比线性插值校正金属伪影(Linear Interpolation Based Metal Artifact Reduction,LI-MAR)算法分别增加了28.65%和44.55%;FP-MAR算法在单金属校正和多金属校正中的结构相似性分别为0.984和0.961,比LI-MAR算法分别增加了48.41%和64.27%.临床CT伪影影像验证中,FP-MAR算法校正后CT金属伪影的主观评价高于LI-MAR算法校正后的CT金属伪影图像,且二者差异有统计学意义.结论 本研究提出的算法可有效解决修复后的投影数据与周围投影数据之间过渡不连续的问题,更好地保留金属结构附近的信息.

目的 提出一种基于改进可微分域转换的双域锥束计算机断层扫描(CBCT)重建框架DualCBR-Net用于锥角伪影校正.方法 所提出的双域CBCT重建框架DualCBR-Net包含3个模块:投影域预处理、可微分域转换和图像后处理.投影域预处理模块首先对投影数据进行排方向扩充,使被扫描物体能够被X射线完全覆盖.可微分域转换模块引入重建和前投影算子去完成双域网络的前向和梯度回传过程,其中几何参数对应扩大的数据维度,扩大几何在网络前向过程中提供了重要先验信息,在反向过程中保证了回传梯度的精度,使得锥角区域的数据学习更为精准.图像域后处理模块对域转换后的图像进一步微调以去除残留伪影和噪声.结果 在Mayo公开的胸部数据集上进行的验证实验结果显示,本研究提出的DualCBR-Net在伪影去除和结构细节保持方面均优于其他竞争方法;定量上,这种DualCBR-Net方法在PSNR和SSIM上相对于最新方法分别提高了0.6479和0.0074.结论 本研究提出的基于改进可微分域转换的双域CBCT重建框架DualCBR-Net用于锥角伪影校正方法使有效联合训练CBCT双域网络成为可能,尤其是对于大锥角区域..

目的:针对眼科超声图像数量有限、标注成本高和模型泛化能力不强的问题,提出一种基于改进YOLOv8的超声生物显微镜(ultrasonic biological microscopy,UBM)图像眼前节参数测量方法.方法:首先,使用StyleGAN3进行数据增强,降低YOLOv8模型对UBM图像的敏感度,提高模型的泛化性能;其次,借鉴半监督学习中的伪标签自训练的方法,使用以原始UBM图像为数据集的YOLOv8模型生成虚拟UBM图像的伪标签;最后,使用扩充后的数据集训练YOLOv8模型,同时使用全局上下文网络(global context network,GCNet)模块改进YOLOv8模型,使用关键点排序算法对YOLOv8的预测结果进行排序,结合先验知识筛选出合格图像后,计算眼前节生理参数的测量值.结果:与眼科专家的手工标注结果相比,经StyleGAN3数据增强和自训练的YOLOv8模型的定位误差为(61.94±40.66)μm,测量前房角间距、瞳孔直径、睫状沟间距、中央角膜厚度、前房深度、晶状体厚度的平均相对误差分别为0.62％、1.35％、0.68％、4.87％、0.93％、0.75％.结论:提出的方法能够提高UBM图像眼前节参数测量的精度,且能满足实时性的需求.

基于全息理论的中医望诊可以辅助诊断西医疾病,但目前中医望诊主要依靠名老中医药专家的经验传承,存在望诊客观化、标准化程度不够,缺乏行业内认可度高的望诊转化技术的问题.而望诊融合人工智能信息化技术,可以提升中医望诊客观化、标准化的水平,可以有效地降低疾病的恶化率和病死率,促进中医望诊经验的转化.据此,结合前期开展的大鱼际特征与冠心病关系研究,得出大鱼际望诊可以用于冠心病早期预警筛查.以大鱼际望诊和冠心病之间的关系为例,将先验知识和深度卷积神经网络算法深度融合,将特征提取和分类合为一体,利用深度学习端对端的显著特点,输入观察到的原始大鱼际图像像素数据或信息,通过对大鱼际照片的大量深度学习,构建冠心病患者的关键特征要素,融合先验知识后,输出是否为冠心病的分类结果,中间为深层的网络结构.这一思路将提出一种中医望诊客观化、标准化的智能化算法,促进中医望诊经验的转化思路与方法,以提高基层群众的疾病预警筛查能力,服务"健康中国"战略.

目的/意义 解决传统胸腔积液分割方法严重依赖先验知识、流程烦琐、耗时费力、性能不佳等问题,提高效率和准确率.方法/过程 根据胸部CT图像的积液特征,提出一种基于残差注意力机制的胸腔积液分割模型ARU-Net.以U-Net模型为主干网络,在编码和解码阶段引入残差注意力单元,有效获取图像上下文信息,提高对特征的利用率.结果/结论 在测试集上的DICE相似系数达到88.76%,与U-Net和ResU-Net相比在分割完整性和准确性方面具有显著优势,能够满足临床需求.

为进一步提高超声颈动脉内中膜提取和测量的准确性,本研究基于U-Net模型提出了改进的分割网络,以实现对颈动脉内中膜的精准提取.首先,在网络中加入条形注意力模块,利用先验形状和解剖信息以解决传统卷积感受野受限的问题;此外,结合后处理细化模块以更好地减少图像中噪声和伪影干扰,通过从内中膜的固有膜形状特征中学习,从而实现校正估计误差.在采集的 1000 张颈动脉血管超声图像数据库中进行测试,分割Dice达到 0.932,内中膜厚度的平均误差为 0.914个像素.本研究有望为动脉疾病的自动分析提供重要的参考依据.

近年,深度学习技术在磁共振(magnetic resonance,MR)图像重建领域飞速发展.然而,由于有监督的MR图像重建方法所依赖的高质量配对MR数据难以获取,无监督的MR图像重建方法逐渐成为了研究者们关注的重点,并展现出巨大的应用前景.当前关于此类问题的研究层出不穷,但仍缺乏系统性的归纳和分析.为此,本文综述了无监督MR图像重建方法的研究进展.首先,本文对无监督的MR图像重建方法进行了总结,无监督的MR图像重建方法能够从图像域或K空间域数据学习先验信息,实现在缺少配对数据情况下的MR图像重建;其次,本文根据学习先验信息的作用域的不同,将这些方法分为基于K空间域、基于图像域和基于混合域的无监督MR图像重建方法,并重点对各类方法的算法模型和实现流程进行了详细的介绍.最后,本文对无监督MR图像重建领域的进展和各类方法的特点进行了较为全面的总结,并对未来的发展方向进行了展望,以期为实现无监督MR图像重建提供思路和参考,并促进MR成像的临床应用.

目的:提出基于深度图像先验网络的方法应用于PET短时间动态扫描Patlak参数成像.方法:利用仿真数据和动态采集60 min数据,分别用20～60 min、30～60 min、40～60 min、44～60 min时间段数据进行Patlak参数成像,使用深度图像先验网络方法对不同时间段数据生成的参数图像进行去噪,根据去噪图像分析短时间动态扫描协议的定量变化.结果:本文提出的方法在仿真实验中既有明显的去噪效果又能够保持图像细节,针对临床数据44～60 min时间段生成的Patlak参数图像与20～60 min结果的偏差(Bias)相差值在去噪前后从15.54％减少到6.3％,变异系数(COV)在44～60 min时去噪前后的值在两个背景区域下降率为162.96％和223.08％.同时短时间动态扫描协议下去噪图像定量偏差小于4％.结论:本文提出的方法可以提升Patlak参数图像质量,且可实现短时间动态扫描参数成像.