在我国抗击新冠抗击肺炎疫情优秀标题的过程中电子计算机断层扫描cd发挥了重要作用cT通常是


? 本文提出一个全自动的肺部CT癌症诊断系统DeepLungDeepLung包括两部分,结节检测(识别候选结节位置)和分类(将候选结节分类为良性或恶性)考虑到肺部CT数据的3D特性和双路径网络(DPN)嘚压缩性,设计了两个深度3D DPN分别用于结节检测和回归特别地,一个带3D双路径块和U-net型编码-解码结构的Faster RCNN来高效的学习结节特征对于结节分類,提出一个带3D双路径网络特征的梯度提升机(GBM)在LIDC-IDRI的公开数据集络验证了结节分类子网,取得了比state-of-the-art更好的性能并且在基于图像模式上超过了有经验医生。在DeepLung系统中首先通过结节检测子网络检测出候选结节,然后使用分类子网络做结节诊断广泛的实验结果表明,DeepLung在LIDC-IDRI数據集上的结节级别和患者级别诊断方面的性能均与经验丰富的医生相当

? 肺癌是男性因癌致死最常见的情况,低剂量的肺部CT扫描提供一個有效的早期诊断可以极大减少肺癌死亡率。先进的计算机辅助诊断系统(CADs)被期望有很高的灵敏度同时保持低的假阳性深度学习的最噺进展使我们能够重新思考临床医生肺癌诊断的方法。
? 当前肺部CT分析研究主要包括结节检测[6,5],和结节分类[26,25,14,33];很少使用深度学习构建一个集荿结节检测和结节分类的完整肺部CT癌症诊断系统来全自动化肺部CT癌症诊断的工作。值得探索整个肺部CT癌症诊断系统并了解当前深度学習技术的表现与经验丰富的医生的差异程度。据我们所知这是第一个时候用深度网络全自动化整个肺部CT癌症诊断系统。
? 大规模数据集LUNA16 [24]嘚出现加速了结节检测的相关研究通常,结节检测包括两个阶段区域提议框生成和假阳性消减。 传统方法通常需要手动设计的特征洳形态特征,三位像素聚类和像素阈值[20,15]最近,深度卷积网络如Faster R-CNN [21,17]和全卷积网络 [18,37,31,30,29],被用来生成候选边界框[5,6]在第二阶段,使用更先进的方法或复杂的特征例如精心设计的纹理特征,来消除假阳性结节由于CT数据的3D特性和Faster R-CNN在2D自然图像在目标检测的有效性[13],我们设计了一个3D Faster R-CNN用於结节检测带3D卷积核和U-net型编码器 - 解码器结构,有效地学习潜在特征[22]尽管它已被广泛用于语义分割,能够捕获上下文和局部信息对于结節检测也应该非常有用由于3D 卷积网络具有过多的参数并且难以在相对较小规模的公开肺部CT数据集上进行训练,因此采用3D双路径网络作为構建块(block)因为深度双路径网络更紧凑并且同时提供比深度残差网络更好的性能[3]。
? 在深度学习时代之前手工特征工程和分类器是结节分類的一般流程[10],在大规模LIDC-IDRI [2]数据集公开后基于深度学习的方法已成为结核分类研究的主要框架[25,35]。已经提出了在不同尺寸共享权重的尺寸度罙度ConvNet [26]用于结节分类权重共享方案减少了参数量,并迫使多尺度深度ConvNet学习尺寸不变的特征受双路径网络(DPN)最近在ImageNet上成功的启发[3,4],我们提出了一种新的CT结节分类框架首先,我们设计一个深度3D 双路径网络来提取特征由于已知梯度提升机(GBM)具有出色的性能,因此我们使鼡带深度3D双路径特征结节尺寸和裁剪的原始结节CT像素[8]的GBM用于结节分类。
? 最后我们通过将结节检测网络和结节分类网络结合在一起,構建了一个全自动肺癌CT诊断系统因此称为DeepLung,如图Fig 1所示对于CT图像,我们首先使用检测子网来检测候选结节 接下来,我们使用分类子网將检测到的结节分类为恶性或良性 最后,通过融合每个结节的诊断结果可以实现整个CT的患者级别诊断结果。
? 我们的主要贡献如下:1)为了充分利用3D CT图像分别设计了两个深度3D ConvNets用于结节检测和分类。由于3D ConvNet包含太多参数且难以在相对较小的公开肺部CT数据集上进行训练因此我们采用3D双路径网络作为神经网络架构,因为DPN使用较少的参数并获得比残差网络更好的性能[3]具体来说,受到Faster R-CNN对物体检测有效性的启发[13]我们提出了基于3D双路径网络和U-net型编码器 - 解码器结构的3D Faster R-CNN用于结节检测,和深度3D双路径网络用于结节分类 2)与最先进的方法相比,我们的汾类框架实现了更好的性能并且在公共数据集LIDC-IDRI上超过了有经验的医生的表现。 3)我们的全自动DeepLung系统基于检测的结节分类,与经验丰富嘚医生在结节水平和患者水平诊断性能相当

? 传统的结节检测涉及手工设计的特征或描述符[19],需要领域专业知识最近,已经提出了几項工作来使用深度ConvNets进行结节检测以自动学习特征这被证明比手工设计的特征更有效。 Setio et al. 提出多视图ConvNet用于假阳性结节消减[23]由于CT扫描的3D特性,一些工作提出3D ConvNets来应对挑战提出使用3D全卷积网络(FCN)来生成候选区域,并且使用带加权采样的深度ConvNet进行假阳性消减[6]Ding et al. 和Liao et al.使用Faster R-CNN生成候选结節,然后使用3D ConvNets去除假阳性结节[5,17]由于Faster R-CNN [13,21]的高效性能,我们设计了一种新的网络带3D双路径块的3D Faster R-CNN,用于结节检测此外,U-net型的编码器 - 解码器方案被用于3D Faster R-CNN以有效地学习特征[22]
? 结节分类传统上基于分割[7]和手动特征设计[1]。 几项工作为CT结节诊断设计了3D轮廓特征形状特征和纹理特征[32,7,10]。朂近深度网络已被证明对医学图像有效。 人工神经网络用于CT结节诊断[28] 为结节分类提出了更具计算效率的网络,具有不同尺寸间权重共享以学习尺寸不变特征[26]的多尺寸ConvNet深度迁移学习和多实例学习用于患者级别肺部CT诊断[25,36]。对2D和3D ConvNets进行的比较研究显示对于3D CT数据[33] 3D ConvNet优于2D ConvNet。进一步提出了一个多任务学习和迁移学习框架用于结节诊断[14]。与他们的方法不同我们提出了一种新颖的CT结节诊断框架。 受最近深度双路径网絡(DPN)在ImageNet成功的的启发[3]我们设计了一种新颖的3D DPN,用于从原始CT结节中提取特征 部分由于带完整特征的GBM的卓越性能,我们对结节诊断采用帶不同粒度级别特征从原始像素,DPN特征到结节大小等全局特征的GBM 通过融合结节级别诊断可以实现患者级别的诊断。

? 我们的全自动肺蔀CT癌症诊断系统包括两部分:肺部检测和分类;我们为结节检测设计了3D Faster R-CNN 并为结节分类提出了带深度3D DPN特征、原始结节CT像素和结节大小的GBM。

? 受双路径网络在ImageNet上成功的启发[3,4]我们在图Fig 3和图Fig 4中设计了一个用于肺部CT结节检测和分类的深度3D DPN框架。双路连接受益于残差学习和密集连接嘚优势[11,12] 残差学习中的快捷连接是消除深度网络中梯度消失现象的有效方法。 从学习的特征共享角度来看残差学习可以实现特征重用,洏密集连接则具有利用新功能的优势[3]此外,密集连接的网络比残差学习具有更少的参数因为不需要重新学习冗余特征图。 双路径连接假设在被利用的特征中可能存在一些冗余并且双路径连接使用部分特征进行密集连接,部分用于残差学习 在实现中,双路径连接将其特征分成两部分 一部分F(x)[d:]用于残差学习,另一部分F(x)[:d]用于密集连接如图Fig 2所示。这里d是超参数 用于决定要采用的新功能的数量 双路径连接可以表示为
? y是双路径连接的特征,G是ReLU激活函数F是卷积层函数,x是双路径连接块的输入双路径连接集成了两个高级框架嘚优势,将残差学习的特征重用和密集连接的新特征利用的集成到一个统一的结构中该结构在ImageNet数据集上取得了成功[4]。 由于其紧凑性和有效性我们设计了基于3D DPN的深度3D神经网络。
? 具有U-net型编码器解码器结构和3D双路径块的3D Faster R-CNN如图Fig 3所示由于GPU内存限制,3D Faster R-CNN的输入是从3D重建CT图像中裁剪絀来的像素大小为96×96×96。编码器网络源自2D DPN [3] 在第一个最大池化之前,使用两个卷积层来生成特征之后,在编码器子网中使用8个双路径塊我们在检测中集成了U-net型的编码器 - 解码器设计概念,以便有效地学习深度网络[22]实际上,对于区域提议生成3D Faster R-CNN进行像素方式的多尺度学習,并且U-net被验证为用于像素标注的有效方式这种集成使候选结节的产生更加有效。在解码器网络中特征图由反卷积层和双路径块处理,并随后与编码器网络中的相应层拼接[34]然后在第二层到最后一层使用带dropout(丢弃概率0.5)的卷积层。在最后一层我们基于结节尺寸分布设計了3个anchor,5,10,20用做参考尺寸。对于每个anchor损失函数中有5个部分,当前边框是否为结节的分类损失 Lcls?结节坐标x,yz和结节大小d的回归损失 0 i的哆任务损失函数定义为:
i 预测为结节的概率, ti? 是相应的结节位置坐标预测定义为:
i 的坐标和尺寸,对于ground truth结节位置定义如下:
(x?,y?,z?,d?) 是结节的实际坐标和直径, λ 为0.5; 对于 Lcls? 使用二分类交叉熵损失函数对于

3.2 用于结节分类的带3D 双路径网络特征的GBM

 
  
 
  
 
  
 
  
 
  
 
  
 
  

4.4.1 与经验丰富的医生在他们各自置信结节比较

 
  
 
  

4.5.1 与经验丰富的医生在他们各自确信的CT比较

 
  
 
  
 
  
 
  
 
  

四川在线消息(记者 何浩源)好消息!继2月2日广安首例新型冠状病毒肺炎患者陈某治愈出院后2月7日,广安又有一例新冠病毒肺炎患者徐某治愈出院

和陈某入院时已经呼吸困难不同的是,徐某全程都没有特别明显的症状徐某是广安人,在武汉房地产公司上班春节前回到广安。

徐某的姐姐强烈建议她箌医院做检查但由于没有症状,徐某百般不情愿1月23日,徐某来到四川大学华西医院广安医院(广安市人民医院)检查通过CT(电子计算机断層扫描)看出其双肺呈磨玻璃样改变,双肺受损明显当天下午就被收入医院诊治。1月25日通过病毒核酸检测呈阳性,确诊徐某为新型冠状疒毒肺炎

四川大学华西广安医院重症医学科副主任医师、徐某主诊医生王健介绍,徐某体温一直正常偶尔有干咳现象,直到出院都沒有出现发热、明显呼吸道症状,但这种患者更加危险如果没有及时收入医院治疗,后果更加严重

由于没有明显症状,徐某在治疗期間曾经有抵触心理情绪波动较大。医院专门让心理科的医生参与了治疗对患者进行心理辅导,让其配合医生进行治疗同时按照《新型冠装病毒感染的肺炎诊疗方案》进行治疗,进行抗病毒对症治疗及护理经过15天的治疗和专家评估,该患者两次间隔24小时核酸检测为阴性肺部影像学炎症也有明显吸收,连续3天体温正常符合解除隔离及出院标准。

自新冠病毒肺炎疫情出现后王健已经连续在一线奋战叻23天。徐某出院后王健也将进行14天医学观察,期间将由四川大学华西广安医院重症医学科副主任医师唐晋对确诊病例进行主诊“我们醫生和患者近距离接触,虽然做了很好的防护但是还是要进行医学观察。”

当天四川大学华西广安医院还有两个疑似病例郭某、何某解除隔离并出院医生建议徐某以及两名疑似患者郭某、何某出院后,居家隔离14天也会派社区的医生进行随访,监测他们的康复情况

北京大学新技术有助于新冠状肺燚的CT诊断肺纤维化清晰可见

在流行期间,利用CT图像来判断病情已成为诊断新皇冠肺炎的重要依据之一然而,很难解释传统的CT图像近ㄖ,北京大学人工智能研究所宣布开发了一套高度逼真的肺部图像体绘制技术能够清晰呈现三维彩色模式下的各种黑白图像数据,能够洅现新发肺炎患者肺部病变提高筛查和诊断效率。医学专家认为这一成就意义重大,将有助于医生更好地开展肺炎和肿瘤的治疗

左邊是传统的胸部CT图像,右边是北大新闻网北大高真实感体绘制技术设置的CT图像的高真实感可视化图像
影像学检查是新冠状动脉肺炎的重要診断依据但传统的CT图像数据集多,处理时间长颜色单一,难以解释据报道,一个新诊断的肺炎病人的CT图像可以达到300左右只有专业影像医生才能长期理解和诊断,难以满足新诊断肺炎快速筛查和诊断的需要

医学图像可视化技术可以帮助医生更好更快地发现病变的真實情况,提高诊断和治疗的准确性这种技术在新皇冠肺炎流行期间已得到一定程度的应用,但由于外资产品的垄断成本居高不下,难鉯推广

北大人工智能研究所最近开发的体绘制技术提供了一种新的视觉选择。体绘制技术已经广泛应用于医学领域该技术以胸部CT切片集为输入,通过三维交互方式全面显示患者的肺部状况数百幅CT图像可以交互渲染成真实感强的三维图像,彻底改变了传统CT的显示方式

丠京大学人工智能研究所视觉感知研究中心的副研究员马雷说,高度逼真的体绘制的特征是真实的彩色3D模型传达了更多的信息,比黑白CT斷层扫描更加丰富它们对器官损伤有“增强”作用,使医生一目了然

该技术可以直接显示肺组织的病变范围和严重程度。絮状物、斑爿状致密阴影、斑片状射线照相术和磨玻璃阴影都可以清晰、高保真地复制到计算机中

不同计算机断层扫描装置可视化效果的比较。左圖1:正常肺CT集合的视觉参考;左二:病人甲的胸部电脑断层摄影影像;左图3:显示b患者的CT胸片明显显示北京大学新闻网的肺纤维化图片
北京大學人工智能研究所视觉感知中心主任黄铁军透露,“高真实感体绘制技术直接使用常规CT获取的图像数据无需额外的设备和处理,就能更赽更好地显示肺部病变希望能够减轻医生的工作量,提高筛查和诊断效率并有助于抗击疫情。”

凭借高密度分辨率和高度真实的显示效果医生可以大大提高诊断和治疗效率。疫情期间部分科技公司为新诊断肺炎重点医院提供了相关医学影像可视化服务,效果显著嘫而,传统的CT图像仍然存在利用北京大学新的可视化技术,可以呈现三维彩色图像诊疗效果将更加理想。

北京大学第一医院影像科主任医师邱建新认为这项技术不仅对肺炎的诊断和治疗有意义,而且可以用于肺部肿瘤的定位和手术

免责声明:文章内容不代表本站立場,本站不对其内容的真实性、完整性、准确性给予任何担保、暗示和承诺仅供读者参考,文章版权归原作者所有如本文内容影响到您的合法权益(内容、图片等),请及时联系本站我们会及时删除处理。

我要回帖

更多关于 抗击肺炎疫情优秀标题 的文章

 

随机推荐