文摘

白质hyperintensities(负责人),也称为白质骨质疏松症,临床已经证明是与认知能力下降有关,脑梗塞的风险,和痴呆。现有的计算机自动测量技术的细分病人的负责人没有良好的可视化和定量分析。在这部作品中,作者提出了一种新的研究负责人定量分析和三维重建的三维重建方法在白质高信号。首先,作者使用ResUnet达到白质高信号细分,将注意力机制添加到ResUnet实现更精确的分割。之后,本文使用表面渲染3 d重建准确的分割结果。数据收集的实验数据集上进行了山东省第三医院。Attention-Unet训练后,提出了优于其他细分模型在白质高信号的细分和骰子系数和MPA达到92.52%和92.43%,分别,从而实现精确的三维重建,为定量分析提供一个新的想法和3 d重建研究负责人。

1。介绍

认知功能的下降,脑梗塞的风险,和痴呆严重影响现代人的健康。目前,有很多方法来预测和脑梗塞痴呆的认知能力下降。乔和其他人相信MMSE预测中扮演一个重要的角色在阿尔茨海默病的早期检测。他们更有效地使用卷积神经网络预测MMSE (1]。Solovyev和其他人认为,认知能力的下降与阿尔茨海默病和毛细管停滞和卷积神经网络应该被用来检测毛细血管,取得了良好的结果(2]。近年来,(负责人)的定量分析白质高密度吸引了广泛关注。白质hyperintensities(负责人),也称为白质骨质疏松症,表现为高信号在t2加权磁共振成像(MRI)天赋或T1W序列图像和液体衰减反转恢复序列。病理变化主要noncharacteristic白质损伤,表现为膜不连续,神经胶质细胞增殖,白质纤维松散,苍白或髓鞘肿胀,脑弥漫性轴索损伤,和液泡的形成3,4]。这证实了诊所负责人与认知能力下降有关,脑梗塞的风险,和痴呆和步态障碍,平衡失调,尿失禁。除此之外,研究表明,90%以上的人60岁以上的老人有白质hyperintensities。

国内外现有的研究负责人定量分析方法是半自动测量,和医生需要监督整个过程。此外,现有的方法不能直接显示重建的效果并不能帮助医生定量分析。埃尔南德斯等人。5)提出和评估白质损伤的指标,实现了定量评估研究负责人。默罕默德等。6)提出了卷积神经网络部分传统研究负责人,取得了良好效果。Dadar et al。7)使用机器学习方法实现分割的研究负责人,达成的骰子系数0.84。然而,现有的计算机自动测量技术的细分病人的负责人并没有一个良好的可视化和定量分析和重建尚未检索到的有关报道。

医学成像设备,CT和MRI等,可以获得二维数字断层扫描图像的人体内部器官的但不能显示物体的三维结构。三维重建技术在计算机图像处理和图形可以重建在3 d和2 d医学图像序列可以模拟和显示器官的三维结构。人体是由医学扫描扫描成像设备,和一个连续的二维数字图片的错误,然后送入电脑和阅读。功能增强和分割进行断层序列图像。之后,分割区域用于重建三维图像重建算法。如何进行精确的分割和三维重建的研究负责人是一个需要解决的问题。

研究负责人准确分割是三维重建的第一步。目前,大多数的分割方法针对损伤仍在起步阶段。聚类方法是一种最常用的传统的分割方法。主要实现像素聚类特性相似的像素在目标区域。此外,传统的方法如贝叶斯分类器和支持向量机(SVM)在病灶分割也常用。然而,病灶分割的传统方法通常有复杂的训练和可怜的细分精度的特点。随着深度学习的发展技术,通常用于医学图像分割和检测并取得了理想的结果。2015年,长et al。8]利用卷积层提取特征和deconvolutional层用于解码特征图像和恢复输入图像的大小,从而实现图像逐像素分类。引入FCN之后,一系列的卷积网络结构设计的图像像素分类,如SegNet [9],DeepLabv3 [10],Unet [11]。这些网络结构由两部分组成,编码和解码层,结构清晰,容易理解。其中,Unet已广泛应用于医疗损害的分割(12- - - - - -16),取得了良好的效果。提取损伤特征的基础是准确的分割。VGG-16 [17]和GoogleNet [18)是常用的损伤特征提取网络,但他们的冗余网络层学习参数,不是身份映射,导致网络的退化,而ResNet [19]解决了上述模型退化问题设计剩余模块和取得更好的特征提取。

目前的三维重建方法一般分为两种:表面呈现和体绘制。本文的三维重建分段研究负责人执行基于表面呈现。早期的医学扫描成像设备,部分之间的距离较大,限制电平表面重建普遍采用。与医学扫描和成像设备的改进技术,基于体素表面重建。等值面提取的一些算法,等值面绘制通过构造等值面显示的像素点的几何元素。于(20.)使用3 d重建技术重建外伤性atlantoaxial脊椎,以便更好地帮助医生指定适当的手术方法。他(21]重建连续心脏组织部分和实现虚拟心脏可视化。

本文改进Unet用于部门负责人和ResNet结构的基础上添加负责人。此外,CBAM的注意机制(22摘要]添加实现特征提取的研究负责人。为了解决模糊性问题引起的移动立方体法三维重建,我们使用移动四面体法对3 d重建的一系列分割图像。在本文中,作者进行了数据实验23742病理图像山东省第三医院的100名患者。损伤的位置,一个专业的放射科医师。根据702年放射学家的标签,CT图像白质高信号。数据实验表明,分割网络提出了本文与其他流行的分割网络相比,至少有0.01骰子系数提高,这也提供了精确的三维重建的基础研究负责人。此外,本文的三维重建的效果与其他方法相比大大提高了。通过文献分析,这是第一次尝试进行精确的三维重建研究负责人,为定量分析提供一个新的想法和重建的负责人。

2。材料和方法

2.1。材料

本文的数据集是来自山东省第三医院,中国,包括100年共有23742名患者病理图像。病变的位置是由专业的放射科医生。本文选择702 CT图像与白质hyperintensities根据放射科医生的注释。由于高对比研究负责人和周围组织,天赋序列有较高的清晰度和完整性而T1W和T2W序列。本文的大部分DICOM图像在白质高信号从天赋中选择序列和一些选择从其他序列。

数据实验中,白质高密度分为训练集和测试集的比例根据8:2。训练集用于图像分割的白质高密度的训练,测试集是用于分割测试。

重建的准确性白质高密度取决于分割的准确性。在这篇论文中,作者使用数据直方图均衡化增强白质高密度。在白质高信号的细分精度大为提高。

2.2。方法

2.2.1。模型

一系列Unet网络是一种基于卷积神经网络的图像分割网络。与传统的完整的卷积神经网络相比,Unet已得到改进实现完整的提取功能层之间通过加强联系,加上upsampling downconvolution。更好地专注于划分区域,ResUnet跳连接的基础上补充道Unet更好地改善深卷积神经网络的准确性。

如图1ResUnet是一个u形对称结构,卷积层左边和右边的抽样层上。Unet一样,ResUnet包含4层卷积和相应的抽样层上部和特征映射从每个卷积获得一层一层将连接到相应的上采样,所以,每一层的功能映射可以有效地用于后续计算。对应的上采样一层一层和卷积计算卷积的内核 与ReLu大小和激活。其中,4卷积层由一个连接 抽样层upsampled最大池和4上 卷积的内核。此外,ResNet增加跳连接在每个卷积层和上层抽样层,如图1作为固体蓝色箭头。ResUnet跳连接具有更好的分割效果,已在实验中得到了验证。此外,本文增加了CBAM关注模块每次卷积层和上层抽样层后,网络可以获得更好的分割效果。CBAM在下一节详细介绍。CT图像输入的白质高密度ResUnet网络,通过多重卷积层和上层抽样层,最后得到准确的分割结果。

ResUnet使用骰子损失函数来实现进行像素级分割在白质高信号。骰子系数来源于二分法,本质上是一个衡量重叠的两个样本。骰子函数如下所示:

其中, 代表之间的公共元素集并设置 , 表示集合中元素的数量 ,和 表示在集合的元素数量 。本文最初的目标和分段目标重叠在像素级获得骰子价值。

2.2.2。CBAM注意力机制

根据实验结果于(20.),顺序添加频道关注和空间进行了关注。通道的注意,功能图生成在最后层将被最大化,平均注视,产生不同的空间上下文描述符和 。然后进入共享的网络延时描述符,以及由此产生的特征向量求和操作合并。

频道关注的公式如下: 在这代表乙状结肠函数,和在MLP-shared网络权重,在哪里 和 ,和代表了还原速度,针对减少共享网络的参数计算。

对空间注意,公式如下: 在这代表乙状结肠功能和用一个过滤器的大小代表卷积操作 。

2.2.3。研究负责人重建

白质hyperintensities准确分割,分割后的图像每组在3 d重建。

行进的立方体算法是一个经典的算法在表面渲染算法。它是一种体素水平Lorense[提出的重建算法23]1987年,也被称为等值面提取算法。移动立方体算法的主要思想是通过线性差分来近似等值面在三维离散数据字段。在医学图像分割和重建,这等位面是通过定义一个阈值决定的。首先,定义“细胞”的概念不同于一个“体素。“体素是八个像素网格排成序列,并且每个体素(边界除外)由八个像素点共享。有三种顶点值在一个体积元:高于或等于价值在表面,和值是在表面以下。移动立方体如图2。

如图2,和代表两个不同的等位面;( )代表体素的顶点。有两种可能的状态一个顶点的体素,所以体素(8个顶点)共有28个或256个国家,一个点的灰度值在体素(如在图2)可以使用三线性插值方程计算(4)。

的灰度值代表体元的8个顶点; 代表体元的坐标点; 代表点的灰度值( )体素。256种组合可以减少到128组合扭转对称(交换顶点0和1的值在边界体素)。通过旋转对称(顶点0和1的位置是相同的旋转后的边界体素),256种组合可以减少到15例。每个州的体积元素包含三个方面,和三角片的顶点元素量需要根据的价值由线性插值计算等值面和两个顶点的值。

为了解决歧义的问题在连接移动立体三角形表面的方法,本文使用移动四面体法(24,25进行三维重建。与移动立体法相比,移动四面体算法是将立方体元素移动立方体算法划分为四面体。分割的方法有很多,通常分为5个四面体,然后在四面体构造等值面。总共有24个和16个组合。通过反相和旋转对称,只有一个顶点的边界体素大于等值面,所以三角形表面生成。如果两个顶点是大于等值面,生成一个四边形的表面,如图3。

图3显示了移动四面体法的原理图。本文使用移动四面体法对3 d重建大脑的白质和能够取得更好的建模精度。

3所示。结果

3.1。评价指标

本文进行了分割和三维重建数据集(负责人)在白质高密度。为了评估三维重建的精度相对于黄金标准手动标签,一系列相应措施对各种卷和空间是本文中使用,作为没有单一的措施反映了所有必需的信息重建的质量。摘要骰子系数主要是用作各体素的空间对应的评价指标两个部分。骰子可以测量负责人之间的相似性系数分段网络的输出和实际样品。其中,骰子系数值在0和1之间,值越大,越接近分割是真正的价值。骰子系数公式如下:

其中,分割网络的预测结果 和真实的结果 。是由十字路口的两个结果 。此外,为了评估分割的准确性像素,MPA(平均像素精度)也用于分析实验结果的两种类型的像素负责人分割的过程。MPA值在0和1之间。值越高,像素精度越高。MPA公式如下:

类别的数量表示 ,正确分类像素表示的数量 ,和错误分类的像素表示 。摘要不同模型用于实验比较证明的有效性模块添加到本文研究负责人分割。所有模型训练获得负责人训练集和评估验证集。

3.2。实现细节济南科技

为了平等和比较,进行真正的考验都是PyTorch代码。进行了实际的培训与6 x英特尔Ubuntu 16.04操作系统(R) (TM)核心i7 - 7700 CPU、和NVIDIA GeForce 2080年RTX GPU用于培训。图像输入每个网络的大小 像素。此外,本文设定30时代对每个网络模型的训练和每个模型的初始学习速率设置为0.001。除非另有说明,所有的模型使用相同的参数。

3.3。主要结果

摘要MPA和骰子系数作为评价指标之间的每个体素的空间通信两个分割。由于缺少负责人数据,本文运用TTA(测试时间增加),加强测试集的结果,使用5倍交叉验证的方法。通过观察获得的结果通过使用本文方法,评估相应的负责人重建的影响。此外,为了证明Unet模型的改进的有效性本文SegNet进行了实验比较,DeepLabv3, Unet。

实验结果如表所示1。

SegNet达到86.34%的MPA和骰子系数强度分割的白质高密度的87.43%。同样,DeepLabv3 MPA的90.65%和骰子系数为91.31%,高于SegNet,而本文中使用的Attention-Unet骰子系数为92.52%,高于其他流水线分割模型。此外,与Unet相比,剩余模块和CBAM关注模块添加摘要骰子系数提高2.15%和1.47%,分别。这足以证明分割方法的准确性。

为了更好地代表实验结果的内容,五个不同模型的分割效果比较和对比的效果如图4。

其中,研究负责人分割和重建效果得到Attention-Unet和移动四面体法如图5,负责人是来自这个序列的分割图像。

4所示。讨论

在这篇文章中,一个精确的三维重建研究负责人是首次尝试,一个新想法的负责人提供定量分析和重建。为了使三维重建更加准确的结果,本文提出了一种引起模型称为Attention-Unet。模型增加了分割注意力机制来实现更精确的白质高密度,提高三维重建的准确性。实验结果表明,模型的骰子系数和MPA负责人数据集分别为92.52%和92.43%,分别比当前流行的细分模式,因此奠定重要基础的实现精确的三维重建。在接下来的工作,作者将努力实现精确测量体积的3 d重建白质hyperintensities,这样它就可以被应用到临床工作更快。在接下来的工作中,我们将参考以下小说工作(26- - - - - -32)来提高三维重建的准确性研究负责人和分割的速度。

数据可用性

支持这项研究的数据在数据库中是可用的https://github.com/wls860707495/-White-Matter-Hyperintensities

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(号。61972416,61873280,61873281),山东省自然科学基金(ZR2019MF012号和ZR2021MH227)和济南科技计划(202019181)。