首页 > 智能 > 内容

38c63.com幸运飞艇提前开奖软件下载基于医学影像

发布时间:2019-02-27   来源:未知    
字号:

  线机到数字化X线机,从水洗胶片到干式胶片,从平面影像到三维影像,数字化医学影像的发展推动着医疗水平不断进步。随着计算机技术和人工智能技术的崛起,为了满足愈加复杂的医学图像分析和处理要求,医学影像智能化分析方法应运而生,并成为近年来医学图像处理技术发展的热点

  由于脑部结构复杂、功能区域密集,对神经外科手术操作的精准性要求很高。然而,在20世纪60年代以前,由于诊疗技术和手段的落后,神经外科精准诊疗一直没有得到发展。随着医学影像技术的不断进步,CT、MRI、PET等在临床中的应用使神经外科精准治疗变成了可能

  神经外科临床诊断与治疗过程中目前存在的难点为:(1)术前诊断阶段主要依靠医生经验,主观性较大,容易导致漏诊、误诊等;(2)神经外科手术主要依靠术前单一模态影像,术中脑组织形变造成病变组织和正常脑组织定位不精准,可能导致手术操作不精准;(3)缺乏术中精确动态的引导方法,导致致残率居高不下;(4)术前诊断和术中治疗分离,很大程度上没有实现神经外科精准诊疗的效果。随着医学影像、数字化诊疗、人工智能等技术的发展,越来越多的研究者正在竭力解决以上难题,使得医学诊断与治疗方式更加多样化、定量化,诊疗结合更加紧密。本文将对神经外科精准诊疗的研究现状与关键技术进行分析,阐述深度学习技术、多模态融合技术与影像引导技术在神经外科精准诊疗中的应用和重要意义,并对神经外科精准诊疗的发展与挑战展开讨论

  神经外科精准诊疗越来越趋于智能化。利用人工智能技术开发的医学专家系统能够弥补医生诊断的主观性和局限性问题,为神经外科临床诊疗提供更加客观与综合的决策辅助。近年来,深度学习技术凭借着自然图像分析处理领域取得的突出成绩强势崛起,成为了目前最热门的研究领域。与此同时,越来越多医学图像领域的研究人员也将深度学习技术应用到医学图像分析中,不仅改进和结合了传统图像处理方法,同时也为影像诊断提供了更高质量的辅助信息,为神经外科精准诊疗的实现提供了更加智能化的影像分析结果,具有较好的发展前景

  脑组织与病变组织结构自动化分割是脑结构和功能图像分析中的一项重要任务。传统脑结构组织分割一般是采用图谱法。基于图谱方法的分割依赖于高精度的配准,耗时长,且主要针对正常脑组织,对于带有肿瘤造成组织变形的脑组织效果较差。Moeskops等提出了一种基于卷积神经网络(convolutionalneuralnetwork,CNN)的MRI图像脑组织自动化分割方法,该方法利用多尺寸的图像块和多种尺寸卷积核来获取多尺度体素信息,并在40周婴儿、成年人和老年人的脑组织图像上进行了测试,取得了相似性系数分别为0.82、0.91和0.86的较好结果,证明了算法的准确性和鲁棒性

  Kamnitsas等提出一个双路径、11层的用于分割脑部疾病组织的3D卷积神经网络,将并联的图像块合并可降低计算3D脑图像的计算复杂度、消除数据中的类内不平衡。该方法用一个双路径结构在多尺度上并行处理输入图像,利用了局部和全局的结构内容信息。此外,还利用3D全连接条件随机场消除错误位置,获取更精细的分割结果。该方法分别在脑外伤、肿瘤和缺血性中风的数据集上进行了测试,相似性系数分别为0.64、0.89和0.66,表现出强有力的效果

  基于CNN的深度学习用于脑病变分割的研究近几年比较多,主要得益于MICCAI(MedicalImageComputingandComputerAssistedIntervention)和ISBI(theIEEEInternationalSymposiumonBiomedicalImaging)的脑胶质瘤分割挑战赛的推动作用。Brosch等提出了一个3DCNN网络,并基于MICCAI2008和ISBI2015挑战赛数据库进行了算法测试,与报道的很多算法进行了比较,证实了该算法优于其他算法。此外,还有一些其他的CNN方法应用于脑病变分割。上述研究提出的方法都是有监督深度学习方法,由于深度学习依赖于大量标记数据,而对医学数据进行标记对医生的要求较高且耗时,之前的数据很多没有进行标记导致很多未标记的数据不能使用,没能合理充分地利用数据资源。因此,目前也有一些研究者开始研究半监督深度学习方法,并将其应用于脑组织分割领域中

  Dolz等提出了基于堆叠降噪自动编码器(stackingdenoisingautoencoders,SDAE)的半监督深度学习方法。该方法首先用无监督学习的方法预训练网络参数,随后用有监督学习的方法对网络的参数进行微调,达到精细分割的目标,最终取得了高于90%的准确率。算法的验证结果表明该方法与专家手工划分的结果近似,可以大幅度地缩短分割的时间

  深度学习不仅在脑组织自动化分割方面取得了较好的成果,与此同时,大量研究者更加关注深度学习在神经系统疾病诊断中的应用。近年来,利用深度学习算法通过分析神经影像数据进行疾病预测发展迅速,目前研究主要集中在脑胶质瘤、阿尔茨海默症(Alzheimer′sdisease,AD)、轻度认知障碍、早产儿神经发育等领域

  Hirata等利用深度学习技术对PET图像进行分析,用于区分胶质母细胞瘤和原发性中枢神经系统淋巴瘤。该项研究使用了31例患者的影像数据,共409张切片数据,利用深度学习中的CNN方法进行疾病识别研究,并对算法的通用性进行了交叉验证实验。验证结果表明,该方法综合考虑感兴趣区域(regionofinterest,ROI)标记后的患者所有切片数据,对100%的胶质母细胞瘤和77%的原发性中枢神经系统淋巴瘤能够正确分类

  Li等提出了一种鲁棒性的深度学习系统用于识别AD患者的不同进展阶段。该方法基于MRI和PET影像数据,将自适应学习因子、多任务学习策略加入到该深度学习系统中,实现了AD的自动化诊断,并在ADNI(Alzheimer′sdiseaseneuroimaginginitiative)数据集进行了算法验证,验证结果表明该方法与传统深度学习方法相比,平均分类准确率提高了5.9%。同样进行AD疾病诊断的深度学习研究还有Suk等提出的基于堆栈自编码的深度学习模型。该方法采用堆栈自编码进行无监督预训练和有监督微调,通过支持向量机进行预测与分类

  Kawahara等提出了BrainNetCNN深度学习算法用于预测早产儿的临床神经发育。该方法利用结构脑网络的拓扑位置,由边到边、边到节点和节点到图的卷积核组成。该方法在27~46周早产儿的扩散张量成像(diffusiontensorimaging,DTI)上进行测试验证,对认知和运动功能进行评分,且该方法在相同数量的模型参数下优于全连接CNN。此外,深度学习还被用于神经影像数据的整合和重建应用中,如Bahrami等提出了一种基于CNN的7TMRI图像重建算法,实现了从3TMRI图像中重建7T高分辨力MRI图像。该方法结合了表观特征和结构特征作为输入,建立3T到7TMRI之间的非线名受试者数据上进行了验证,重建图像的信噪比能够达到26.6dB,验证结果表明该方法显著优于传统重建方法

  Ithapu等利用随机去噪自编码网络来学习一个多模态成像标记物,然后从PET中预测AD疾病。该方法将MRI数据作为输入、PET数据作为输出,通过深度学习模型建立不同模态数据间的映射关系。验证表明,预测的PET数据能够实现与真实PET图像相似的AD疾病分类性能

  在最大程度保存正常神经功能的前提下,最大范围切除肿瘤病灶,提高患者的术后生存质量是治疗胶质瘤的共识。随着成像技术的进步,新的成像设备逐步被应用到手术中来,使得多模态手术导航系统在脑外科手术中发挥了重大作用。多种模态数据融合能够实现更好的协同效应,取长补短,从而为医生在术中提供更加丰富和准确的病理与生理结构信息

  近年来,人们越来越关注将功能性磁共振成像(functionalMRI,fMRI)整合到结构磁共振成像(structuralMRI,sMRI)中进行测量和捕捉丰富的多模态信息。相较单独分析每种模态,多模态融合分析能够利用模态间的共变提供更多的信息。多模态融合是一项更为复杂的工作,需要仔细研究,并制订有效的方法,从高维数据中提取广义和有效的结论

  目前多模态融合的研究主要基于独立分量分析、典型相关分析和偏最小二乘等多种统计模型。fMRI与脑电信号结合是最常用的脑成像融合实例。fMRI的空间分辨力与脑电图的时间分辨力相互弥补,使神经血管耦合机制可以捕捉神经元的活动和血流动力学。虽然这项技术较为成熟,但在已知的约束数据上可能存在与已知模式本质不同的潜在假设。Calhoun等提出了一种联合的独立分量分析模型,将fMRI和脑电图数据融合在一起来确定慢性精神分裂症患者与健康人的神经元在目标检测时的具体差异。Correa等利用多数据集的典型相关分析将sMRI、fMRI和脑电图3种模态数据融合在一起。实验结果证明3种模态融合分析比2种或单向分析性能更好,这进一步验证了多模态融合的优势

  Meng等提出了一个通用的框架,该框架利用多模态融合信息预测定向测量的显示值。该研究融合了3种模态信息,包括静息态fMRI、sMRI和DTI,对3种模态信息进行特征提取输入到回归模型中,对认知能力取得了较高的预测。实验结果还和单一模态信息分析的结果进行了对比,表明多模态结合的方法具有更高的预测精度,并能对多个临床措施进行个性化预测。通过对这些研究的结果分析,表明多模态信息融合在神经外科领域中具有很好的发展和应用,未来仍有很多工作要继续探索

  荧光成像技术是一种新型光学成像方法,主要适用于组织表层成像,灵敏度较高。MRI是利用氢原子核在磁场内共振所产生信号经重建成像的一种成像技术。MRI空间分辨力高,但敏感性不够,对于微小的肿瘤很难识别出来;而荧光成像具有较高的敏感性,但其空间分辨力不高,且组织穿透力不强。因此,将MRI和荧光成像结合起来的多模态成像具有高灵敏度和高空间分辨力的双重优点,能够增强对肿瘤的识别和诊断能力。Liao等的一项研究将荧光成像与MRI相结合,该研究利用术前的MRI图像定位脑肿瘤的位置,术中的高分辨力荧光精准定位肿瘤边界,实现术前术中的图像引导和术中肿瘤的精准激光消融,并在动物临床试验中得到了验证

  Meng等融合了MRI、PET和荧光成像3种模态信息用于脑肿瘤切除手术中,该方法利用术前MRI确定肿瘤位置,葡萄糖代谢PET显像的结果用于指导手术策略的制订,开颅后,根据荧光成像结果快速分割肿瘤边缘,最终达到较少术后残余肿瘤的目的。Zhou等提出了一种改进的荧光分子断层成像方法,能够对1.8mm深度的肿瘤进行荧光显像,成像深度可达4.8mm。Ando等在荧光成像方法对肿瘤进行显影的基础上,还利用定量荧光光谱分析的方法进行脑肿瘤的病理识别,该方法能够降低肿瘤判别假阳性的发生率。这种多模态成像结合进行神经外科手术的方法具有很好的应用前景,在不久的将来有望应用于临床中

  当前的荧光引导手术逐步成为研究热点,尤其是在残余肿瘤的切除研究中,使用荧光引导可以辅助医生清晰分辨手术中的残余肿瘤。此外,还有很多其他模态影像融合的研究,例如术前MRI/CT和术中超声图像融合、CT与MRI图像融合、MRI与PET图像融合等。通过对这些研究的结果进行分析可以看出,多模态影像的融合辅助完成手术中病灶组织的精准切除,提高了手术治愈率

  神经外科手术导航系统中一个十分重要的部分就是路径规划,根据精确引导信息医生可以决定手术器械的入口和路径,以避免损伤周围的正常组织。目前也有很多关于手术路径规划的研究,如李苗等将DTI与MRI2种模态影像相结合,进行脑干肿瘤术前路径自动规划。首先对DTI图像进行变形矫正,将DTI与MRI进行配准,然后提取2种图像的关键区域信息,利用引力斥力模型对术前信息进行路径自动规划设计。实验证明该方法通过对术前DTI图像的矫正配准以及区域纤维束的追踪提取,能够为医生在术中规避重要组织区域提供直观信息

  此外,Liu等利用改进的蚁群算法根据医生的经验学习医生的路径规划方式,整合全局和局部更新来增强最优蚂蚁的信息素强度,然后加入了遗传算法的交叉和变异操作加快算法的收敛速度,该方法的优化能力和稳定性较强,具有较好的路径规划性能。魪derson等提出利用快速自适应分形树的方式来进行三维空间路径规划,实验结果表明,该方法术前规划平均误差小于1mm,能够提供准确的术前规划路径以及手术决策支持,且通过硬件加速,实时性较强。影像引导神经外科手术中术前路径规划与优化是手术成功的保证,直观的人性化友好界面能够为医生提供可视化引导

  Chen等提出了基于图像追踪技术的手术器械术中三维形态解算方法,在导航系统中提供给医生直观的器械介入路径。Zhang等提出了基于立体全像技术的空间透视融合手术导航系统。利用该三维空间透视融合系统,将MRI影像数据传送到左右视野中实现增强显示,通过光学追踪装置可以定位显微镜和患者位置,不仅能够显示具有立体视差、运动视差且空间位置准确的三维影像,而且能够准确叠加融合到真实场景中起到增强现实的作用,能够实现神经外科的增强现实图像引导手术

  Gong等的一项研究将手术视频匹配到3D手术场景的虚拟模型中引导微创手术切除残余肿瘤。该研究与传统的二维内镜下手术相比,利用了三维虚拟模型提供深度信息,可用于辅助制订手术最佳路径。此外该研究中提出的三维影像导航技术可以恢复和定位内窥镜的位置信息,通过更新内窥镜图像来改进手术场景的三维虚拟模型,该三维虚拟模型可用于帮助调整手术刀的姿态

  医学影像智能化分析辅助神经外科精准诊疗并不是把传统图像分析算法与人工智能技术简单结合。实现神经外科精确、有效治疗的关键在于不同诊断模式的应用与不同模式间的协同组合,从而确保给出可靠、及时的智能化诊断结论。此外,诊断与治疗也需要紧密结合,提高治疗的效率与质量。医学影像智能化分析技术能够将深度学习技术应用到医学图像分析中,改进和结合了传统图像处理方法,实现脑部疾病的精准识别,同时也为影像诊断提供了更高质量的辅助信息,帮助医生降低漏诊误诊的发生

  此外,医学影像智能化分析技术还能够将重要组织分割和三维重构应用于神经外科手术导航系统中,能够帮助医生术中进行病灶区域的精准定位,在提高手术成功率中起到关键作用。多模态影像信息的融合与分析,为医生在术中提供更加丰富和准确的病理与生理结构信息,帮助医生降低脑外科手术致残率。这些智能化影像分析技术的不断发展与完善,未来也将推动神经外科临床治疗的发展以及诊断与治疗流程的智能化

  未来,医学影像智能化分析辅助神经外科精准诊疗的趋势与挑战主要在以下几个方面:(1)对传统诊断和治疗技术的提升,并与现有人工智能技术进行更深层次的结合;(2)开发适用于精准、微创手术的新的影像或分子诊断及治疗技术;(3)影像学与分子生物学、基因组学等多学科融合,与治疗方式、预后判断和康复等结合,为神经外科实现新型精准诊疗一体化方案。在未来神经外科精准诊疗发展进程中,医学影像智能化分析技术将对疾病的诊断和治疗产生深远的影响,更加精准、智能化的技术革新正在悄然而来

  来源:刘佳,朱明宇,陈芳,廖洪恩.基于医学影像智能化分析技术的神经外科精准诊疗研究[J].医疗卫生装备,2018,39(02):1-6+28



相关推荐:



图说天下

×
织梦二维码生成器