生物医学图像处理毕业论文

也就是核磁共振成像，英文全称是：nuclear magnetic resonance imaging，之所以后来不称为核磁共振而改称磁共振，是因为日本科学家提出其国家备受核武器伤害，为表示尊重，就把核字去掉了。核磁共振是一种物理现象，作为一种分析手段广泛应用于物理、化学生物等领域，到1973年才将它用于医学临床检测。为了避免与核医学中放射成像混淆，把它称为核磁共振成像术(MR)。MR是一种生物磁自旋成像技术，它是利用原子核自旋运动的特点，在外加磁场内，经射频脉冲激后产生信号，用探测器检测并输入计算机，经过处理转换在屏幕上显示图像。MR提供的信息量不但大于医学影像学中的其他许多成像术，而且不同于已有的成像术，因此，它对疾病的诊断具有很大的潜在优越性。它可以直接作出横断面、矢状面、冠状面和各种斜面的体层图像，不会产生CT检测中的伪影；不需注射造影剂；无电离辐射，对机体没有不良影响。MR对检测脑内血肿、脑外血肿、脑肿瘤、颅内动脉瘤、动静脉血管畸形、脑缺血、椎管内肿瘤、脊髓空洞症和脊髓积水等颅脑常见疾病非常有效，同时对腰椎椎间盘后突、原发性肝癌等疾病的诊断也很有效。MR也存在不足之处。它的空间分辨率不及CT，带有心脏起搏器的患者或有某些金属异物的部位不能作MR的检查，另外价格比较昂贵。磁共振成像是断层成像的一种，它利用磁共振现象从人体中获得电磁信号,并重建出人体信息。1946年斯坦福大学的Flelix Bloch和哈佛大学的Edward Purcell各自独立的发现了核磁共振现象。磁共振成像技术正是基于这一物理现象。1972年Paul Lauterbur 发展了一套对核磁共振信号进行空间编码的方法，这种方法可以重建出人体图像。磁共振成像技术与其它断层成像技术（如CT）有一些共同点，比如它们都可以显示某种物理量（如密度）在空间中的分布；同时也有它自身的特色，磁共振成像可以得到任何方向的断层图像，三维体图像，甚至可以得到空间－波谱分布的四维图像。像PET和SPET一样，用于成像的磁共振信号直接来自于物体本身，也可以说，磁共振成像也是一种发射断层成像。但与PET和SPET不同的是磁共振成像不用注射放射性同位素就可成像。这一点也使磁共振成像技术更加安全。从磁共振图像中我们可以得到物质的多种物理特性参数，如质子密度，自旋－晶格驰豫时间T1，自旋－自旋驰豫时间T2，扩散系数，磁化系数，化学位移等等。对比其它成像技术（如CT 超声 PET等）磁共振成像方式更加多样，成像原理更加复杂，所得到信息也更加丰富。因此磁共振成像成为医学影像中一个热门的研究方向。核磁共振成像原理：原子核带有正电，许多元素的原子核，如1H、19FT和31P等进行自旋运动。通常情况下，原子核自旋轴的排列是无规律的，但将其置于外加磁场中时，核自旋空间取向从无序向有序过渡。自旋系统的磁化矢量由零逐渐增长，当系统达到平衡时，磁化强度达到稳定值。如果此时核自旋系统受到外界作用，如一定频率的射频激发原子核即可引起共振效应。在射频脉冲停止后，自旋系统已激化的原子核，不能维持这种状态，将回复到磁场中原来的排列状态，同时释放出微弱的能量，成为射电信号，把这许多信号检出，并使之能进行空间分辨，就得到运动中原子核分布图像。原子核从激化的状态回复到平衡排列状态的过程叫弛豫过程。它所需的时间叫弛豫时间。弛豫时间有两种即T1和T2，T1为自旋-点阵或纵向驰豫时间T2，T2为自旋-自旋或横向弛豫时间。磁共振最常用的核是氢原子核质子（1H），因为它的信号最强，在人体组织内也广泛存在。影响磁共振影像因素包括：(a)质子的密度；(b)弛豫时间长短；(c)血液和脑脊液的流动；(d)顺磁性物质(e)蛋白质。磁共振影像灰阶特点是，磁共振信号愈强，则亮度愈大，磁共振的信号弱，则亮度也小，从白色、灰色到黑色。各种组织磁共振影像灰阶特点如下；脂肪组织，松质骨呈白色；脑脊髓、骨髓呈白灰色；内脏、肌肉呈灰白色；液体，正常速度流血液呈黑色；骨皮质、气体、含气肺呈黑色。核磁共振的另一特点是流动液体不产生信号称为流动效应或流动空白效应。因此血管是灰白色管状结构，而血液为无信号的黑色。这样使血管很容易软组织分开。正常脊髓周围有脑脊液包围，脑脊液为黑色的，并有白色的硬膜为脂肪所衬托，使脊髓显示为白色的强信号结构。核磁共振已应用于全身各系统的成像诊断。效果最佳的是颅脑，及其脊髓、心脏大血管、关节骨骼、软组织及盆腔等。对心血管疾病不但可以观察各腔室、大血管及瓣膜的解剖变化，而且可作心室分析，进行定性及半定量的诊断，可作多个切面图，空间分辨率高，显示心脏及病变全貌，及其与周围结构的关系，优于其他X线成像、二维超声、核素及CT检查。在对脑脊髓病变诊断时，可作冠状、矢状及横断面像。检查目的：颅脑及脊柱、脊髓病变，五官科疾病，心脏疾病，纵膈肿块，骨关节和肌肉病变，子宫、卵巢、膀胱、前列腺、肝、肾、胰等部位的病变。优点：1．MRI对人体没有损伤；2．MRI能获得脑和脊髓的立体图像，不像CT那样一层一层地扫描而有可能漏掉病变部位；3．能诊断心脏病变，CT因扫描速度慢而难以胜任；4．对膀胱、直肠、子宫、阴道、骨、关节、肌肉等部位的检查优于CT。缺点:1．和CT一样，MRI也是影像诊断，很多病变单凭MRI仍难以确诊，不像内窥镜可同时获得影像和病理两方面的诊断；2．对肺部的检查不优于X线或CT检查，对肝脏、胰腺、肾上腺、前列腺的检查不比CT优越，但费用要高昂得多；3．对胃肠道的病变不如内窥镜检查；4．体内留有金属物品者不宜接受MRI。5. 危重病人不能做6.妊娠3个月内的7.带有心脏起搏器的核磁共振检查的注意事项由于在核磁共振机器及核磁共振检查室内存在非常强大的磁场，因此，装有心脏起搏器者，以及血管手术后留有金属夹、金属支架者，或其他的冠状动脉、食管、前列腺、胆道进行金属支架手术者，绝对严禁作核磁共振检查，否则，由于金属受强大磁场的吸引而移动，将可能产生严重后果以致生命危险。一般在医院的核磁共振检查室门外，都有红色或黄色的醒目标志注明绝对严禁进行核磁共振检查的情况。身体内有不能除去的其他金属异物，如金属内固定物、人工关节、金属假牙、支架、银夹、弹片等金属存留者，为检查的相对禁忌，必须检查时，应严密观察，以防检查中金属在强大磁场中移动而损伤邻近大血管和重要组织，产生严重后果，如无特殊必要一般不要接受核磁共振检查。有金属避孕环及活动的金属假牙者一定要取出后再进行检查。有时，遗留在体内的金属铁离子可能影响图像质量，甚至影响正确诊断。在进入核磁共振检查室之前，应去除身上带的手机、呼机、磁卡、手表、硬币、钥匙、打火机、金属皮带、金属项链、金属耳环、金属纽扣及其他金属饰品或金属物品。否则，检查时可能影响磁场的均匀性，造成图像的干扰，形成伪影，不利于病灶的显示；而且由于强磁场的作用，金属物品可能被吸进核磁共振机，从而对非常昂贵的核磁共振机造成破坏；另外，手机、呼机、磁卡、手表等物品也可能会遭到强磁场的破坏，而造成个人财物不必要的损失。近年来，随着科技的进步与发展，有许多骨科内固定物，特别是脊柱的内固定物，开始用钛合金或钛金属制成。由于钛金属不受磁场的吸引，在磁场中不会移动。因此体内有钛金属内固定物的病人，进行核磁共振检查时是安全的；而且钛金属也不会对核磁共振的图像产生干扰。这对于患有脊柱疾病并且需要接受脊柱内固定手术的病人是非常有价值的。但是钛合金和钛金属制成的内固定物价格昂贵，在一定程度上影响了它的推广应用。编辑词条开放分类：医疗、医学影像参考资料：1.医学影像技术贡献者：wtrecamel、yo不动、waterone83、袖吞乾坤小武侯、dairui725本词条在以下词条中被提及：海洛因、肌肉萎缩性脊髓侧索硬化症、原发性肝癌“MRI”在英汉词典中的解释(来源:百度词典)：. = Magnetic Resonance Imaging 【医】磁共振造影2. = Machine Readable Information 【电脑】机读信息

摘要 人们普遍认为，对深层网络的成功训练需要数千份已标注的训练样本。在本文中，我们提出了一个网络和训练策略，为了更有效的利用标注数据，我们是用数据扩张的方法（data augmentation ）的方法。该体系结构由两部分组成：包括一个收缩路径（contracting path ）来获取上下文信息以及一个支持精确定位的对称扩展路径（symmetric expanding path）。我们证明，这样的网络可以从非常少的图像中进行端到端的训练，并且在ISBI（生物医学成像国际研讨会）挑战中优于先前的最佳方法（一个滑动窗口的卷积网络），用于在电子显微镜的堆栈中分割神经元结构。使用相同的网络，在透射光显微镜图像上（阶段对比DIC（鉴别干涉对比显微镜）），我们在这些类别中以很大的优势赢得了ISBI细胞跟踪挑战。此外，网络速度很快。在最近的GPU上，一个512x512图像的分割需要不到一秒的时间。完整的实现（基于Caffe）和经过训练的网络可以在： 一、介绍 在过去的两年里，在许多视觉识别任务中，深度卷积神经网络的表现超过了艺术状态。虽然卷积神经网络已经存在很长时间了，但由于可用的训练集的大小和被考虑的网络的大小，它们的成功是有限的。Krizhevsky等人的突破是由于对一个大型网络的监督训练，该网络有8层，数百万个参数在ImageNet数据集上，包括了100万个训练图像。从那以后，甚至更大、更深入的网络被训练。 [图片上传中...(-71d741-07-0)]

Fig. 1. U-net architecture (example for 32x32 pixels in the lowest resolution). Each blue box corresponds to a multi-channel feature map. The number of channels is denoted on top of the box. The x-y-size is provided at the lower left edge of the box. White boxes represent copied feature maps. The arrows denote the different operations. 卷积神经网络的典型应用是分类任务上，对图像的输出是一个单独的类标签。然而，在许多视觉任务中，特别是在生物医学图像处理中，所期望的输出应该包括局部定位。一个类标签应该被分配给每个像素。此外，在生物医学任务中，数以千计的训练图像通常是无法触及的。因此，Ciresan等人建立了一个滑动窗口去训练了一个网络，通过预测每个像素点的类别对医学图像进行分割。首先，这个网络可以完成定位工作。其次，由于预测时要切patch，所以训练数据量比训练图片的数量大得多。由此产生的网络在2012年ISBI的EM分割挑战中获得了很大的优势。 很明显的是，这个网络有两个很明显的缺点：首先，它相当慢，因为每个patch都必须单独运行，由于重叠的patch会存在大量的冗余。（要分别预测每一个patch的类别，patch之间的重叠导致每次预测都要重复计算同一个点。）然后这个网络需要在局部准确性和获取整体上下文信息之间取舍。更大的patches需要更多最大池化层来降低定位精度，而小的patches则允许网络只看到很少的上下文。最近的方法提出了一个分类器输出，它考虑了来自多个层的特性。良好的定位和上下文的使用是可能的。 在这篇论文中，我们建立了一个更优雅的架构，即所谓的“全卷积网络”。我们修改并扩展了这个架构，使它可以使用非常少的训练图像就可以工作，并获得更高的分割准确率。fcn主要的想法是:修改一个普通的逐层收缩网络，用上采样（up sampling）操作代替网络后部的池化(pooling)操作。因此，这些层增加了输出的分辨率。为了定位,在网络收缩过程（路径）中产生的高分辨率特征(high resolution features) ，被连接到了修改后网络的上采样的结果上。在此之后，一个卷积层基于这些信息综合得到更精确的结果。 与fcn不同的是，我们的网络在上采样部分依然有大量的特性通道（feature channels）这使得网络可以将环境信息向更高的分辨率层(higher resolution layers)传播。结果是，扩张路径基本对称于收缩路径，并产生一个u型的体系结构。网络不存在任何全连接层(fully connected layers)，并且，只使用每个卷积的有效部分，例如，分割图(segmentation map)只包含这样一些像素点，这些像素点的完整上下文都出现在输入图像中。overlap-tile strategy 允许无缝地分割任意大的图像（参见图2），为了预测图像边界区域的像素点，我们采用镜像图像的方式补全缺失的环境像素。这个tiling方法在使用网络分割大图像时是非常有用的，因为如果不这么做，GPU显存会限制图像分辨率。 Fig. 2. Overlap-tile strategy for seamless segmentation of arbitrary large images (here segmentation of neuronal structures in EM stacks). Prediction of the segmentation in the yellow area, requires image data within the blue area as input. Missing input data is extrapolated by mirroring. 对于我们的任务，我们的训练数据非常少，我们通过对现有的训练图像应用弹性形变的方式来增加数据。这使得模型学习得到形变不变性，不需要在带标注的图像语料库中看到这些转换。这在生物医学的分割中尤其重要，因为组织的形变是非常常见的情况，并且计算机可以很有效的模拟真实的形变，在无监督特征学习的范围内，Dosovitskiy等人的学习增加数据去获得不变性的的价值已经显现出来。 在许多细胞分割任务中，另一个挑战是如何将同类别的相互接触的目标分开，为了达到这个目的，我们建议使用加权损失，我们提出了使用一种带权重的损失(weighted loss)。在损失函数中，分割相互接触的细胞获得了更大的权重。 由此产生的网络适用于各种生物医学分割问题。在本文中，我们展示了EM栈中神经元结构的分割（在ISBI 2012年开始的一场持续的竞争），我们的表现超过了Ciresan等人的网络。此外，我们还展示了2015年ISBI细胞跟踪挑战的光学显微镜图像的细胞分割结果。在这两个最具挑战性的2D传输光数据集上，我们获得了很大的优势。 二、网络结构 图1展示了网络结构，它由contracting path 和 expansive path组成。contracting path是典型的卷积网络架构。它的架构是一种重复结构，每次重复中都有2个卷积层和一个pooling层，卷积层中卷积核大小均为3 3，激活函数使用ReLU，两个卷积层之后是一个2 2的步长为2的max pooling层。每一次下采样后我们都把特征通道的数量加倍。expanding path中的每一步都首先使用反卷积(up-convolution)，每次使用反卷积都将特征通道数量减半，特征图大小加倍。反卷积过后，将反卷积的结果与contracting path中对应步骤的特征图拼接起来。contracting path中的特征图尺寸稍大，将其修剪过后进行拼接。对拼接后的map进行2次3 3的卷积。最后一层的卷积核大小为1 1，将64通道的特征图转化为特定深度（分类数量，二分类为2）的结果。网络总共23层。 为了允许无缝地平铺输出分割图（参见图2），选择输入tile大小是很重要的，这样所有2x2的最大池采样操作都被应用到一个具有偶数x和y大小的层上。 三、训练 利用输入图像及其相应的分割图，利用Caffe的随机梯度下降法对网络进行了训练。由于没有填充的卷积，输出图像要比输入的小，因为它是一个恒定的边界宽度。为了最小化开销并最大限度地使用GPU显存，比起输入一个大的batch size，我们更倾向于大量输入tiles，因此我们使用了一个高动量(high momentum)（），这样大量以前看到的训练样本决定了当前优化步骤中的更新。 能量函数是由一个像素级的softmax在最终的特征图和交叉熵损失函数之间计算出来的。Soft-max被定义为 。 表示在像素位置x的特征通道k的数目，，，K表示为类别的数量，是近似的最大值函数，即是对于最大的激活量来说的，对于所有其他的k来说。交叉熵在每个位置都受到惩罚，,表示每个像素的真实标签 （交叉熵函数） 是我们引入的一个权重图，在训练中凸显某些像素的重要性。我们对每一张标注图像预计算了一个权重图，来补偿训练集中每类像素的不同频率，使网络更注重学习相互接触的细胞之间的小的分割边界。我们使用形态学操作计算分割边界。权重图计算公式如下：

wc是用于平衡类别频率的权重图，d1代表到最近细胞的边界的距离，d2代表到第二近的细胞的边界的距离。基于经验我们设定w0=10，σ≈5像素。

Fig. 3. HeLa cells on glass recorded with DIC (differential interference contrast) microscopy. (a)raw image. (b) overlay with ground truth segmentation. Different colors indicate different instances of the HeLa cells. (c) generated segmentation mask (white:foreground, black: background). (d) map with a pixel-wise loss weight to force the network to learn the border pixels.

网络中权重的初始化：我们的网络的权重由高斯分布初始化，分布的标准差为(N/2)^为每个神经元的输入节点数量。例如，对于一个上一层是64通道的3 3卷积核来说，N=9 64。 数据增加 在只有少量样本的情况下，要想尽可能的让网络获得不变性和鲁棒性，数据增加是必不可少的。因为本论文需要处理显微镜图片，我们需要平移与旋转不变性，并且对形变和灰度变化鲁棒。将训练样本进行随机弹性形变是训练分割网络的关键。我们使用随机位移矢量在粗糙的3*3网格上(random displacement vectors on a coarse 3 by 3 grid)产生平滑形变(smooth deformations)。 位移是从10像素标准偏差的高斯分布中采样的。然后使用双三次插值计算每个像素的位移。在contracting path的末尾采用drop-out 层更进一步增加数据。 四、实验 我们演示了u-net对三个不同的分割任务的应用。第一个任务是在电子显微镜记录中分割神经元结构。图2显示了数据集和我们获得的分割的一个例子。我们提供完整的结果作为补充材料。该数据集是由2012年ISBI挑战提供的，目前仍对新贡献开放。训练数据是由果蝇第一个幼虫腹侧神经索（VNC）的连续段透射电子显微镜的30张图像（512x512像素）组成的。每个图像都有一个对应的完全带标注的分割图像（白色）和膜（黑色）。测试集是公开的，但是它的分割图是保密的。通过将预测的膜概率图发送给组织者，可以获得评估。该评估是通过在10个不同的层次上对图进行阈值计算，并计算“warping error”、“Rand error”和“pixel error”。

u-net（平均超过7个旋转版本的输入数据）在没有任何进一步的预处理或后处理错误的情况下实现了的“warping error”（新的最好的分数，见表1）和一个的“rand error”。这比Ciresan等人的滑动窗口卷积网络的结果要好得多，后者的最佳“warping error”是和“rand error”为。在“rand error”方面，在这个数据集上唯一更好的执行算法使用高度数据集特定的后处理方法1应用于Ciresan等人的概率图。

Fig. 4. Result on the ISBI cell tracking challenge. (a) part of an input image of the“PhC-U373” data set. (b) Segmentation result (cyan mask) with manual ground truth(yellow border) (c) input image of the “DIC-HeLa” data set. (d) Segmentation result (random colored masks) with manual ground truth (yellow border).

我们还将u-net应用到一个细胞分割任务中，在微观图像中。这一分段任务是ISBI细胞跟踪挑战的一部分，2014年和2015年10月13日。第一个数据集“PhC-U373”包含由相衬显微术记录的聚丙烯酰胺-星形胶质细胞瘤细胞瘤（见图4a、b和Supp.材料）。它包含35个部分带注释的训练图像。这里我们实现平均IOU(“十字路口在联盟”)的92%,这是明显比第二个最好的算法为83%(见表2)。第二个数据集“DIC-HeLa”海拉细胞在一个玻璃(DIC)微分干涉对比显微镜记录。它包含20个部分带标注的训练图像。在这里，我们得到的平均IOU是，这明显优于第二种最好的算法46%。

五、结论 u-net体系结构在不同的生物医学分割应用上取得了很好的性能。由于有弹性的数据处理功能，它只需要很少的标注图像，而且在NVidia Titan GPU(6 GB)上只有10个小时的训练时间。我们提供完整的基于Caffe的实现和训练有素的网络。我们确信，u-net体系结构可以很容易地应用到更多的任务中。

医学影像技术是高新技术与医学的结合，自20世纪70年代起，以CT问世为标志，伴随计算机技术的进步，现代医学影像学取得了突飞猛进的发展，由传统单一普通X线加血管造影检查形成包括超声、放射性核素显像、X线CT、数字减影血管造影(DSA)、MRI、普通X线检查的数字化成像(CR和DR)以及图像存储和传输系统(PACS)多种技术组成的医学影像学体系。医学影像学已经由传统的形态学检查发展成为组织、器官代谢和功能诊断手段，医学影像学技术已经由既往"辅助检查手段"转变为现代医学最重要的临床诊断和鉴别诊断方法，使多种疾病的诊断更准确、及时。由于介入医学的兴起，医学影像学已经集诊断和治疗为一体，成为与外科手术、内科化学药物治疗并列的现代医学第3大治疗手段。目前，医学影像学科是现代化医院的支柱之一，影像学设备的价值占医院固定资产50%以上，医学影像学为临床医学的主要研究手段和推动现代医学不断发展的动力。

医学影像学是高新技术与医学的结合点，21世纪医学影像学发展首先依赖于以计算机为主导的高新技术的进步。由于计算机的性能以几何级数升级，必将带动多种医学影像学设备向小型化、专门化、高分辨率和超快速化方向发展，医学影像学检查亦将由大体水平逐渐深入至细胞、受体、分子和基因水平。近年来，美、欧、日等发达国家和地区在医疗影像诊断产业加强战略布局，旨在带动多种医学影像设备向小型化、专门化、高分辨率和快速化方向发展。目前，数字医疗影像技术的发展主要有如下几大趋势:

现代医学影像设备的发展将由最开始的形态学分析发展到携带有人体生理机能的综合分析。通过发展新的工具、试剂及方法，探查疾病发展过程中细胞和分子水平的异常。这将会为探索疾病的发生、发展和转归，评价药物的疗效以及分子水平治疗开启崭新的天地。同时，由于造影剂是影像诊断检查和介入治疗时所必需的药品，未来针对特定基因表达、特定代谢过程、特殊生理功能的多种新型造影剂也将逐步问世。

医学影像仪器设备的维修保养方法

作者：张海成[1]

摘要：在现代医学和新型医院的发展进程中,先进医疗设备起到了决定性的推动作用。本文提出了以维护保养为主,故障维修为辅的新式维修观念,来保证医疗设备的正常使用,使其最大化的发挥其应有效能。

关键词：现代医学 新型医院 先进医疗设备 维护保养 故障维修

DOI：

被引量： 6

年份： 2009

（来源：学术堂）