基于深度学习在CT图像上分割肾上腺的研究

目的:探索使用3D U-Net模型在CT图像上自动分割肾上腺并完成自动测量的可行性,并尝试使用模型输出值初探多期增强CT检查中正常肾上腺的强化特点及肾上腺体积随年龄段的体积变化规律。方法:第一步,训练肾上腺自动分割模型。回顾性收集2016年1月1日-2019年3月14日本中心腹盆部CT检查且结果未见异常的图像,共纳入520个薄层序列(434个检查)作为模型训练数据集。分别标注双侧肾上腺后随机分为训练集(左侧N=419,右侧N=413)、调优集(左侧N=53,右侧N=55)、测试集(左侧N=48,右侧N=52)训练3D U-Net分割模型,模型客观评价指标为测试集的Dice系数。第二步,验证肾上腺分割模型用于自动测量的可行性。回顾性收集2019年3月15日-2019年4月30日本中心住院成人患者腹盆部CT检查且结果未提示肾上腺病变的图像,共纳入988个薄层序列(523个检查)作为外部验证数据集。使用第一步建立的模型对双侧肾上腺进行分割并检查结果,对自动分割满意的图像统计其肾上腺的体积、三维径线、平均CT值,分析增强规律,并在门静脉期图像中按每15岁年龄段统计肾上腺体积随年龄变化的关系。结...     

基于3D U-Net深度学习网络对眼眶CT图像的分割：初步探索

目的 探索基于3D U-Net深度学习网络对眼眶CT图像中主要结构进行自动分割的可行性。方法 回顾性搜集34例患者的58个正常的眼眶CT检查图像,由两位影像科医师标注双侧眼眶、眼球、上直肌、下直肌、内直肌、外直肌、视神经结构,按照8∶1∶1的比例随机分为训练集、调优集及测试集,训练3D U-Net分割模型,输出径线、体积及CT值,并返回到结构化报告。用测试集的Dice值进行客观评价,并用非参数检验和Bland-Altman散点图比较手工标注和模型预测的结果。医师对预测结果进行满分为10分的主观评价。用另外10个眼肌增粗图像进行外部验证。结果 测试集各结构的平均Dice值为0.82±0.12,眼肌平均体积为552.83～859.04 mm³。模型预测与手工标注所得到的体积、径线及CT值的测量结果之间的差异大多无统计学意义（P>0.05）。该模型的主观评价总分为7.00±2.00。外部验证敏感性为95.12%,特异性为53.85%。结论 基于3D U-Net的眼眶CT图像的分割以及体积、径线和CT值的自动测量是可行的,其测量结果可自动导入结构化报告,准确性符合临...     

利用深度学习实现CT图像上腰骶椎各结构分割及椎间盘自动定位的可行性研究

目的:探索使用3D U-Net深度学习模型在CT图像上进行腰椎各结构的自动分割及椎间盘自动定位的可行性。方法:回顾性搜集2020年12月1日-2021年3月29日于本院行腰椎平扫CT的患者影像图像,排除腰椎术后、脊柱畸形及骨转移的病例,共纳入了154个图像数据。手工标注腰骶椎各椎体、椎间盘及硬膜囊。按8:1:1比例将数据随机分为训练集(n=125)、调优集(n=14)和测试集(n=15)。利用3D U-Net分割模型进行训练,以医师手动标注结果作为参考标准,根据测试集Dice相似系数(DSC)、体积相似度(VS)和Hausdorff距离(HD)作为评价模型分割效能的指标。应用连通域分割算法进行腰椎各椎间盘定位,以医师判定为金标准,采用混淆矩阵评价模型识别各椎间盘的位置的定位效能。结果:测试集中3D U-Net深度学习模型对腰骶椎各结构分割结果DSC值、VS值均>0.96。模型识别各椎间盘位置的准确率达98.7%,模型预测与医师判定一致性高。结论:3D U-Net深度学习模型和可用于CT图像中腰椎各主要结构的自动分割并通过连通域算法实现椎间盘自动定位。     

基于CT平扫的深度学习自动分割模型对肾积水病人分侧肾功能的评估

目的 探讨基于CT平扫的深度学习自动分割模型对肾积水病人分侧肾功能评估的价值。方法 回顾性收集2所医院共209例肾积水病人的平扫CT影像、年龄、性别、体质量指数(BMI)以及基于单光子发射计算机体层成像(SPECT)测量的肾脏肾小球滤过率(GFR),并以其来源医院确定为训练集(137例)和测试集(72例)。采用U-Net方法构建肾脏自动分割模型,用于自动分割平扫CT影像上肾积水和肾实质区域,计算肾积水、肾实质体积及两者的体积比作为肾脏形态特征。根据GFR值将肾功能分为正常[GFR≥30 mL/(min·1.73 m²)]与异常[GFR<30 m L/(min·1.73 m²)]。使用多因素逻辑回归筛选独立预测特征并建立分侧肾功能评估模型。采用Dice相似性系数(DSC)评价自动分割结果,采用受试者操作特征曲线下面积(AUC)评价分侧肾功能评估模型的效能,使用DeLong检验比较AUC的差异。结果 影像采用自动分割平均耗时为每例病人2.2 s,而手动分割耗时是自动分割的671.8倍。肾实质和肾积水自动分割的平均DSC分别为0.89和0.6...     

利用U-net算法在头CT平扫图像上分割脑梗死的初步探究

【摘要】目的：基于深度学习方法训练辅助诊断模型,探究对头CT平扫（NCHCT）图像中脑梗死病灶自动分割的可行性。方法：搜集自2018年5月1日-2020年8月31日影像诊断报告中诊断印象包含“梗死”关键词的NCHCT连续病例1185例,筛选出最终证实为脑梗死的数据362例。由两位医师结合最终结果手工标注脑梗死区域。将数据按8：1：1的比例随机分为训练集（training set,n=288）、调优集（validate set,n=37）和测试集（test set,n=37 例）。训练2D U-net模型分割脑梗死病灶,分割结果自动输入到结构化报告中。对测试集的预测结果和人工标注的结果进行比较,统计梗死病灶体积、径线的差异,使用Dice相似系数（DSC）、体积相似度（VS）和Hausdorff距离（HD）评价模型的预测效能。使用Bland-Altman评价模型预测的病灶体积、径线和CT值与手工标注的一致性。结果：测试集中平均DSC为0.66 (95% CI：0.60~0.72),平均VS为0.75(95%CI：0.69~0.82),平均HD为39.69mm(95%CI：32.38~47.01)。Bland-Altman图显示模型预测与手工标注对病灶大小和CT值测量的一致性较高,体积、径线和CT值数据点位于95%一致性界限（95% limits of agreement,95% LoA）外的数据为2.8%~11.1%。结论：基于深度学习的辅助诊断模型可用于分割NCHCT中的脑梗死病灶,并自动生成报告,对患者分诊有一定作用。     

使用U-Net 深度学习网络对腰椎矢状T2WI图像自动分割的可行性研究

目的:研究训练U-Net模型自动分割腰椎矢状面T₂WI图像中各结构的可行性。方法:回顾性搜集腰椎矢状面T2WI图像数据,共获得80个矢状面T₂WI序列。由2位影像医师手工标注矢状面腰椎椎体、椎间盘、椎间孔、椎管/硬膜囊、脊髓及马尾神经。将数据随机分为训练集、调优集和测试集,使用U-Net网络分两步(coarse-to-fine)训练腰椎矢状T₂WI分割模型。模型评价指标包括客观评估(Dice系数)和主观评估。结果:11例测试集数据中U-Net模型预测腰椎5个解剖部位分割的Dice值分别为椎体0.82~0.9(平均0.864)、椎间盘0.86~0.92(平均0.898)、椎管/硬膜囊0.76~0.87(平均0.837)、椎间孔0.6~0.76(平均0.67)、脊髓及马尾神经0.55~0.9(平均0.669)。主观评估各解剖部位分割满意率分别为椎体97.5%、椎间盘97.9%、椎管/硬膜囊86.4%、椎间孔76.7%、脊髓及马尾神经78.6%。结论:基于U-Net深度学习网络对腰椎矢状T₂WI图像的解剖结构进行自动分割是可行的。     

U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析

【摘要】目的：训练U-Net深度学习模型对乳腺动态增强磁共振图像（DCE-MRI）上乳腺肿块进行自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能。方法：回顾性分析2015年2月1日－2016年12月31日本院所有乳腺MR影像和报告资料,将已取得活检但尚未治疗的88例连续乳腺癌患者的数据纳入本研究。将入组病例随机分为训练集（train set,70例）、调优集（validation set,9例）和测试集（test set,9例）。完成MR图像数据格式转换后,由两位放射科医师在每例患者的MR图像上标注双侧乳腺,并标注1个最大且经病理证实的肿块。训练集中采用U-Net分割模型在DCE-MRI图像上分割乳腺轮廓,并序贯分割其中明显强化的肿块灶。客观评价：以测试集中肿块的Dice相似性系数（Dice similarity coefficient,DSC）值评价肿块分割效果。主观评价：由2位乳腺影像诊断专家对模型预测病灶的准确性进行评估,分析假阳性病灶的性质和特征。由U-net模型输出的分割肿块的三维径线、体积和定位信息,自动填写到乳腺BI-RADS结构化报告中,并与既往影像报告中医师人工测量的结果进行比较。结果：在测试集中专家标注了9个病灶,模型检出了其中7个病灶,敏感度为77.8%（7/9）;2个未预测出的病灶,1个肿瘤主体部分有明显坏死,另1个为背景显著强化。在测试集中模型预测出了16个“假阳性”区域,其中10个为腺体内多发小的强化灶,4个为乳腺癌周围子灶,2个为强化的乳头和血管等。软件自动测量肿块的三维径线和医师手工测量乳腺病灶径线一致性高。模型分割肿块的平均DSC值为0.85。结论：U-Net深度学习模型可用于乳腺DCE-MRI图像上有明显强化病灶的分割和径线测量,有必要行大样本研究以论证和实现其临床应用。     

MDCT肝体积测量在肝切除术中的临床应用

目的:前瞻性研究术前MDCT评估术后残肝体积对肝切除手术的影响.方法:拟行肝切除患者27例,行4排螺旋CT增强扫描,3D模式测量残肝体积和切除肝脏体积,计算残肝体积与体表面积标化的肝体积比较,切除肝脏MDCT测量体积与术后即刻水测法肝体积行线性相关回归分析.结果:25例(25/27)行肝大部切除术,其中行右半肝切除术20例,左半肝切除术4例,肝Ⅳ、Ⅴ、Ⅷ三段联合切除术1例.术后平均残肝体积(461.7±176)cm3,相对术后残肝标化比(42±16)%,1例患者相对残肝标化比小于35%,临床放弃了手术;另一例术中发现肝门淋巴结转移,放弃手术改为动脉插管化疗.所有病例围手术期均未发生肝功能衰竭.结论:4排螺旋CT术前测量术后残脏体积,能够作为指导临床正确实施肝切除以及避免术后发生肝功能衰竭的重要依据之一.     

基于深度学习模型实现颈椎MR图像上各结构的自动分割

【摘要】目的：探讨3D U-Net模型自动分割颈椎矢状面T1WI和T2WI图像上颈椎各结构的可行性。方法：回顾性搜集拟诊为颈椎病的92例患者的矢状面T1WI和T2WI图像资料,由两位影像医师在每例患者的2个序列图像上分别人工标注颈椎各结构,包括椎体、椎间盘、硬膜囊、脊髓和椎间孔。将178个序列的图像随机分为训练集（n=138）、调优集（n=20）和测试集（n=20）。采用训练集的数据训练3D U-Net分割模型,在调优数据集中微调参数,在测试集中采用定量指标（Dice相似系数,DSC）和定性指标（主观评分）评价模型的分割效能,并比较各结构的DSC值在3组内及3组间是否存在统计学差异。结果：在测试集中3D U-Net模型分割颈椎椎体、椎间盘、硬膜囊、脊髓和椎间孔的DSC值分别为0.87±0.03、0.85±0.04、0.87±0.04、0.82±0.05和0.57±0.08,分割颈椎各解剖结构的总体DSC值为0.80±0.13。各结构的DSC值在3组内及组间均有统计学差异（P＜0.001）。主观评价显示3D U-Net模型分割颈椎各结构获得的图像均符合临床测量要求。结论：基于矢状面T1WI和T2WI序列的3D U-Net模型对颈椎各结构的分割可达到较高的准确性。     

U-Net模型在CT图像实现肾实质和肾窦分割及体积和径线测量

【摘要】目的:利用U-Net模型实现CT图像肾脏分割,测量肾实质和肾窦体积和径线。方法:搜集本院PACS中365例腹部CT增强检查中双肾正常者动脉期薄层图像。其中93例用于训练U-Net分割模型,272例用于模型效能评价。由两位影像专家检查模型返回分割结果,评价结果是否可用于体积和径线测量。以去除最小连通域方法处理图像保留像素数计算双侧肾实质和肾窦的体积。以最小体积包围盒算法测量双侧肾实质、肾窦径线。测量结果自动填写到结构化报告完成肾脏大小定量评估。建模时人工标注93例和预测时模型分割效果好272例共同用于体积和径线测量。计算肾实质、肾窦体积及三维径线95%参考值范围,采用相关性分析探讨相关因素,应用多元线性回归分析探讨其影响因素。结果：专家评价U-Net模型可很好地完成双侧肾实质和肾窦分割。测试集中分割右肾实质DICE值0.97±0.01,分割左肾实质DICE值0.97±0.01,分割右肾窦DICE值0.84±0.06,分割左肾窦DICE值0.88±0.04。多元线性回归分析显示肾实质体积=0.654×身高-0.597×年龄+0.653×体重-6.321×侧别-8.824×性别,回归方程R2为0.304;肾窦体积=0.213×体重+0.168×年龄-4.162×侧别-2.052×性别+0.122×身高,回归方程R2为0.389。模型测量结果可自动填写入结构化报告中。结论：基于U-Net可有效分割CT图像肾实质和肾窦并测量径线及体积,自动完成影像报告中双肾大小定量评估;肾实质体积和肾窦体积均与性别、年龄、身高、体重、侧别有一定关联。     

基于深度学习MR体部脂肪组织的自动分割和定量测量研究

【摘要】目的:研究应用基于深度学习的3D-Unet网络模型在MRI图像中分割体部脂肪组织并生成定量结果的可行性。方法:回顾性搜集2020年4月1日-8月5日本院体部MR（包含GRE DIXON序列脂像）中符合入组标准的扫描病例用于模型训练。共搜集53例患者67个数据,包括胸部、腹部、盆腔图像各17、26、24例。由2名影像医生行图像标注,先以阈值分割方法将图像二值化,将脂肪组织分为皮下、肌骨、内脏3个区域,手工标注皮下脂肪、内脏脂肪得到标签。训练3D U-Net模型时将67个数据随机分为训练集（n=52）、调优集（n=6）和测试集（n=9）用于模型建立与评估。通过Dice系数、影像科医师评分来评价分割结果。根据分割结果生成脂肪体积、平均脂肪体积、脂肪比例、体部平均径线等结果,自动导入到结构化报告中。应用Wilcoxon配对检验、Pearson相关性分析、Bland-Altman分析、组内相关系数（ICC）将医师手工标注结果与模型输出结果比较。结果：内脏/皮下脂肪组织在模型训练集、调优集、测试集Dice系数分别为0.89/0.94;0.89/0.95和0.90/0.95。模型预测及手工标注内脏/皮下脂肪组织输出图像主观评分无统计学差异（P＞0.05）。各部位模型预测结果生成脂肪体积、平均脂肪体积、脂肪比例、体部径线与医生手工标注结果之间的Pearson系数为0.968-1,ICC值为0.982-1,Bland-Altman分析显示良好的一致性。结论：MR图像基于深度学习行体部脂肪组织自动分割和定量测量可在技术上实现并有可能进一步研究此模型的临床应用价值。     

基于深度学习的多模态影像脑胶质母细胞瘤放疗靶区的自动勾画研究

目的 通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法 收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR),对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画,并设计4种不同的数据集:CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练,并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果,定量评估指标包括Dice相似系数(DSC),95% Hausdorff距离(HD95)和相对体积误差(RVE)。结果 该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果,与在单模态影像CT的自动分割结果相比(DSC: 0.94 vs. 0.79, HD95: 2.09 mm vs. 12.33 mm and RVE: 1.16% vs. 20.14%),DSC(t=3.78,P<0.05)和HD95 (t=4.07, P<0.05)的差异有统计学意义;在多模态影像CT-MRIs的CTV1和CTV2自动分割结果(DSC: 0.90 vs. 0.91, HD95: 3.78 mm vs. 2.41 mm, RVE: 3.61% vs. 5.35%)也均有较好的一致性,但与单模态影像CT的自动分割结果相比,两个靶区的DSC和HD95的差异均无统计学意义(P>0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。结论 基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果,显示出较好的临床应用价值。     

应用深度学习进行基于前列腺癌转移报告和数据系统指南的晚期前列腺癌盆腔外脏器及转移灶分割

目的 探讨应用深度学习进行基于前列腺癌转移报告和数据系统指南的晚期前列腺癌患者盆腔外脏器及转移灶分割的可行性。资料与方法 回顾性收集北京大学第一医院2017年1月—2022年1月不同扫描部位（头部、颈部、胸部、腹部）的经临床综合诊断存在转移灶的数据集（头部、颈部、胸部及腹部转移患者分别为68、91、57、263例）,用于进行扫描范围的分类模型及不同区域脏器和转移灶的分割模型训练。另收集90例经病理证实为前列腺癌且行全身MRI患者用于模型的外部验证。以手工标注的区域（脑实质、颈椎、肺实质、纵隔、胸椎、肝、腰椎）及转移灶标签为“金标准”,评估模型的分割性能。评价指标包括Dice相似系数（DSC）、体积相似度（VS）。结果 在外部验证数据集中,分类模型在头部、颈部、胸部和腹部的符合率分别为100%(90/90)、98.89%(89/90)、96.67%(87/90)和94.44%(85/90);分割模型对不同区域脏器分割的DSC、VS范围分别为（0.86±0.10）～(0.99±0.01)、（0.89±0.10）～(0.99±0.01);分割模型对不同转移灶分割的DSC、VS范围分别为（0....     

基于深度学习自动分割模型的DWI影像组学模型预测前列腺癌盆腔骨转移

【摘要】目的：探讨基于DWI图像利用深度学习方法建立的分割模型对盆腔骨结构的自动分割价值,以及基于自动分割图像建立的影像组学模型对前列腺癌骨转移的诊断效能。方法：回顾性搜集2017年1月－2020年1月因临床怀疑前列腺癌而行盆腔多参数MRI扫描的614例患者的DWI数据,训练3D U-Net模型对盆腔骨质结构进行自动分割。以两位影像科医师手工勾画和标注的8个盆腔骨质结构（下腰椎、骶骨、髂骨、髋臼、耻骨、坐骨、股骨头、股骨颈）为金标准,在不同数据集（训练集、调优集、测试集）中,采用Dice相似系数（DSC）、Jaccard相似系数（JSC）和Hausdorff表面距离（HSD）评估3D U-Net模型自动分割盆腔各骨质结构的效能。另搜集2020年2月-2020年12月在本院经病理证实为前列腺癌的275例患者的影像资料,用于盆腔骨质结构分割模型的外部验证集及建立预测骨转移灶的影像组学模型,采用受试者工作特征曲线（ROC）评估影像组学模型的分类效能。结果：U-Net分割模型在测试集中的DSC、JSC和HSD值分别为0.87±0.03、0.77±0.04和21.75±12.08;在外部验证集中相应参数值分别为0.82±0.06、0.71±0.08和16.27±4.35。基于275例前列腺癌患者的盆腔骨质结构自动分割图像,共提取和筛选出20个影像组学特征参数,所建立的影像组学模型在测试集中的ROC曲线下面积（AUC）为0.965（95%CI：0.899~0.993）,敏感度为97.14%（95%CI：85.1%~99.9%）,特异度为89.36%（95%CI：76.9%~96.5%）。结论：基于DWI图像利用深度学习方法建立的自动分割模型能准确分割盆腔骨质结构,随后建立的影像组学模型可以有效检出盆腔范围内的骨转移灶,为自动评估前列腺癌患者盆腔骨转移提供了新方法。     

多层螺旋CT测量肝体积的实验和临床研究及对肝移植的应用价值

目的　研究多层螺旋CT(MSCT)测量肝体积的准确度及对肝移植的应用价值。方法(1)实验研究。MSCT扫描 10只猪肝 ,3 2、6 5mm层厚扫描 ,半自动方法重建肝脏三维模型 ,计算体积。 (2 )临床研究。 2 3例肝移植术前MSCT扫描 ,6 5mm层厚 ,方法同前。同一观察者相隔 1个月重复测量。结果　 (1)实验研究。测得猪肝实际体积平均为 (1134 1± 2 88 0 )ml,3 2、6 5mm厚测量肝体积为 (112 5 0± 2 82 5 )ml、(110 1 6± 2 77 6 )ml,准确度为 (99 5± 0 8) %、(97 4± 0 8) % ,与实际肝体积比较 ,r值均为 0 999,P <0 0 1。 (2 )临床研究。术后测得实际肝体积平均为 (14 5 5 7±730 0 )ml,术前CT测量 2 3例肝体积平均为 (14 6 2 7± 774 1)ml,准确度 (99 5± 9 6 ) % ,r =0 986 ,P <0 0 1。同一观察者重复测量平均为 (14 4 9 4± 76 8 9)ml,两次测量结果间比较 ,r =0 991,P <0 0 1。结论　MSCT测量肝体积有较高的准确度和可重复性 ,是肝移植术前检查的重要组成部分。     

三维可视化技术在Bismuth-Corlette Ⅲ、Ⅳ型肝门部胆管癌计划性肝切除中的应用

 目的 探讨三维可视化技术在Bismuth-Corlette Ⅲ、Ⅳ型肝门部胆管癌计划性肝切除中的应用价值。方法 回顾性分析2015-01至2017-12上海东方肝胆外科医院收治的Bismuth-Corlette Ⅲ、Ⅳ型肝门部胆管癌36例患者的临床资料,应用三维可视化技术将患者320层螺旋二维CT图像进行三维可视化重建,通过观察肿瘤的部位、大小,与周围门静脉、肝动脉、肝静脉、肝内胆管之间的关系,进行肿瘤的可切除性评估,残肝体积比<40%,通过患侧门静脉栓塞、健侧胆道引流使残肝体积再生,残肝体积比>40%后按计划实施根治性切除,比较仿真手术与实际手术的区别。结果 应用三维可视化重建技术,立体形象地显示肿瘤与周围毗邻的关系,对肿瘤进行Bismuth-Corlette分型,Ⅲa型16例,Ⅲb型8例,Ⅳ12例。测量平均全肝体积(1386±146)ml,肿瘤平均体积(76±22)ml,预切除平均肝体积(896±168)ml,残肝平均体积(490±172)ml,残肝比(34.5±3.6)%,通过行健侧胆道引流患侧门静脉栓塞后,使残肝比>40%,均顺利按计划行肝门部胆管癌根治性切除。肿瘤三维重建后诊断分型准确率100%,重建模型解剖关系与术中实际情况大致相符。术前预切除肝脏体积和术后实际肝脏体积无统计学差异(t=1.148)。结论 三维可视化技术能够对肝门部胆管癌术前进行精确评估、精准规划,优化治疗方案,提高根治性切除(radical resection,R0)手术率。     

磁共振弹性成像对肝脏局灶性良恶性肿瘤鉴别价值的初步研究

目的：探讨磁共振弹性成像(MRE)在肝脏良恶性肿瘤的诊断价值。方法对36例肝脏肿瘤患者(共39个病灶,其中肝细胞癌20个,血管瘤7个,胆管细胞癌5个,转移瘤3个,平滑肌脂肪瘤2个,癌肉瘤1个,巨淋巴增生1个)以及9例健康志愿者行 MRE。通过 FUNCTOOL 后处理获得肿瘤层面弹性图。测量、比较恶性肿瘤、良性肿瘤、恶性肿瘤周围组织、良性肿瘤周围组织和健康志愿者肝组织平均弹性值。结果恶性肿瘤平均弹性值[(7.39±1.70)kPa]明显高于良性肿瘤[(4.11±0.37)kPa,P <0.001]、恶性肿瘤周围组织[(3.50±0.73)kPa,P <0.001]、良性肿瘤周围组织[(2.61±0.45)kPa,P <0.001]及志愿者正常肝组织平均弹性值[(2.38±0.24)kPa,P <0.001]。恶性肿瘤周围组织平均弹性值[(3.50±0.73)kPa]明显高于良性肿瘤周围组织平均弹性值[(2.61±0.45)kPa, P <0.001]。良性肿瘤周围组织[(2.61±0.45)kPa]稍高于志愿者正常肝组织的平均弹性值[(2.38±0.24)kPa],两者无显著差异(P >0.05)。当取截断值为5.08 kPa 时,可鉴别区分良恶性肝肿瘤和正常肝实质。结论MRE 技术可用于肝脏局灶肿瘤性病变的诊断,有助于对肝脏良恶性肿瘤的鉴别。     

基于U-Net实现前列腺MR图像上腺体的自动分割和径线测量：临床植入验证研究

【摘要】目的：评估基于U形全卷积神经网络（U-Net）对MR图像上前列腺的自动分割和径线测量的准确性,探索其植入临床工作流程的可行性。方法：回顾性分析2018年10月7日－2019年4月28日连续前列腺MR检查病例的临床和MRI资料,排除前列腺癌治疗后、因前列腺增生行经尿道前列腺切除术后和数据导出失败者,最终纳入129例的MRI数据进行分析。使用前列腺U-Net分割模型在T2WI上自动分割前列腺轮廓后,以最小体积包围盒的算法规则,测量前列腺的左右、前后和上下径。将实际临床工作中使用的前列腺MR结构式报告内医师测量的前列腺径线数据作为金标准,用配对样本t检验和Bland-Altman散点图比较分析软件自动测量和医师手工测量的前列腺径线结果。结果：U-Net分割和径线测量结果可自动地填写到结构式报告中。运用Bland-Altman 散点图分析显示两种测量方法得到的前列腺各径线的一致性高,仅4.65%的数据位于95%置信区间之外。对于前列腺左右径,软件自动测量和医师手工测量结果之间的差异无统计学意义(t=－0.637,P＞0.05),而于前列腺前后径和上下径,两种测量结果之间的差异均有统计学意义（t=12.248,P＜0.05;t=－2.172,P＜0.05）。结论：基于U-Net的前列腺分割和径线自动测量模型植入临床工作流程是可行的,其测量结果的准确性符合临床需求。     

基于CT图像的深度学习预测高血压脑出血早期血肿扩大的应用研究

目的 本研究旨在构建一种基于颅脑CT成像的深度学习算法进行高血压脑出血患者颅内血肿分割和血肿扩大的预测。方法 回顾性分析500例因高血压脑出血行颅脑CT平扫的患者资料。所有患者在症状出现后6 h内进行基线CT扫描，并在随后24 h内进行CT复查，比较血肿是否扩大。为构建血肿分割与血肿扩大预测模型，患者按照7∶3比例随机分为训练集和测试集。训练集共包含350例患者，用于训练模型，测试集包含150例患者，用于模型的验证。模型采用基于Attention U-Net的网络框架对颅脑CT的血肿进行自动分割并采用基于ResNet-34的网络对血肿扩大进行预测。分割模型的准确度评估采用均交并比(MIoU)和Dice系数作为评价指标。预测模型准确度评价采用受试者工作特征曲线下面积(AUC)。临床定量资料以平均±标准差表示，若符合正态分布及方差齐性检验，则采用独立样本t检验比较其差异性，不服从正态分布的连续变量比较采用Mann-Whitney U检验。P<0.05认为差异存在统计学意义。结果 血肿扩大组和非血肿扩大组在年龄(P=0.211)和性别(P=0.213)方面差异无统计学意义。非血肿扩大组...     

门静脉高压患者多层螺旋CT在体测量研究

目的 通过多层螺旋CT门静脉血管成像,探讨门静脉高压患者门静脉系统管径、肝脾体积、肝实质强化与病因及肝功能之间的关系.资料与方法 采用16排多层螺旋CT对126例临床和实验室指标提示门静脉高压患者和47例非门静脉高压者进行门静脉CTA,并进行胃左静脉、门静脉、脾静脉、肠系膜上静脉内径测量,肝脏、脾体积测量及门静脉期肝实质和门静脉主干CT值的测量,并用SPSS 11.0统计软件包对获得数据进行分析.结果 门静脉高压患者与正常对照组相比,门静脉内径分别为(13.73±3.36) mm和(13.61±1.90) mm,脾静脉内径分别为(10.30±3.28) mm和(9.23±1.39) mm,肠系膜上静脉内径分别为(10.83±2.03) mm和(10.46±1.32) mm,胃左静脉宽度分别为(5.10±3.49) mm和(1.48±1.59) mm,肝脏体积分别为(1189.46±305.36) cm3和(1322.40±283.81) cm3,脾体积分别为(809.37±471.14) cm3和(255.53±110.35) cm3.两组间对比有统计学意义(P＜0.05).结论 多层螺旋CT门静脉血管成像在显示门静脉高压患者相关血管形态、肝脾体积及肝实质强化等多方面能提供有价值的信息,可为临床治疗方案的选择和疗效的观察评估提供影像学依据.