增强MRI影像组学对肝癌微血管侵犯的预测价值

【摘要】目的：探讨基于增强MRI影像组学方法对肝细胞肝癌微血管侵犯(MVI)的术前预测价值。方法：回顾性分析108例经手术病理证实为肝细胞肝癌病例的临床及增强MRI图像资料,其中MVI阳性45例,MVI阴性63例。对增强MRI动脉期（AP）、门静脉期（PVP）及延迟期（DP）图像进行影像组学特征提取,筛选最有价值的组学特征,采用五折交叉验证将样本量训练组和测试组,对训练组构建基于AP、PVP、DP及基于3期特征融合的影像组学联合逻辑回归模型,并对MVI的独立预测因子构建逻辑回归模型。选择最优影像组学模型并结合临床影像特征模型构建临床影像组学模型。所有模型结果均用五折交叉均值表示。模型采用受试者工作特征曲线(ROC)分析模型的有效性,并用测试组进一步验证。结果：MVI临床影像特征的独立预测因素包括甲胎蛋白、肿瘤最大径、瘤内动脉及包膜情况。临床影像特征模型在训练组的诊断效能ROC曲线下面积(AUC)值0.864,测试组AUC值0.843。AP、PVP、DP及3期联合模型在训练组的诊断效能AUC值分别为0.898、0.874、0.894及0.898,测试组AUC值分别为0.861、0.864、0.86及0.881。Delong检验分析发现测试组中增强MRI影像组学模型中3期联合模型的诊断效能较高,其与临床影像特征结合建立的临床影像组学模型诊断性能达到最优,训练组与测试组AUC值为0.934及0.911。结论：基于增强MRI建立的临床影像组学模型能够在术前无创地评估和预测MVI。     

基于bp-MRI和VB-Net的临床显著性前列腺癌自动分割和机器学习分类的研究

目的 评价基于双参数MRI的深度学习自动分割与机器学习分类模型,探索其在临床显著性前列腺癌（CSPC）诊断中的应用。方法 纳入409例前列腺患者MRI检查资料,在DWI、ADC和T₂WI中应用VB-Net模型分别进行病灶自动分割和腺体自动分割,生成感兴趣区（ROI）,病灶自动分割时将分割阈值设置为不同数值分别重复进行。分别提取病灶ROI和腺体ROI中的纹理特征,进行Lasso特征选择,建立、训练随机森林、支持向量机和Logistic回归模型并进行验证。结果 病灶分割中分割阈值分别为0.9、0.5、0.1时,假阴性率分别为0.462、0.273、0.182,假阳性率分别为0.134、0.419、0.661;当分割阈值设为0.5,病灶自动分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.76～0.792;腺体分割后进行纹理分析和机器学习分类,3种模型ROC曲线的AUC为0.827～0.855。结论 采用基于前列腺bp-MRI的VB-Net模型对CSPC病灶具有一定的自动分割、分类能力,结合进一步的机器学习能较好地诊断CSPC;VB-Net模型对腺体自动...     

基于组织修复的脑肿瘤图像配准方法

本文研究一种基于组织修复方式实现脑肿瘤磁共振图像与正常脑磁共振图像准确配准的方法。首先在BraTS2018数据集使用分割网络分割脑部肿瘤，然后根据肿瘤分割掩膜，使用组织修复网络模拟生成肿瘤区域内缺失的正常组织以替换肿瘤区域。最后，将修复后的脑图像与标准的正常脑图像配准。我们通过对修复前后图像和正常图像配准结果来评估我们的方法有效性。配准实验结果表明，我们提出的方法降低了脑肿瘤图像中病理变异对配准结果的影响，与传统的直接配准的算法相比，本文所提出的方法能获得更准确的配准结果，可以有效模拟生成正常组织替换肿瘤区域，从而提高脑肿瘤图像与正常大脑图像的配准准确度。     

基于深度学习的继发性肺结核CT辅助诊断模型构建及验证

目的:评价基于深度学习的继发性肺结核CT辅助诊断模型在临床应用中的价值。方法:回顾性收集2018年12月至2023年4月在重庆市公共卫生医疗救治中心接受胸部CT平扫的2004例患者的病例资料,分为肺部正常组(544例)、普通肺部感染组(526组)和继发性肺结核组(934例)。按照随机分组(通过R语言的sample函数实现训练集和测试集的完全随机分组)的方式,将数据集划分为训练集(1402例,70.0%)和测试集(602例,30.0%)。所有图像采用肺野自动分割算法,获得肺野区域。进一步采用BasicNet和DenseNet算法进行三组间的分类研究。采用曲线下面积(area under curve, AUC)、敏感度、特异度和准确率评价模型的分类性能。最后,在测试数据中,将最优模型与3位不同年资的放射科医生的诊断结果进行比较。结果:602例独立测试集中,DenseNet模型的性能优于BasicNet模型,两种模型的平均AUC、敏感度、特异度和准确率分别为92.1%和89.4%、79.7%和74.0%、89.4%和86.6%、86.2%和83.3%。其中,DenseNet模型的诊断性能优于...     

基于CT影像组学术前预测淋巴结阴性胃癌淋巴血管侵犯

目的 探讨基于CT影像组学术前预测淋巴结阴性胃癌淋巴血管侵犯(LVI)的价值,并结合临床变量构建列线图。资料与方法 回顾性分析浙江大学医学院附属邵逸夫医院2019年1月—2021年6月173例淋巴结阴性且病理证实为胃癌患者的临床及CT影像,其中LVI阳性60例,LVI阴性113例,按7∶3随机分为训练组(n=121)和验证组(n=52)。基于训练组分别构建临床模型、影像组学模型、融合模型,并在验证组进行验证。临床资料和常规CT特征包括年龄、性别、肿瘤指标、肿瘤部位、肿瘤形态、强化幅度等,通过单因素及多因素分析筛选出临床显著变量并建立临床模型。用3D-Slicer软件勾画肿瘤感兴趣区并提取影像组学特征,用最小绝对值收缩和选择算子降维筛选特征,然后通过随机森林构建影像组学模型,并转化为随机森林评分。联合临床显著变量和随机森林评分构建融合模型并可视化为列线图。根据受试者工作特征曲线及曲线下面积(AUC)评估模型的预测效能,采用决策曲线分析评估临床实用性。结果 影像组学模型优于临床模型,训练组和验证组中影像组学模型AUC分别为0.872(0.810～0.935)、0.827(0.707～0.9...     

人在回路深度学习垂体分割模型的建立

【摘要】目的：采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能（AI）测量。方法：将1285例颅脑3D T1WI图像按5～15岁、16～25岁、26～50岁、51～70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果：从第2批次开始,除5～15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义（P<0.05）。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义（P=0.137~0.928）,Dice值大于0.941,Spearman相关系数大于0.969。结论：通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。     

基于三维卷积神经网络肺结节深度学习算法模型临床效能初步评估

【摘要】目的：为评价人工智能模型的应用价值,本研究在专家共识的基础上建立了肺结节标准测试集,对前期建立的一种基于三维卷积神经网络肺结节深度学习算法模型进行验证,评价该模型的临床效能和限度。方法：基于胸部CT肺结节数据标注与质量控制专家共识建立标准测试数据集,对前期建立的基于三维卷积神经网络的肺结节深度学习算法模型及传统CAD系统（Siemens syngo.via VB 3.0 和Philips ISP V8）进行检验,在肺结节检出灵敏度、精准度以及平均每例假阳性个数等多个指标方面进行优效验证。结果：针对测试数据集中的肺结节,Syngo.via工作站检出灵敏度为36%,精准度为69%,平均每例假阳性1.2个;Philips ISP工作站肺结节检出灵敏度为34%,精准度为73%,平均每例假阳性0.9个;三维卷积神经网络的肺结节深度学习算法模型检出灵敏度为90%,精准度为71%,平均每例假阳性2.8个。结论：该三维卷积神经网络算法模型相较于传统CAD系统,肺结节检出灵敏度显著提升。由于训练数据集的偏倚等问题,灵敏度仍有进一步提升的空间。通过针对性地补充训练数据集,如增加磨玻璃结节的比重,可进一步提升肺结节检出灵敏度。改进之后的模型有望成为影像医生肺癌筛查工作的得力助手。     

医联体智能化采集影像质量控制专家共识

目的 随着分级诊疗制度的推行,我国已成立诸多医联体,并通过云技术实现影像互通与协同诊断,但各医院影像质量控制标准和实现程度不一,导致在医联体内推行影像互通互认存在一定问题。为基于人工智能技术于5G影像云平台项目建设中形成医联体内影像质量控制,特达成此共识,旨在为建立医联体质量控制体系提供参考。     

基于深度学习宫颈癌靶区自动分割勾画临床研究

目的 验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法 选取 535例宫颈癌CT影像,参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV),经专家审查后作为参考勾画,用于自动分割勾画训练和测试。另从测试组中随机挑选根治 4例及术后 6例,分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试,以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时,分别记录算法和手动勾画耗时。结果 数据经VB-Net网络训练得到根治CTV1(dCTV1)、dCTV2、术后CTV1(pCTV1)自动分割模型,自动勾画结果与参考勾画具有较好的一致性(DSC:0.88、0.70、0.86;MSD:1.32、2.42、1.15 mm;HD:21.6、22.4、20.8 mm)。dCTV1算法与三组医师勾画相近(P>0.05);dCTV2及pCTV1算法均优于初中级医师勾画(P<0.05),自动分割勾画耗时较手动勾画显著缩短。结论 基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当,应用于临床中将有助于大幅提高工作效率,具有提高勾画一致性和准确性的潜能。     

基于卷积神经网络的深度学习算法对颅内出血的类型识别及血肿分割一致性的研究

目的:开发一种可以检测不同类型颅内出血并自动计算血肿体积的基于卷积神经网络的深度学习算法,探讨其识别的准确性及血肿分割的一致性。方法:数据集1纳入9594例颅脑CT平扫图像,随机选取223例颅内出血阳性患者作为颅内出血类型识别的测试集,剩余CT图像作为其训练集,评估测试集中算法识别五种不同类型颅内出血的效能。数据集2选取另外819例已人工勾画出血灶的CT图像,随机选取74例作为测试集,以人工手动分割为金标准,验证测试集中算法分割与人工分割的一致性。结果:在223例颅内出血阳性患者中,深度学习算法对五种类型颅内出血识别的曲线下面积均大于或接近0.85,特异度均大于0.95;在74例血肿分割测试数据中,算法自动测量的血肿体积与人工手动分割测量的血肿体积之间达到较高的一致性,脑实质内出血、硬膜外出血、脑室内出血及硬膜下出血体积测量的组内相关系数分别为1、0.990、0.996和0.878。结论:基于卷积神经网络的深度学习算法可以较好地识别不同类型的颅内出血,并能精确测量血肿体积,具有一定的临床应用前景。