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。     

基于3D T1WI序列的影像组学模型对儿童FCD/MCD的预测

【摘要】目的：探索基于3D T1WI序列的影像组学模型对儿童局灶性皮质发育不良（FCD）和皮质发育畸形（MCD）病灶的预测效能。方法：回顾性搜集2015年3月至2020年8月难治性癫痫患者术前MR影像和临床数据。共获得46位患者的图像用于影像组学模型训练,男28例,女18例,平均年龄7.2岁,手术病理结果为FCD的39例（39/46）,MCD 7例（7/46）;其中FCD Ⅰa 2（2/46）,FCD Ⅰb 4（4/46）,FCD Ⅱa 11（11/46）,FCD Ⅱb13（13/46）,FCD Ⅲa 1（1/46）,未分型的FCD8例（8/46）。在3D T1WI图像上由两位影像科医生结合手术病理记录标注FCD/MCD区域作为正样本,并在同一病例大脑半球对侧对称性区域标注对照区域作为负样本。将数据按7:3的比例随机分为训练集和测试集。通过特征提取、特征降维、特征选择、分类器训练等过程,训练影像组学模型。以受试者工作特征曲线（ROC）评价模型效能。结果：46个FCD/MCD病灶的三维径线为3.2cm（95%CI：2.9~3.4）、4.1cm（95%CI：3.8~4.4）和5.9cm（95%CI：5.3~6.5）,46个对照病灶的三维径线为4.2cm（95%CI：3.5~4.7）、4.9cm（95%CI：4.2~5.5）和6.6cm（95%CI：5.8~7.3）,两两比较差异均无统计学意义（P>0.05）。46个FCD/MCD病灶的体积为17.9cm3（95%CI：14.4~21.3）,46个对照病灶的体积为18.8cm3（95%CI：14.5~23.2）,差异无统计学意义（P>0.05）。训练集AUC为0.997,测试集AUC为0.851。结论：基于3D T1WI图像的影像组学模型对儿童FCD/MCD预测有一定的准确性,有必要进一步研究。     

基于CT图像利用深度学习方法自动定位盆腔淋巴结分区的初步研究

【摘要】目的：探索基于CT图像的深度学习方法自动定位盆腔淋巴结区域的可行性。方法：回顾性连续搜集在本院就诊的符合研究要求的盆腔恶性肿瘤患者的腹盆部CT图像,共将178个腹盆部薄层门静脉期扫描序列的图像数据纳入研究,并将其按疾病类型分为两个数据集：数据集1包括2018年8月－2021年4月共131例前列腺癌患者的131个序列的图像,用于模型训练;数据集2包括2021年1月－2021年6月本院47例盆腔肿瘤（卵巢癌、宫颈癌和直肠癌）患者的47个序列的图像,用于外部验证。在数据集1中每个序列的CT图像上,由两位影像科医师标注盆腔淋巴结的区域定位（共划分为13个分区,包括主动脉旁、双侧髂总动静脉、双侧髂内外动静脉、双侧闭孔、双侧腹股沟、骶前和直肠旁区域）。将131个序列的图像数据随机分为训练集（train set,n=99）、调优集（validation set,n=17）和测试集（test set,n=15）。通过训练U-net 3D深度学习网络,建立淋巴结自动定位分区模型,对模型在数据集1的测试集中的定位能力进行定量评价,评价指标包括交并比（IOU）、体积相似度（VS）和关键点正确估计比例（PCK）。对模型在数据集2中自动定位淋巴结分区的能力进行定性评价,评价指标包括模型定位的淋巴结区域的覆盖程度（0~2分）、超出程度（0~1分）及超出范围（0~2分）分级,总分值为0~5分（不满意~满意）。结果：在数据集1的测试集中,盆腔淋巴结自动定位分区模型预测各组淋巴结的交并比（IOU）为0.28~0.77（P<0.001）,体积相似度（VS）为0.62~0.99（P<0.001）,关键点正确估计比例（PCK）-10mm为53.85%~100%（P=0.446）。数据集2的评价结果显示,模型预测各区域盆腔淋巴结主观评价各项指标得分之和的中位数：双侧髂总动静脉、双侧腹股沟、双侧髂内动静脉、双侧闭孔、主动脉、骶前和直肠旁为5分,左侧髂外动静脉为4分,右侧髂外动静脉为3分。以总评分≥4分为达到临床满意的标准,模型对84.59%淋巴结的自动定位分区结果准确,其中以双侧腹股沟区域的满意率最高,达100%。在13个淋巴结分区中,11个分区的满意率超过80%,其中4个分区在90%以上;以双侧髂外动静脉淋巴结区域的定位满意率较差（左侧为60%,右侧为51%）。结论：通过深度学习方法在CT图像上自动定位盆腔淋巴结区域是可行的。     

医学影像非诊断类人工智能(AI)的研究进展

【摘要】研发医学影像AI工具的目标是提升价值，为患者提供更好的服务。AI可用于降低噪声、减少伪影，从而提高图像质量、缩短扫描时间、减少对比剂用量，取得保障患者安全和提高工作效率的成效。AI应用于医学影像科的质控要求对合适的患者以恰当的方法取得合格的图像，并即时准确地生成影像诊断报告。AI可以用于缩短扫描时间和后处理时间、优化流程以提高影像工作效率。AI可以为医疗、教学、科研和管理提供辅助帮助。