U-Net神经网络分割锥形束CT影像中下颌磨牙牙体与牙髓腔及其准确性验证

目的: 使用U-net卷积神经网络实现锥形束CT（cone-beam CT, CBCT）影像中下颌磨牙的牙体和牙髓腔的自动分割,采用基于显微CT（Micro-CT）扫描结果构建的三维模型作为金标准,评估分割准确性。方法: 从同济大学附属口腔医院放射科收集20组包含完整单侧下颌磨牙的口腔小视野CBCT数据,预处理后,由牙体牙髓病学专家使用MITK Workbench软件手动标注牙体与牙髓腔,作为U-net神经网络分割算法的训练集。另收集5颗下颌磨牙和相应的小视野CBCT数据,5组数据经相同预处理后作为测试集。随后由完成训练的神经网络和同一专家对测试集数据进行牙体和牙髓腔分割和三维重建。离体牙预处理后行Micro-CT扫描,将三维重建后获得的模型作为金标准。分别比较测试集数据中,专家的手动标注、神经网络分割结果与金标准两两之间的差异。采用Dice相似性系数（Dice similarity coefficient, DSC）、平均对称表面距离（average symmetric surface distance, ASSD）、Hausdorff距离（Hausdorff distance, HD）和形态差异分析对结果进行评估。采用SPSS 20.0软件包对数据进行统计学分析。结果: 神经网络分割结果与金标准相比,其牙体组的DSC为(95.30±1.01)%、ASSD为(0.11±0.02) mm、HD为(1.05±0.31) mm,牙髓腔组的DSC为(81.21±2.27)%、ASSD为(0.15±0.05) mm、HD为(3.29±1.85) mm,结合形态差异分析结果显示,神经网络的分割结果与金标准的牙体与髓室部分基本相似,但在根管部分,能分割出较粗的根管,对于根管下段和侧支根管等较细的根管分割能力有限。结论: 在现有实验条件下,以专家手动标注作为训练样本的U-net神经网络,实现了在CBCT影像上对下颌磨牙牙体与髓室的自动化精准分割。但对根管部分,其分割结果有待进一步提升。     

基于粒子群优化的BP神经网络对血脂异常气郁痰阻型中医证候的疗效预测＊

目的 选用两种药物分析对血脂异常、中医证候的疗效，以中医证候积分为基础建立血脂异常气郁痰阻型的疗效表征模型，进而提出基于粒子群优化的BP神经网络预测两种方法的疗效。方法 收集50名符合血脂异常气郁痰阻型患者的基本资料，将患者随机分为解郁祛痰化浊方组（JQHP）、血脂康胶囊组（XZKC），每组25例，观察疗程12周治疗前后的血脂水平，治疗前及治疗期间每4周记录一次中医证候积分，共4次。定性疗效分析参考血脂防治指南和中医疗效积分，采用t检验、非参数检验及X²分析的方法；神经网络模型采用粒子群优化的BP神经网络，定量构建血脂异常气郁痰阻证的预测模型，设置为三层网络，输入层节点数为15，隐含层节点数为6，输出层节点数为1。针对JQHP组和XZKC组的数据，分别选择80%的数据进行训练，20%的数据进行验证。结果 两组治疗前、治疗4周、治疗8周、治疗12周的中医证候积分随治疗周期的增加而下降（P < 0.05）。JQHP组除了“形体肥胖”外，其余14项症状均有显著的改善（P < 0.05），XZKC组治疗前后比较除“形体肥胖”、“头晕”、“胸闷”外，其余12项均改善（P < 0.05）。以中医证候积分建立的基于粒子群优化BP神经网络的预测精度高、稳定性佳，可以定量预测两种药物对未知患者的疗效。结论 JQHP和XZKC可以改善血脂异常患者的血脂水平，改善气郁痰阻型患者的症状，此为定性分析。利用中医证候积分建立的基于粒子群优化BP神经网络两种治疗方法的预测模型，可定量预测未知患者的疗效。以此思路将有助于找到一种特定治疗方法的适应人群，从而提高该治疗方法的针对性，实现中医药的智能化、精准化、定量化。     

基于小波能量谱的先天或风湿性心脏病异常心音分类算法研究

目的为解决先天性心脏病或风湿性心脏病异常心音分辨问题,应用离散小波频带能量对异常心音分类算法进行研究。方法采集22人的正常心音和116人的异常心音,对心音信号做离散小波变换,根据病理性心杂音在频域内的分布范围划分5层频带,计算得到各层频带的能量占比,根据单因素方差分析方法,提出了基于小波能量谱的心音分类指标。结果对正常心音和异常心音的4个听诊区域进行了分类,最优分类准确率为92%。区分动脉导管未闭和其余异常心音的最优分类准确率为81.9%。结论基于小波能量谱的心音分类算法无需对心音信号进行分割,提取特征值少,可准确有效地对心音信号进行分类,相较于传统的心音听诊,算法的引入能够在异常心音临床诊断中提供参考数据。     

基于神经网络和支持向量机的中医体质辨识模型研究＊

目的 提出基于舌象和形体特征的中医体质辨识模型，探讨中医以舌辨质客观化、规范化方法。方法 提取客观化的舌象特征（舌质与舌苔的色度和饱和度、舌苔纹理的平均亮度、平滑度以及齿痕特征）和形体特征，建立基于神经网络和支持向量机的客观化舌象和形体特征的辅助中医体质识别模型。结果 对平和质、气虚质、阴虚质和气淤质四种体质进行模型的训练和测试，结果表明融合舌象特征和形体特征的中医体质辨识模型能有效地辅助中医体质识别，且支持向量机对四种体质辨识效果总体上优于神经网络。结论 基于客观化的舌象特征和形体特征辅助中医体质辨识有利于提高中医体质辨识的客观化水平，合理选择机器学习算法可以提高中医体质辨识的准确性。     

基于卷积循环神经网络的阿尔茨海默症早期诊断

早期准确诊断能延迟阿尔茨海默症(Alzheimer′s disease,AD)病情的恶化。磁共振成像(MRI)和正电子发射断层扫描(PET)已被证明有助于了解AD相关的解剖和功能性神经变化。近期研究表明,多模态特征的融合可以提高分类性能。本研究提出了一种基于卷积循环神经网络的多模态数据分类新框架,新框架结合了2D卷积神经网络和循环神经网络,以学习3D MRI和3D PET图像切分为2D切片序列之后的切片内、切片间特征,完成AD的早期诊断。本研究方法在AD与NC的分类实验中ACC为93.3%,AUC为98.1%;在MCIc与NC的分类实验准确率为83.8%,AUC为91.9%;MCIc与MCInc的分类实验准确率为79.0%,AUC为88.9%。结果表明该方法具有良好的分类性能。     

直肠癌淋巴结转移的深度神经网络评判研究进展

正目前,临床上对于直肠癌常用的影像评估方法有MRI、螺旋CT、PET-CT、直肠腔内超声(ERUS)等。而MRI作为首选检查方式,对肿瘤位置、浸润深度、淋巴结转移、血管侵犯、环周切缘及周围器官侵犯等方面的评估均具有明显优势~([1-2])。通过MRI诊断淋巴结的方法通常是影像科医师逐层浏览每一幅图像,从中识别淋巴结的形状、界限及密度来判断,这种传统方式耗时较长且存在主观偏倚,导致     

RSNA2019人工智能影像学

【摘要】随着人工智能（AI）的迅速发展和日益广泛的应用，人们对自动图像处理和分类技术产生了极大的兴趣，本年度RSNA年会上关于AI的研究报告按照部位进行分类总结。各研究通过利用深度学习分割图像、研究图像特征提取和图像转换，研发机器学习辅助诊断方法，比较不同AI模型如何提高成像效率、减少辐射剂量和对比剂剂量等，对临床疾病进行鉴别诊断和准确分级，进而辅助临床个体化治疗方案的制定，且有望大幅降低影像医师的工作负荷。