基于乳腺X线摄影的影像组学对乳腺肿块和钙化良恶性分类的研究

目的:探讨基于乳腺X线摄影的影像组学在乳腺肿块和钙化良恶性鉴别中的应用价值,并将结果与有经验的放射科医生相对比。方法:回顾性收集本院PACS系统中2014年5月1日-2020年3月1日诊断性乳腺X线图像,根据纳入和排除标准筛选出边界清晰的乳腺肿块性病变患者188例(316幅X线图像)和钙化性病变患者215例(364幅X线图像),训练集与测试集比例分别为222:94和256:108,良恶性病变比例约1:1。先采用深度学习的自动分割模型获取肿块和钙化区域ROI,再利用影像组学技术建立良恶性分类模型,计算模型预测病灶良恶性的曲线下面积(AUC),准确性(ACC),敏感度(SEN)和特异度(SPE),并且与有经验的放射科医师对比。结果:乳腺肿块影像组学良恶性分类模型的AUC、ACC、SPE、SEN分别为0.84、0.80、0.89、0.73,乳腺钙化影像组学良恶性分类模型的AUC、ACC、SPE、SEN分别为0.88、0.85、0.87、0.84,放射科医生鉴别乳腺肿块良恶性的ACC、SPE、SEN分别为0.80、0.88、0.76,放射科医生鉴别乳腺钙化良恶性ACC、SPE、SEN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。     

利用深度学习实现腹盆部CT图像范围及期相分类:临床验证研究

目的:探讨基于深度学习的分类模型对腹盆部CT图像范围及期相进行自动分类的可行性。方法:回顾性搜集本院2019年10月14日-2019年10月18日PACS中连续416例患者的腹盆部CT图像(数据集A)。按照扫描范围分为腹部、腹盆部、盆部三类,按照扫描期相分为平扫、动脉期、门静脉期、延迟期和排泄期五类。以3D-ResNet为基础架构,训练CT图像范围及期相的分类模型。利用该模型预测2020年1月1日-2020年1月3日本院连续657例患者的腹盆部CT图像(数据集B)。以影像医师的分类结果为金标准,采用混淆矩阵评价模型的分类效能。结果:在数据集B中,扫描范围分类模型在腹部、腹盆部和盆部的符合率分别为95.7%(243/254)、98.4%(362/368)和94.3%(33/35)。对数据集B中的腹部图像进行分析,扫描期相分类模型在平扫、动脉期和门静脉期的符合率分别为100.0%(77/77)、97.6%(82/84)和100.0%(11/11);对数据集B中腹盆部图像进行分析,扫描期相分类模型在平扫、动脉期、门静脉期、延迟期和排泄期的符合率分别为96.6%(144/149)、100.0%(9/9)、100.0%(106/106)、66.7%(44/66)和100.0%(32/32);对数据集B中盆部图像分析,扫描期相分类模型在平扫、门静脉期、延迟期和排泄期的符合率分别为100.0%(13/13)、70.0%(7/10)、88.9%(8/9)和100.0%(1/1)。结论:通过深度学习模型建立腹盆部CT图像性质分类模型的准确性基本可达到临床要求。     

基于深度学习实现胰腺分割及自动体积测量的初步研究

目的 使用深度学习模型实现影像诊断为"胰腺未见异常"的成人群体CT图像中胰腺自动分割及体积、径线和平均CT值自动测量.方法 搜集2019年1月至10月在本院行腹盆部CT平扫及增强扫描并诊断为"胰腺未见异常"的患者共1195例(8301个不同期相、不同层厚的扫描序列,每个序列为一个图像数据),根据标准共纳入了5389个图...     

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。     

~(18)F-FDG PET/CT显像定量参数对弥漫大B细胞淋巴瘤患者预后评估的价值

目的:探讨~(18F)-FDG PET/CT显像定量参数最大标准摄取值(SUVmax)、肿瘤代谢容积(MTV)、糖酵解总量(TLG)及其他临床因素对弥漫大B细胞淋巴瘤预后判断的价值。方法:回顾性分析65例初治且病理诊断为DLBCL患者的临床及PET/CT影像资料,所有患者均接受R-CHOP方案一线治疗,均于化疗前及化疗中期(2-4个疗程后)行18F-FDG PET/CT扫描,分别计算获得患者的SUVmax、MTV及TLG。应用受试者工作特征曲线(ROC)确定各自最佳分界值,Pearson卡方检验、Kaplan-Meier生存曲线、log-rank检验和单因素及多因素Cox回归分析评价相关参数对PFS的判断价值。结果:年龄、B症状、Ann Arbor分期及结外主要器官受累均与疾病复发或进展显著相关(P 0.05),SUVmax相关参数与预后关系无统计学意义,MTV0、MTV1、TLG0及TLG1预测疾病复发或进展的最佳分界值分别是172.20 cm~3、4.32 cm~3、1043.33 g及14.07 g,低MTV及低TLG组PFS均有延长且有统计学意义,多因素Cox回归分析显示,B症状、MTV1和TLG1是疾病的独立预后危险因素。结论:治疗前及治疗中MTV和TLG以及NCCN-IPI均与患者预后相关,SUVmax相关参数与预后无显著相关性,而治疗中MTV及TLG是DLBCL独立危险预后因素,比NCCN-IPI更具有预后意义。     

基于VI-RADS膀胱癌CT和MRI诊断结构化报告之建议

【摘要】膀胱癌是最常见的泌尿系统恶性肿瘤，影像检查可用于明确膀胱癌位置及数量、评价膀胱癌TNM分期、提示是否存在影响手术难度的重要征象等。本文结合膀胱影像报告和数据系统（VI-RADS）、AJCC第8版TNM分期和本单位工作经验，介绍了膀胱癌CT和MRI的影像诊断要点，并构建了结构化报告，期望提高报告的规范性及可读性。     

利用深度学习实现CT图像上肾脏肿瘤径线自动测量的临床可行性

目的:评估U-Net分割模型对肾脏肿瘤分割及径线测量的准确性.方法:回顾性收集本院PACS中2019年5月-2019年11月经手术病理证实的肾肿瘤患者的影像图像及结构式报告.排除未行手术治疗或病理结果未知的病例、图像及报告质量不合格及既往手术史的病例后,共纳入154例数据.从肾脏肿瘤结构式报告中导出医生测量值.利用U-...