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。     

浙江省社区精神卫生工作在PHC示范县的实施和评估

浙江省从本省农村卫生工作的实际出发,将社区精神卫生工作纳入PHC的范畴。于1990年起,在8个PHC示范县(市)内试行社区精神卫生工作,建立了三级精神病防治网络;落实了对精神病人分级管治的防治措施;使23238名重症精神病人在社区内得到了有效的管理、治疗与康复;社区内精神病人的肇事(祸)率明显下降,取得了较好的社会效益。认为在PHC中开展社区精神卫生工作是一条可行和有效的途径。     

170例药品不良反应报告分析

目的：了解汕头大学医学院第二附属医院（以下简称“我院”）药品不良反应（ adverse drug reaction,ADR）发生的特点及规律,为进一步完善ADR监测工作提供参考。方法：对我院2013年收集的170例ADR报告进行回顾性分析。结果：引起ADR的药物剂型主要为注射剂,共161例（占94．71％）;抗菌药物引起的ADR最多,共71例（占41．76％）,其次为抗肿瘤药,共21例（占12．35％）。结论：应加强ADR的监测与报告,提高医务人员对ADR的重视,以减少ADR的发生,保障患者用药安全。     

改良早期心脏康复方案在经皮冠状动脉介入术后患者中的应用

目的 探讨改良早期心脏康复方案在急性心肌梗死行经皮冠状动脉介入术患者中的应用效果。方法 纳入冠心病监护病房112例急性ST段抬高型心肌梗死行经皮冠状动脉介入术后的患者,随机分为试验组和对照组,每组各56例。试验组给予改良早期心脏康复方案进行锻炼,对照组给予早期心脏康复方案进行锻炼。比较两组干预前及干预后第7天的日常生活能力、左心室射血分数、冠心病监护病房住院天数及不良事件发生率。结果 干预7d后,试验组的日常生活能力、左心室射血分数高于对照组,试验组的住院天数少于对照组,差异均有统计学意义（P<0.01）;试验组和对照组均无不良事件发生。结论 改良早期心脏康复方案安全、有效,可促进急性心肌梗死行冠状动脉介入治疗术后患者的康复,增加左心室射血分数,提高患者日常自理能力并缩短住院时间,提高患者生活质量。     

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。     

利用深度学习构建自动分类模型以辅助髌骨轴位X线片的图像质控

【摘要】目的：利用深度学习方法训练髌骨轴位X线片图像质量控制的自动分类模型。方法：回顾性收集髌骨轴位X线片,由两位专家将髌骨轴位X线片分为不同数据组以训练模型,分别为：术后/非术后共175例（术后96例,非术后79例）,侧别共735例（左侧419例,右侧316例）,图像质量共453例（图像质量不合格246例,图像质量合格207例）。上述每组数据均按8:1:1的比例随机分为训练集、调优集和测试集,即：术后/非术后为136例、21例、18例,侧别586例、75例、74例,图像质量为362例、46例、45例。训练HRNet模型对上述三组图像进行自动分类,应用混淆矩阵评价模型分类预测效能,以符合率为评价指标。结果：测试集中,三组图像分类模型的预测符合率依次为：术后/非术后94.4%（17/18）、侧别98.6%（73/74）、图像质量91.1%（41/45）。结论：基于深度学习训练的分类模型对髌骨轴位X线片进行图像质量控制效能良好,有利于工作流程的优化及后续对接AI诊断模型。     

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...     

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。     

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个图像数据。将图像数据分为两部分:第一部分521个图像数据由专家标注后用于3D U-Net分割模型训练,将其随机分为训练集（413个数据）、调优集（56个数据）、测试集（52个数据）,模型训练的评价指标为测试集的DICE系数;第二部分4868个图像数据用于模型外部验证,使用第一部分训练好的模型预测胰腺区域,由两位影像专家检查模型预测结果,挑选出分割效果满意的数据共2003个。对上述521及2003个数据中胰腺标签进行数据处理,以最小体积包围盒算法测量胰腺的三维径线,以标签区域的像素总体积计算胰腺体积,并输出标签区域胰腺的平均CT值。统计各期相、不同层厚的图像数据中胰腺体积、三维径线及平均CT值的95%参考值范围,分析每10岁年龄组胰腺体积分布的正常范围。结果胰腺分割模型测试集中D...