基于深度学习方法对儿童腺样体肥大进行准确诊断和分级

【摘要】目的：评估深度学习方法在鼻咽侧位X线片上自动测量儿童腺样体肥大的可行性、准确性和可靠性。方法：X线图像被人工标注并分为训练、验证和测试数据集。利用训练集和验证集对多分类U-Net和Res U-Net深度学习网络进行训练,然后分别用两种方法对测试集图像进行分割。将两种方法的分割结果进行比较,选择出最佳的分割方法,并利用Matlab所构建的测量模型自动测量腺样体/鼻咽腔(A/N)比值。将自动测量方法（AMS）测得的A/N值分别与由主任医师、主治医师、住院医师手工测量的A/N值进行比较。以主任医师的测量结果为标准,计算AMS、主治医师、住院医师的准确率。结果：与U-Net相比,Res U-Net在测试集有更好的分割性能,并获得了总体上与主治医师水平相当,但比住院医师更准确的A/N结果。在对正常、中度肥大和病理性肥大腺样体的分级中,AMS的准确率分别为93.75%、93.02%和96.00%,主治医师的准确率分别为100%、83.72%和96.00%,而住院医师的准确率分别为68.75%、69.77%和84.00%。统计学分析结果显示,在正常组、中度肥大组以及病理性肥大组中AMS与主任医师、主治医师的测量结果差异均无统计学意义（P值均>0.05）;AMS与住院医师在正常组和中度肥大组中的测量结果差异有统计学意义（P<0.05）,在病理性肥大组中差异无统计学意义（P>0.05）。AMS所需的测量时间分别为主任医师、主治医师和住院医师手工测量时间的22%、21%和18%,AMS与主任医师、主治医师、住院医师的测量时间比较差异均有统计学意义（P值均<0.05）。结论：基于Res U-Net的自动测量方法可以快速测量腺样体A/N比值,达到主治医师的测量水平,且能够提高住院医师的测量水平,辅助各级医师减少测量所需时间,有助于临床快速、精确诊断。     

基于DBT建立的早期预测乳腺癌HER-2状态的模型研究

目的 使用基于数字乳腺断层摄影(DBT)图像的影像组学特征早期预测乳腺癌患者的HER-2状态.方法 搜集符合纳入标准的160例女性乳腺癌患者,其中HER-2阳性50例,HER-2阴性110例.手动在DBT图像上勾画感兴趣区,提取影像组学特征,经过数据归一化和降维,共选取1～10个特征建立逻辑回归模型,进行10折交叉验证...     

基于增强CT影像组学评估肝硬化患者肝储备功能的应用

【摘要】目的：基于增强CT影像组学特征构建列线图预测模型对肝硬化患者肝储备功能进行Child-Pugh分级。方法：回顾性分析经临床证实的144例肝硬化患者,按照Child-Pugh评分标准分成Child-Pugh A级33例, B级60例,C级51例。构建Child-Pugh A vs Child-Pugh B/C及Child-Pugh A/B vs Child-Pugh C两个数据集,分别以8：2的比例随机分成训练集和测试集。在3期增强CT图像上手动勾画肝脏区域作为感兴趣区(ROI),于感兴趣区中提取并筛选特征。建立影像组学标签并构建列线图预测模型,将模型用于训练集及测试集,并绘制受试者工作特性曲线（ROC）评估其效能。结果：在Child-Pugh A vs Child-Pugh B/C数据集中,列线图在训练集与测试集中AUC分别为0.920和0.807,敏感度分别为0.933和0.741,特异度分别为0.846和0.826。在Child-Pugh A/B vs Child-Pugh C数据集中,列线图在训练集与测试集中AUC分别为0.880和0.821,敏感度分别为0.805和0.818,特异度分别为0.878和0.947。结论：基于不同肝脏储备功能肝硬化患者的腹部3期CT增强图像组学特征建立的列线图模型可作为预测Child-Pugh分级较为可靠的辅助诊断工具。     

基于MRI的影像组学对PSA“灰区”且PI-RADS 3分及以上前列腺癌的诊断价值研究

目的 构建基于MR的组学模型并联合临床特征实现术前对前列腺特异性抗原(PSA)为4～10 ng/ml且前列腺影像报告与数据系统(PI-RADS)评分≥3分前列腺癌(PCa)的诊断。方法 回顾性分析两家医院经病理证实的PSA水平在4～10 ng/ml且PI-RADS评分≥3分的PCa 82例，良性前列腺增生150例。使用ITK-SNAP分别在T₂WI、ADC及动态增强扫描(DCE)手动勾画感兴趣区(ROI),用python平台提取特征，FAE软件完成对数据预处理、特征选取以及组学模型构建。通过单因素及多因素Logistic回归分析临床特征确定独立预测因子来构建临床模型。通过曲线下面积(AUC)评价模型性能，选取最佳组学模型联合临床模型构建综合模型。并通过外部验证来验证模型的泛化能力。通过R软件绘制综合模型列线图，并采用校准曲线及决策曲线评估其拟合度以及临床应用价值。结果 综合模型、组学模型及临床模型的在训练集中AUC分别为0.933(95%CI:0.874～0.970)、0.915(0.852～0.957)、0.802(95%CI:0.722～0.867);在测试集...     

基于DBT的瘤内和瘤周影像组学评估乳腺癌HER2状态的研究

目的 探讨基于数字乳腺断层融合成像(DBT)的瘤内和瘤周影像组学评估乳腺癌HER2状态的应用价值。方法 回顾性分析经病理证实的178例乳腺癌患者的影像、临床及病理资料。对头尾位(CC)及内外斜位(MLO)的DBT图像肿瘤感兴趣区(ROI)进行勾画，将瘤内ROI自动外扩3 mm,得到瘤周区域，生成瘤内及瘤周三维容积感兴趣区(VOI)。提取影像组学特征并进行筛选，然后建立瘤内、瘤周及瘤内加瘤周3种影像组学模型。对临床病理资料进行统计学分析并构建临床模型，最终建立基于临床-影像组学的综合模型，并绘制诺莫图。利用ROC曲线及曲线下面积(AUC)评价各模型性能，并绘制校准曲线及决策曲线。结果 瘤内、瘤周及瘤内加瘤周影像组学模型AUC分别为0.800、0.726、0.844,临床模型及联合临床-影像组学的综合模型AUC分别为0.585、0.850。结论 基于DBT的瘤内和瘤周影像组学特征可以评估乳腺癌HER2状态，联合瘤周特征可提升影像组学模型性能，而且结合临床和组学特征的综合模型及诺莫图具有良好预测价值。