智能放疗云平台自动勾画食管癌患者心脏结构的应用

【摘要】目的:测试和评估智能放疗云平台（RAIC.OIS）在食管癌患者心脏结构自动勾画中的应用。方法:选取2018年2月~11月收治的20例食管癌患者进行研究。首先,将20例患者的放疗定位CT图像从Eclipse治疗计划系统传输至连心医疗的智能放疗云平台（RAIC.OIS）;然后,使用RAIC.OIS的自动勾画工具,对CT图像中的心脏结构进行自动勾画;最后,将勾画好的结构文件传输并导入Eclipse。通过比较自动勾画和手工勾画的体积差异、位置差异、形状一致性和勾画时间,评估该软件的自动勾画工具应用于心脏结构自动勾画的可行性。结果:根据测量的数据结果,发现有1例患者的心脏形状和位置比较特殊,排除该患者的数据,对余下19例患者的数据进行统计分析。自动和手工两种方式勾画食管癌患者心脏结构的体积差异为（-17.08±8.66）%,相似性指数值为0.87±0.05。x、y和z这3个方向的位置差异分别为（0.12±0.09）、（0.11±0.08）和（0.22±0.16） cm,总位置差异为（0.31±0.14） cm。19例患者的自动勾画时间为（83±12） s,手工勾画时间为（284±58） s。结论:智能放疗云平台的自动勾画工具,对绝大部分食管癌患者的心脏勾画能够达到满意的结果。使用该工具可缩短心脏结构的勾画时间,提高放疗工作效率。     

基于深度学习的rtStation软件自动勾画乳腺癌术后患者心脏结构的应用分析

【摘要】目的:使用基于深度学习的rtStation软件对乳腺癌术后患者的心脏结构进行自动勾画,对自动勾画的准确性进行测试和评估。方法:选取40例乳腺癌术后患者进行研究,分为左侧保乳（LB）组、右侧保乳（RB）组、左侧根治（LG）组和右侧根治（RG）组。首先将放疗定位CT图像传输至rtStation软件,使用该软件自动勾画各病例心脏结构,最后将勾画好的结构文件导回Eclipse治疗计划系统。计算两种勾画方法的体积差异（△V%）、位置差异（DC）和形状一致性（DSC）数据,评估该软件自动勾画心脏结构的准确性。结果:40例测试结果△V%、DC和DSC分别为（3.49±10.30）%、（0.48±0.30） cm、0.89±0.04。4组的DSC值分别为0.88±0.03（LB）、0.89±0.03（RB）、0.88±0.05（LG）、0.89±0.04（RG）。4个组合组的DSC值分别为0.89±0.03（LB+RB）、0.88±0.04 （LG+RG）、0.88±0.04 （LB+LG）、0.89±0.03（RB+RG）。统计学分析结果显示,LB、RB、LG、RG 4组的ΔV%、DC、DSC值没有统计学差异（P>0.05）,LB+RB和LG+RG两组的ΔV%、DC、DSC值没有统计学差异（P>0.05）,LB+LG和RB+RG两组的ΔV%、DC、DSC值没有统计学差异（P>0.05）。结论:对于不同类型的乳腺癌术后患者,使用rtStation软件自动勾画心脏结构,均可以达到较为准确的效果,且不同类型之间的结果没有统计学差异。     

基于人工智能技术的危及器官自动勾画在胸部肿瘤中的应用

目的:评估基于人工智能技术的自动勾画软件勾画胸部危及器官轮廓的几何学精度,为临床应用提供依据。方法:选择30例胸部肿瘤患者的CT图像,分别使用基于人工智能技术的自动勾画软件勾画和医师手动勾画胸部危及器官。采用Hausdorff距离、形状相似性指数及Jaccard系数这3个指标评价自动勾画与手动勾画危及器官的几何学一致性。结果:在肺、心脏和脊髓的Hausdorff距离中,最大为右肺的（22.31±4.50） mm,最小为脊髓的（3.17±0.80） mm。危及器官的形状相似性指数值均≥0.91。Jaccard系数中左肺和右肺的均值≥0.95,脊髓的为0.84±0.02,心脏的略低为0.83±0.04。结论:基于人工智能技术的危及器官自动勾画软件对于胸部危及器官勾画能够达到较高的准确性和精度,可以满足临床工作。 【关键词】胸部肿瘤;人工智能;危及器官;自动勾画;放射治疗     

基于U-net的心脏自动勾画模型的临床应用及改进

目的:拟分析基于不同医院数据的心脏自动勾画模型在临床应用中的适用性及其改进方法。方法:首先,建立基于U-net和Inception模块的心脏自动勾画网络。其次,收集不同治疗中心的患者数据:中国科学技术大学附属第一医院65例（数据1）、MICCAI2019比赛数据50例（数据2）、数据1和2的混合数据（数据3）、郑州大学第一附属医院50例（数据4）和郑州大学第一附属医院100例（数据5）,分别训练得到模型1～5。然后,以郑州大学第一附属医院59例患者作为测试集,使用形状相似性系数（DSC）评估该测试集在不同模型上的分割精度,比较模型之间的差别。最后,将模型3作为心脏预训练模型,采用数据5进行模型再训练,分别测试3组实验（20例/次×5次、10例/次×10次、5例/次×20次）对心脏预训练模型的改进情况。结果:测试集在模型1~5中的平均DSC为0.926、0.932、0.939、0.941和0.950。在再训练过程中,模型在20例/次×5次的实验中表现更稳定。结论:基于不同医院的数据训练模型在心脏自动勾画的临床应用上表现存在差异,使用本地医院数据进行训练的模型预测精度更高。对于非本地数据训练的模型,基于本地数据再训练可以有效提高模型预测的精度,其中以20例/次的再训练方式效果较好。     

基于人工智能的多模态影像辅助海马体自动勾画研究

目的:利用基于深度学习的人工智能算法,结合头颅MRI和CT的多模态影像,开发海马结构自动勾画技术,为头颅放疗过程中海马体的保护提供高效、准确的自动勾画方法。方法:收集清华大学第一附属医院放疗科从2020年1月~12月就诊的40例脑转移癌患者的定位头颅CT及MRI影像,分别在CT图像、CT-MRI配准图像的两个数据集上训练3D U-Net、3D U-Net Cascade、3D BUC-Net 3个深度学习模型,计算3个模型自动分割的左右海马体与对应的人工标注之间的Dice相似系数（DSC）和95%豪斯多夫距离（95 HD）,以及两者的体积作为模型的分割准确性的评估,并且以对同一大小patch图像的自动分割耗时作为模型效率的评估。结果:引入MRI图像信息对左右海马的自动分割精度有明显的提升;模型3D BUC-Net在CT-MRI数据集上对左右海马体的自动分割都取得最好分割结果（DSC:0.900±0.017,0.882±0.026;95HD:0.792±0.084,0.823±0.093）,而且该模型的分割效率更高。结论:模型3D BUC-Net能在多模态影像上实现高效、准确的海马区的自动勾画,为头颅放疗过程中海马区的保护提供方便。     

基于深度学习的危及器官自动勾画软件系统DeepViewer在放疗中的应用及评估

目的:将一款基于深度学习的危及器官自动勾画软件系统DeepViewer应用于临床,实现自动勾画肿瘤患者治疗计划中危及器官的功能。方法:DeepViewer使用改进后的全卷积神经网络U-Net来实现自动勾画患者CT扫描部位所包含的危及器官,并使用Dice相似性系数（DSC）对比分析这22种危及器官自动勾画与手动勾画的差异。结果:11种危及器官DSC平均值在0.9以上,5种危及器官DSC平均值为0.8~0.9,5种器官DSC平均值为0.7~0.8,视交叉DSC平均值最低,为0.676。总体结果表明DeepViewer系统能够较准确地自动勾画出危及器官,特别是左、右肺、膀胱、脑干等器官,已基本满足临床需求。结论:DeepViewer软件系统可以实现放疗肿瘤患者危及器官的自动勾画,准确性较高。同时,DeepViewer系统勾画完毕后,可以通过网络系统自动传输RTStructure DICOM3.0文件,无需其他操作,能极大地提高临床医生工作效率,降低治疗计划流程中的勾画总时间。     

RT-Mind自动勾画技术应用于鼻咽癌放射治疗可行性研究

目的:探讨RT-Mind软件在鼻咽癌放疗临床靶区（CTV）、危及器官（OARs）自动勾画的可行性,为临床应用提供依据。方法:回顾性选取28例应用调强技术治疗的鼻咽癌患者,将放疗医师手动勾画CTV、OARs（脑干、脊髓、左右晶体、视交叉、左右视神经、左右腮腺、左右颞叶、左右颞颌关节、下颌骨）做为参考标准,再使用RT-Mind软件自动勾画CTV及OARs。对比手动与自动勾画在CTV和OARs区域的Dice相似性系数（DSC）、Jaccard系数（JAC）、敏感性指数（SI）、包容性系数（lncI）、质心偏差（DC）、Hausdorff距离（HD）等参数,从而评估自动勾画效果。结果:CTV的DSC、JAC、SI、lncl、DC、HD分别为:0.78±0.04、0.70±0.05、0.85±0.08、0.87±0.04、（7.76±5.03） mm、（12.3±1.16） mm,OARs中DC、HD值均在1 cm之内。结论:RT-Mind软件能够基本满足临床要求,能够较为准确地实现鼻咽癌患者CTV和OARs的自动勾画。由于病人既往病史的个体差异,放射治疗医师必须根据临床需要,对自动勾画的CTV和OARs进行修改后,才能用于治疗。若依据临床需求进一步完善自动勾画的个性化定制,相信RT-Mind软件在解剖结构复杂的鼻咽癌放疗中能够辅助放疗医生提高工作效率,更好地为患者服务。     

基于剂量预测和自动勾画技术的PET/CT器官内照射剂量率快速评估方法

目的：实现一种基于深度学习的剂量预测和自动勾画技术的正电子发射断层成像（PET）/CT检查器官内照射剂量率的快速评估方法。方法：首先基于患者特定时刻的PET/CT图像,使用蒙特卡罗程序GATE进行内照射剂量率计算,获得每个患者的剂量率分布图。随后,基于U-Net构建深度神经网络,将患者的CT和PET图像作为输入,GATE计算的剂量率图作为金标准进行训练。训练后的深度学习模型能够根据患者的CT和PET图像预测对应的剂量率分布。同时,使用勾画软件DeepViewer对患者CT图像中的器官和组织进行自动勾画,结合预测得到的剂量率分布结果计算相应器官和组织的吸收剂量率。使用50名患者的PET/CT数据,其中10份用于测试,其余40份进行4折交叉训练,每次使用30份用于训练,10份用于验证。将测试集结果与GATE和GPU蒙特卡罗工具ARCHER-NM进行对比。结果：在自动勾画软件DeepViewer勾画的24个器官中,绝大部分器官的深度学习预测剂量率与GATE计算结果偏差在±10%以内。其中大脑、心脏、肝脏、左肺、右肺的平均偏差分别为3.3%、1.1%、1.0%、-1.1%、0.0%,与GATE...     

人工智能在乳腺癌病理诊断中的应用价值

人工智能(artificial intelligence,AI)的应用可以帮助病理医师解决乳腺癌病理诊断中的诸多问题,包括组织学诊断、免疫组化判读及分子病理的应用,并辅助预测乳腺癌预后,但AI在实际应用方面仍面临较多挑战.相信随着AI在乳腺病理学领域的应用增加,其不仅能辅助乳腺病理医师的工作,减轻工作量并提高其诊断准确...     

图像分析技术在乳腺癌病理学研究中的应用

近30年来随着成像技术、数字计算机以及信息处理技术的迅速发展,兴起了一门交叉科学—图像分析技术,它的出现标志着形态定量研究进入了定量分析的新阶段。由于其克服了早年方格测试模板,称重法等计数测读的繁琐,因而倍受国内外学者关注,已广泛应用于胃癌、大肠癌、鼻咽癌、肝癌、乳腺癌及癌前病变的研究,为肿瘤的诊断、鉴别诊     

人工智能在医学的应用研究进展

人工智能技术的快速发展,得益于大数据、数据库、算法、算力的巨大进步,医学研究是人工智能的重要应用方向。人工智能与医学的融合发展,提高了医疗技术水平与医疗服务效率,为医生与医疗设备有效赋能,更好地服务于患者。特别在此次新冠肺炎疫情中取得的巨大成效,足见人工智能在医疗领域中发挥巨大作用,因此吸引了许多研究者不断深入探索。本文对近年来人工智能在医学方面应用的相关文献进行梳理,基于人工智能技术与医学研究的发展背景,重点论述人工智能在药物研发、辅助诊疗、语音识别和语义理解、健康管理、医院管理等领域的应用进展,分析人工智能在医疗领域应用存在的挑战,最后讨论人工智能在医疗领域的发展趋势。 【关键词】人工智能;医学应用;技术挑战;综述     

腰椎X线摄影人工智能测量技术研究进展

腰痛是全球范围内普遍存在的公共健康卫生问题,但临床医师对腰椎X线图像的视觉分析和主观判断已不能满足临床精准化、定量化的诊疗需求。近年来,人工智能（AI）及大数据技术的蓬勃发展,为医疗图像的智能检测和定量分析提供了条件和基础。众多学者通过人工神经网络、支持向量机和卷积神经网络等模型的建立和算法的改进,使腰椎X线定量分析及诊断成为可能。AI技术与医疗图像的交叉融合在减轻临床医师工作负荷、有效降低或消除手工测量误差和辅助临床医师从定量角度更客观地评估脊柱畸形等疾病具有很好的应用前景。目前,AI技术辅助腰椎疾病诊断的发展仍处于早期阶段,AI算法的改进、高质量数据库建立及制定新参数的量化标准等需要进一步探索。     

红外热成像技术在乳腺癌检测中的应用进展

乳腺癌作为全球女性中最常见的恶性肿瘤, 近年来,发病率逐年增高。人们期待寻找新一代检查方法,能进一步提高乳腺癌检出率,早期控制疾病进程,从而提高乳腺癌患者的生存率。红外热成像技术是一种常见的物理技术,在军事、工业、医疗等多个领域均有应用,我国近十几年来才开始将该项技术应用到医学领域中。由于该技术具有操作简单、非接触、无辐射、无创伤等优点,在医学领域中有广泛的应用前景。本文主要对该物理技术在乳腺疾病检测中的应用及该技术的临床诊断价值做简要概述。     

人工智能技术在新型冠状病毒肺炎中的应用

新型冠状病毒肺炎（COVID-19）在全球范围内迅速传播,对人类的健康、生活、社会功能和国际关系构成严重威胁。人工智能（AI）已被广泛用于解决从大数据分析到计算机视觉的各种复杂问题。COVID-19疫情防治过程中,研究人员提出大量AI算法与模型以减轻医疗系统的负担,在药物研发、疫情预测、临床诊断等领域发挥了重要作用。本综述从辅助诊断/检测、网络信息监测与分析,生物医学与药物治疗,疾病追踪、识别与检测以及实际临床应用这5个方面讨论了AI在COVID-19中的最新研究进展,旨在为疫情后期管理及未来流行病的及时防治提供参考。     

人工智能在中枢神经系统疾病影像诊断中的应用进展

人工智能（AI）技术应用于中枢神经系统疾病的诊断、分型以及预后,可显著提高医学影像信息的可信性和有效性,大幅提高神经系统疾病早期诊断的准确率,为医生选择合理的治疗方案提供定量的依据。本研究介绍了AI在中枢神经影像诊断中常用的学习算法、AI在中枢神经疾病影像诊断中的图像分割和特征提取中的应用;综述了AI在术前胶质瘤分级、预测基因突变状况以及胶质瘤术后复发鉴别的应用;并初步介绍了已用于临床工作的一些软件工具。     

算法和匹配数目对宫颈癌危及器官自动勾画的影响

目的:探讨基于Atlas实施宫颈癌危及器官自动勾画时勾画算法及匹配数目对自动勾画结果的影响。方法:基于MIM-Maestro软件建立宫颈癌Atlas模板库,入库病例数目为60例。随机选择Atlas库外10例宫颈癌患者,由临床医生手动勾画危及器官（膀胱、直肠和双侧股骨头）,并定义为参考勾画（Vref）。应用多数投票算法和STAPLE算法,匹配数分别选择1、3、5、7、9进行自动勾画。采用勾画时间（T）、相似性系数（DSC）、敏感性指数（SI）、质心偏差（DC）、Jaccard系数（JAC）、Hausdorff距离（HD）评价勾画结果,并进行单因素方差分析和配对样本t检验。结果:勾画时间随匹配数目增大呈线性增加,与勾画算法无关。多数投票算法和STAPLE算法勾画结果均显示,匹配数为1时膀胱的SI和左股骨头的DSC、HD、JAC与匹配数为3、5、7、9时有统计学差异。STAPLE算法中,直肠和双侧股骨头的SI均显示匹配数目为1、3与5、7、9有统计学差异。两种勾画算法的比较结果显示,仅双侧股骨头的SI有统计学差异。结论:基于Atlas实施危及器官自动勾画时,勾画算法对结果基本无影响,所需时间与匹配数呈正比,综合勾画结果建议匹配数目选择3。     

Integrated decision support system/image archive for histological typing of breast cancer using a relation oriented inference system

Histological typing of invasive breast cancer according to the World Health Organisation criteria is prognostically relevant, because some histological subtypes have a markedly better prognosis. However, reproducibility of histological typing is not high because of the absence of strict typing criteria, variations in the application of the typing criteria and the usually limited illustration of the relevant criteria. The aim of this study was to develop an expert system based on highly structured histological typing criteria, integrated with high-quality microscope images to illustrate the typing criteria. This system should be useful as a decision support system in the diagnosis of breast cancers and should increase the reproducibility of histological typing. Criteria for typing were extracted from textbooks and, based on experience, these criteria were structured and implemented in the Relation Oriented Inference System (ROIS), in which information can be structured by defining relations. Illustrative black and white images were digitized and integrated into the shell. The performance of the resulting decision support system was evaluated by a group of six pathologists using a set of slides covering the spectrum of the most frequently occurring histological types of invasive breast cancer. The pathologists first assessed histological type according to standard morphological procedures. The cases were then reassessed with the decision support system available for consultation. The use of the decision support system appeared to influence the previously assessed histological type in about half of the cases. Using the decision support system, histological typing was more uniform and more in accord with a ‘gold standard’ set by two experts. The integrated decision support system/image archive for histological typing of breast cancer seems to be a useful instrument in daily diagnostic breast histopathology as well as being a potential teaching tool. It may contribute to a more reproducible and prognostically relevant histological typing of breast cancer.     

人工智能自动识别胎儿颜面部超声标准切面的研究

目的:探讨人工智能（AI）自动识别与分类胎儿颜面部超声标准切面（FFUSP）的价值。方法:以妊娠20~24周FFUSP图像为研究对象,含标准集1 906张和实验集4 532张。标准集分为训练集和测试集用于训练和测试AI模型识别分类鼻唇冠状切面、正中矢状面、经双眼球横切面及非标准切面;以产科超声专家分类为标准,比较分析AI、初级医生组、中级医生组对实验集FFUSP图像识别分类能力差异。结果:AI对测试集各切面的分类准确率均达97%以上,中级医生对实验集FFUSP各切面识别能力皆优于初级医生（P<0.05）。AI对FFUSP各切面总体识别效能优于初级医生和中级医生（P<0.05）,与专家分类一致性强（P<0.05）;AI分类效率显著优于医生人工分类（P<0.05）。结论:AI对FFUSP识别分类具有较高准确性,可作为胎儿超声规范化培训和图像质量控制的辅助方法。