基于深度学习在CT图像上分割胆囊的研究

【摘要】目的:基于深度学习方法训练模型,研究其用于腹部CT图像上分割胆囊并自动测量的可行性。方法:从本院PACS系统搜集2016年1月12日至2021年5月28日行腹部CT检查的患者,从中选取1154位患者的1181次CT检查图像,共得到2559个图像序列用于训练模型。由2位影像科医师标注胆囊,将全部数据按8：1：1的比例随机分为训练集（n＝2043）、调优集（n=245）和测试集（n=271）,训练3D U-net模型分割胆囊并自动测量。另搜集2022年9月10-19日的腹部CT扫描图像,随机选取共141位患者的141次检查的270个图像序列作为外部验证数据集。以外部验证集的预测结果评价模型的效能。使用Dice相似系数（DSC）、体积相似度（VS）和Hausdorff距离（HD）定量评价模型分割胆囊区域的效能。使用Bland-Altman分析评价模型自动测量的胆囊体积、径线、平均CT值与医师标注测量值的一致性。结果:外部验证集的DSC、VS、HD分别为0.980(0.970,0.980）、0.990（0.990,1.000)、1.69 (1.27,2.45)mm,各数据集之间DSC、VS和HD的差异均有统计学意义（P均<0.001）。外部验证集中模型预测和医师标注测量的胆囊体积、CT值、三维径线的95%一致性界限（LoA）的可信区间分别为（-2.07,3.36）、（-1.55,1.15）、（-1.28,1.47）、（-3.34,4.07）和（-1.11,2.15）,分别有2.6%、3.7%、3.7%、1.1%和3.7%的点落在95%LoA以外。结论:基于深度学习模型可在腹部CT图像上自动分割胆囊区域,是将来进一步胆囊病变智能诊断的基础。     

基于深度学习在CT图像上分割肾上腺的研究

目的:探索使用3D U-Net模型在CT图像上自动分割肾上腺并完成自动测量的可行性,并尝试使用模型输出值初探多期增强CT检查中正常肾上腺的强化特点及肾上腺体积随年龄段的体积变化规律。方法:第一步,训练肾上腺自动分割模型。回顾性收集2016年1月1日-2019年3月14日本中心腹盆部CT检查且结果未见异常的图像,共纳入520个薄层序列(434个检查)作为模型训练数据集。分别标注双侧肾上腺后随机分为训练集(左侧N=419,右侧N=413)、调优集(左侧N=53,右侧N=55)、测试集(左侧N=48,右侧N=52)训练3D U-Net分割模型,模型客观评价指标为测试集的Dice系数。第二步,验证肾上腺分割模型用于自动测量的可行性。回顾性收集2019年3月15日-2019年4月30日本中心住院成人患者腹盆部CT检查且结果未提示肾上腺病变的图像,共纳入988个薄层序列(523个检查)作为外部验证数据集。使用第一步建立的模型对双侧肾上腺进行分割并检查结果,对自动分割满意的图像统计其肾上腺的体积、三维径线、平均CT值,分析增强规律,并在门静脉期图像中按每15岁年龄段统计肾上腺体积随年龄变化的关系。结...     

基于U-Net实现CT图像上肝段自动分割和术前评估的初步研究

目的:评估基于U形全卷积神经网络(U-Net)对CT图像上Couinaud法肝段的自动分割及体积测量的准确性,探讨其用于半肝切除术剩余肝脏体积百分比(FLR%)评估的可行性。方法:回顾性收集医学中心A的腹部CT增强扫描数据(共170例)用于肝段分割模型的建立,先分割肝脏轮廓,再训练自动分割肝段的模型,最终获得各肝段体积。将放射科医生标注的肝段数据作为金标准。采用医学中心B的CT数据(50例)作为外部验证集,以平均Dice相似性系数(DSC)评价模型效能,分析比较模型与医师在肝段分割、体积测量、FLR%评估上的差异。结果:医学中心A所有数据随机分为训练集(132例)、调优集(19例)、测试集(19例)。外部验证集平均DSC值为(0.92±0.00),肝段平均体积最小为Ⅰ段[(37.59±1.26) mL],最大为Ⅷ段[(241.76±6.07) mL]。模型与手工标注FLR%评估结果一致性高(95%一致范围为0.9768～0.9906),在手术可行性预测上差异无统计学意义(P=0.25)。结论:基于U-Net的Couinaud’s肝段自动分割、体积测量并评估半肝切除术FLR%具有可行性。     

基于深度学习模型对新型冠状病毒肺炎的定量CT研究

目的 探讨深度学习模型在新型冠状病毒肺炎的诊断、病情评估及与非新型冠状病毒肺炎的鉴别诊断价值.方法 选取并分析南京大学医学院附属鼓楼医院确诊的9例普通型新型冠状病毒肺炎(coronavirus disease-2019 pneumo-nia,COVID-19)患者(COVID-19组,新冠组)及25例非新型冠状病毒肺炎...     

基于CT平扫的深度学习自动分割模型对肾积水病人分侧肾功能的评估

目的 探讨基于CT平扫的深度学习自动分割模型对肾积水病人分侧肾功能评估的价值。方法 回顾性收集2所医院共209例肾积水病人的平扫CT影像、年龄、性别、体质量指数(BMI)以及基于单光子发射计算机体层成像(SPECT)测量的肾脏肾小球滤过率(GFR),并以其来源医院确定为训练集(137例)和测试集(72例)。采用U-Net方法构建肾脏自动分割模型,用于自动分割平扫CT影像上肾积水和肾实质区域,计算肾积水、肾实质体积及两者的体积比作为肾脏形态特征。根据GFR值将肾功能分为正常[GFR≥30 mL/(min·1.73 m²)]与异常[GFR<30 m L/(min·1.73 m²)]。使用多因素逻辑回归筛选独立预测特征并建立分侧肾功能评估模型。采用Dice相似性系数(DSC)评价自动分割结果,采用受试者操作特征曲线下面积(AUC)评价分侧肾功能评估模型的效能,使用DeLong检验比较AUC的差异。结果 影像采用自动分割平均耗时为每例病人2.2 s,而手动分割耗时是自动分割的671.8倍。肾实质和肾积水自动分割的平均DSC分别为0.89和0.6...     

眼眶爆裂骨折的CT表现

目的:探讨眼眶陈旧性与非陈旧性爆裂骨折的CT表现及其诊断价值。方法:回顾性分析1 445例眼眶爆裂骨折的CT图像,分析骨折的部位、程度、形态及其特点。结果:单纯内侧壁骨折873例,单纯下壁骨折328例,内侧壁及下壁同时骨折244例。眼眶非陈旧性爆裂骨折CT表现为骨质明显中断,骨折线清晰,邻近副鼻窦腔积液、积血,近期复查窦腔内积液明显吸收,有皮下及眶内气肿,无眼球内陷;陈旧性爆裂骨折CT表现为骨质变形,骨折线光滑连续,复查窦腔内无明显变化,无皮下及眶内气肿,眼球不同程度内陷。结论:CT扫描能够准确显示眼眶爆裂骨折的直接及间接征象,明确骨折部位、程度,客观评价非陈旧性或陈旧性骨折,对于临床诊断、治疗、法医鉴定具有重要价值,但不能明确判断眼眶部位的具体受伤时间。     

螺旋CT对眼眶内侧壁骨折的诊断价值

目的探讨SCT对眼眶内侧壁骨折的诊断价值。方法通过对48例面部外伤后眼眶内侧壁骨折行轴位、冠位扫描,同时进行多方位MPR及3D成像,综合分析影像特征。结果眼眶内侧壁骨折直接SCT征象为眶壁骨质的连续性中断、粉碎、凹陷和曲度失常。新鲜骨折36例多合并有眼球旁或球后积气、筛窦积液、内直肌增粗等间接征象,陈旧性骨折12例,表现为骨折片移位或塌陷。结论SCT容积扫描能全面准确地诊断眼眶内侧壁骨折并能区分新鲜与陈旧性骨折及骨折程度。     

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...     

基于CT图像的深度学习预测高血压脑出血早期血肿扩大的应用研究

目的 本研究旨在构建一种基于颅脑CT成像的深度学习算法进行高血压脑出血患者颅内血肿分割和血肿扩大的预测。方法 回顾性分析500例因高血压脑出血行颅脑CT平扫的患者资料。所有患者在症状出现后6 h内进行基线CT扫描,并在随后24 h内进行CT复查,比较血肿是否扩大。为构建血肿分割与血肿扩大预测模型,患者按照7∶3比例随机分为训练集和测试集。训练集共包含350例患者,用于训练模型,测试集包含150例患者,用于模型的验证。模型采用基于Attention U-Net的网络框架对颅脑CT的血肿进行自动分割并采用基于ResNet-34的网络对血肿扩大进行预测。分割模型的准确度评估采用均交并比(MIoU)和Dice系数作为评价指标。预测模型准确度评价采用受试者工作特征曲线下面积(AUC)。临床定量资料以平均±标准差表示,若符合正态分布及方差齐性检验,则采用独立样本t检验比较其差异性,不服从正态分布的连续变量比较采用Mann-Whitney U检验。P<0.05认为差异存在统计学意义。结果 血肿扩大组和非血肿扩大组在年龄(P=0.211)和性别(P=0.213)方面差异无统计学意义。非血肿扩大组...     

眼眶炎性假瘤的CT诊断

总结分析眼眶炎性假瘤的ＣＴ表现,并眼眶假瘤的ＣＴ分型进行探讨,材料与方法,回顾性分我院１０年间资料完整的眼眶假瘤４６例。结果沔泉炎型１５例。７例双侧泪腺增大,８例单侧增大,密度均匀,边界清楚,前部假瘤５例,位于眼球后方,与眼球紧贴边缘不清楚,密度不均,２例伴眼外肌增粗,１例视网膜脱落     

常规头颅CT对眼眶内侧壁骨折的诊断价值分析

目的评价常规头颅CT对眼眶内侧壁骨折的诊断价值。方法对40例常规头颅CT可疑眼眶内侧壁骨折者行眼眶CT扫描。结果40例中35例在眼眶CT上确诊为眼眶内侧壁骨折,常规头颅CT显示的眼眶内侧壁骨折征象包括:眼眶内侧壁内陷、内直肌增粗、筛窦密度增高及眶内积气。结论常规头颅CT可以作为眼眶内侧壁骨折诊断或筛查手段。     

基于卷积神经网络的深度学习算法对颅内出血的类型识别及血肿分割一致性的研究

目的:开发一种可以检测不同类型颅内出血并自动计算血肿体积的基于卷积神经网络的深度学习算法,探讨其识别的准确性及血肿分割的一致性.方法:数据集1纳入9594例颅脑CT平扫图像,随机选取223例颅内出血阳性患者作为颅内出血类型识别的测试集,剩余CT图像作为其训练集,评估测试集中算法识别五种不同类型颅内出血的效能.数据集2选...     

儿童trapdoor眼眶骨折的CT表现

目的:探讨儿童trapdoor眼眶骨折的CT表现。方法:搜集经手术证实的trapdoor眼眶骨折的患儿18例,男13例,女5例,年龄3～14岁。所有患儿均有眼球转动障碍,其中12例合并恶心、呕吐。所有患儿均在外伤后3天内行CT平扫。结果:18例trapdoor眼眶骨折发生在下壁16例,内侧壁2例。骨折处CT表现为线状或裂隙状透亮影,眼外肌和眶内脂肪箝闭于骨折处10例,单纯眼外肌箝闭于骨折处3例,单纯眶内脂肪箝闭于骨折处及相应眼外肌局部增粗5例。结论:儿童trapdoor眼眶骨折CT主要表现为骨折处合并眼外肌和/或眶内脂肪的箝闭,CT是术前诊断trapdoor眼眶骨折的重要手段。     

基于CT图像利用深度学习方法自动定位盆腔淋巴结分区的初步研究

【摘要】目的：探索基于CT图像的深度学习方法自动定位盆腔淋巴结区域的可行性。方法：回顾性连续搜集在本院就诊的符合研究要求的盆腔恶性肿瘤患者的腹盆部CT图像,共将178个腹盆部薄层门静脉期扫描序列的图像数据纳入研究,并将其按疾病类型分为两个数据集：数据集1包括2018年8月－2021年4月共131例前列腺癌患者的131个序列的图像,用于模型训练;数据集2包括2021年1月－2021年6月本院47例盆腔肿瘤（卵巢癌、宫颈癌和直肠癌）患者的47个序列的图像,用于外部验证。在数据集1中每个序列的CT图像上,由两位影像科医师标注盆腔淋巴结的区域定位（共划分为13个分区,包括主动脉旁、双侧髂总动静脉、双侧髂内外动静脉、双侧闭孔、双侧腹股沟、骶前和直肠旁区域）。将131个序列的图像数据随机分为训练集（train set,n=99）、调优集（validation set,n=17）和测试集（test set,n=15）。通过训练U-net 3D深度学习网络,建立淋巴结自动定位分区模型,对模型在数据集1的测试集中的定位能力进行定量评价,评价指标包括交并比（IOU）、体积相似度（VS）和关键点正确估计比例（PCK）。对模型在数据集2中自动定位淋巴结分区的能力进行定性评价,评价指标包括模型定位的淋巴结区域的覆盖程度（0~2分）、超出程度（0~1分）及超出范围（0~2分）分级,总分值为0~5分（不满意~满意）。结果：在数据集1的测试集中,盆腔淋巴结自动定位分区模型预测各组淋巴结的交并比（IOU）为0.28~0.77（P<0.001）,体积相似度（VS）为0.62~0.99（P<0.001）,关键点正确估计比例（PCK）-10mm为53.85%~100%（P=0.446）。数据集2的评价结果显示,模型预测各区域盆腔淋巴结主观评价各项指标得分之和的中位数：双侧髂总动静脉、双侧腹股沟、双侧髂内动静脉、双侧闭孔、主动脉、骶前和直肠旁为5分,左侧髂外动静脉为4分,右侧髂外动静脉为3分。以总评分≥4分为达到临床满意的标准,模型对84.59%淋巴结的自动定位分区结果准确,其中以双侧腹股沟区域的满意率最高,达100%。在13个淋巴结分区中,11个分区的满意率超过80%,其中4个分区在90%以上;以双侧髂外动静脉淋巴结区域的定位满意率较差（左侧为60%,右侧为51%）。结论：通过深度学习方法在CT图像上自动定位盆腔淋巴结区域是可行的。     

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。     

基于U-NET深度学习算法检测与量化胸部CT图像的气胸

目的:采用气胸患者的CT图像开发了一种使用U-NET架构的深度学习分割算法,并对其性能进行了评估。方法:回顾性分析2018年-2019年的急诊胸部CT图像,先由一名放射科医生进行注释,然后由另一名资深放射科医生修改和审查标注的气胸内容,作为金标准,并使用五折交叉验证方法进行深度学习算法的训练和测试。在像素级通过戴斯系数、召回率和符合率来评估分割精度,并评估了气胸定量的体积误差;在区域级评估每个患者的气胸区域敏感性和假阳性区域数量。结果:共有200例气胸患者入组,平均戴斯系数、召回率和符合率分别为0.789、0.794和0.820。对气胸总量大于300 mL的患者,平均戴斯系数、召回率和符合率都可以达到0.89以上。对气胸总量大于100 mL的患者,气胸定量的相对误差小于10%。对体积大于30 mL的气胸区域,区域敏感性可达100%。假阳性区域平均体积为2.3 mL(1.55～3.66 mL),平均每个病例2.8(2.06～4.23)个假阳性区域。结论:U-NET深度学习分割算法在像素和区域两个层面上都表现出可接受的性能,这表明在临床实践中可以发挥潜在的辅助作用,以减轻急诊医务人员的工作...     

螺旋CT在眼眶蜂窝织炎中的临床应用

眼眶蜂窝织炎(orbital cellulitis)是发生于眼眶软组织内或骨膜下的急性化脓性炎症,因可引起永久性视力丧失及颅内蔓延,常被视为危症[1,2]。CT作为快速准确的检查技术对诊断眼眶蜂窝织炎有重要价值。笔者采集2004年5月～     

深度学习迭代重建算法优化儿童头颅CT图像噪声和图像纹理的可行性

目的 评价深度学习迭代重建（DLIR）算法与常规自适应迭代重建（ASIR-V）算法对儿童头颅外伤CT图像噪声和图像纹理的优化程度及图像显示效果的差异。资料与方法 回顾性选取2020年12月7—11日首都医科大学附属北京儿童医院影像中心80例儿童头颅CT,扫描方案为低辐射剂量轴扫,电压120 kV,电流150～220 mA。将得到的原始数据重建为5 mm厚层与0.625 mm薄层的脑窗、骨窗图像,分别重建为50%ASIR-V、高权重DLIR图像（DL-H）,共8组图像。应用4分制主观评价脑沟脑室、脑灰白质与颅骨显示情况,并统计各组图像的病变数量;客观评价测量基底节层面的灰质和白质的CT值和噪声值,并计算对比噪声比,同时在同层面测量模糊程度指数,比较两种图像重建方法的差异。结果 相较于50%ASIR-V图像,2种层厚的DL-H均可以提升脑沟脑室、脑实质显示能力（W=5.5～22.2,P均<0.05）,5 mm的50%ASIR-V与0.625 mm的DL-H图像脑沟脑室、脑实质显示能力差异无统计学意义（W=0.9、2.0,P=0.32、0.05）。骨质显示能力方面,所有图像均可以达到满...     

眼眶部低剂量CT扫描的辐射防护

目的探讨眼眶部低剂量CT扫描的辐射防护方法对126例眼眶部患者分别用原机标准条件(130kV,100mA),2种不同低剂量条件(130kV,50mA或30mA),在征得其同意的情况下进行CT扫描,然后采用不同卷积函数值(Kernel)重建成像;比较不同毫安组的图像质量及权重CT剂量学指数(CTDIw)的差别结果30mA时CTDIw最小,为常规剂量扫描的30%,但图像质量与常规剂量相比差异有高度显著性(P<0.01);50mA时,CTDIw为常规剂量扫描的50%,图像质量与常规剂量相比差异无显著性(P>0.05)结论眼眶部低剂量(50mA)CT扫描既可保证眼眶部病变的影像质量,又可降低病人的辐射剂量     

深度学习重建算法对头CT灌注重建参数及图像质量影响探讨

目的:评价基于深度学习重建算法(DLR)与混合迭代重建(Hybrid-IR)的头CT灌注(CTP)的灌注参数及动脉峰值期图像质量。方法:前瞻性搜集疑似或已有缺血性脑卒中的20例连续病例,所有患者进行头CTP扫描,采用Hybrid-IR重建获得AIDR 3D(three-dimensional adaptive iterative dose reduction)序列,DLP重建分别选择AiCE (Advanced Intelligent Clear-IQ Engine)BRAIN LCD及BRAIN CTA参数,得到AiCE LCD及AiCE CTA序列。对3个灌注序列(AIDR 3D、AiCE LCD及AiCE CTA)分别重建灌注参数：脑血流量(CBF),脑容量(CBV)及平均通过时间(MTT)。比较3个序列的CBF、CBV及MTT的均值的差异及相关性。分别选取3个灌注序列的动脉峰值期图像,测量半卵圆中心、颈动脉虹吸段及脑干的CT值、标准差(SD)值,计算半卵圆中心、颈内动脉虹吸段及脑干的信噪比(SNR)和颈内动脉虹吸段的对比噪声比(CNR)。结果:AIDR 3D,AiCE LCD及...