基于卷积神经网络的胸部薄层CT图像肋骨骨折分割与检测研究

目的 探讨基于卷积神经网络(CNN)的深度学习(DL)模型在胸部薄层CT图像上进行自动肋骨骨折分割与检测的价值。方法 搜集本院2021年1月至12月收治的外伤后患者胸部薄层CT图像，包括560例肋骨骨折患者和480例无肋骨骨折患者。使用基于Dense-Net 3D网络的DL模型从CT图像中分割并检测肋骨骨折区域，使用了Dice系数和交并比(IOU)来评价模型的分割效果，使用自由反应ROC(FROC)曲线来评价模型在骨折的检测任务中的灵敏度和假阳性表现。结果 基于Dense-Net 3D网络的DL模型在肋骨骨折分割任务中Dice系数达到0.8430,IOU达到0.7286,平均每次扫描的假阳性结果数为10时，模型对皮质断裂骨折的检测灵敏度为95.05%,对皮质扭曲骨折的灵敏度为81.52%,对两类骨折的综合灵敏度为90.51%。结论 基于CNN的DL模型对胸部薄层CT图像上肋骨骨折分割与检测效能良好，模型具有一定的通用性和泛化能力，其准确率可满足部分临床需求。     

基于3D U-Net的胸部CT脊柱成像皮质分离

目的 对胸部CT脊柱成像进行皮质分离，分割出皮质骨区域并进行后续诊断分析，计算出其厚度、周长、体积等形状信息，能更好地观察皮质骨厚度的变化趋势，判断是否有骨质疏松症的风险，辅助医师提升诊断效率。方法 基于以上需求，将采集到的227例三维图像按7∶2∶1分为训练集、验证集和测试集，利用深度学习与CT扫描图像相结合。通过实验对比3D U-Net、Res U-Net、Ki U-Net和Seg Net之间的优劣，最终选择3D U-Net深度网络作为分割方法。该网络包含了编码部分和一个对应的解码部分，编码部分用于分析整张图像并进行特征提取与分析，解码部分则对应生成一张分割好的块状图。结果 3D U-Net在验证集上的Dice相似系数达到了0.7433,测试集上达到了0.7263,优于其他三种方法。结论 3D U-Net方法能够有效地分割皮质骨。     

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...     

基于解剖知识模型的医学图像分割方法研究

目的提高图像分割技术的自动化程度和可靠性。方法提出了一个基于知识模型的医学CT图像的分害方法,系统由解剖知识模型、图像处理程序和推理机组成。模块之间的通讯由黑板控制。结果通过在胸部CT图像处理中的应用,该方法减少了人工干预,得到较满意的分割结果一结论该方法提高了医学图像分割的自动化程度和可靠性。由于具有扩展性,该方法为基于知识医学图像的处理提供一个通用的模式。     

基于卷积神经网络的胸片肺野分割与肺结核的筛查研究

目的 探究基于卷积神经网络的级联深度学习模型在胸部X线平片图像上对肺野分割以及肺结核筛查的应用价值。方法 搜集2018年10月至2020年2月行胸部X线摄影检查的健康对照组1300名和肺结核患者825例，随机选择140名健康对照组和60例患者组成肺野分割数据集，评价基于U-net++网络的深度学习模型对胸片肺野的分割效果。划分数据集中的80%(1700例)作为训练集，20%(425例)作为测试集，使用四种分类网络(VGG 16、Inception V3、Resnet 101、Densenet 121)对分割结果内是否存在结核病灶进行判断，并使用网络公开的深圳市第三人民医院肺结核数据集(CHX)对模型的检出效能进行评价。结果 级联模型中U-net++分割网络对胸片肺野分割的Dice相似指数与交并比(IOU)分别达到99.42%和98.84%;VGG 16、Inception V3、Resnet 101及Densenet 121四种分类网络对肺结核的筛查率最高分别为95.77%、96.00%、94.35%和95.06%;四种分类网络在CHX数据集上的最高检出率分别为84.44%、83.99...     

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...     

基于低剂量胸部CT深度学习模型自动测量骨密度研究

目的:评价基于低剂量胸部CT深度学习模型全自动测量与定量CT(QCT)手动测量骨密度的一致性。方法:回顾性分析2018年6月-2019年12月在弋矶山医院行低剂量胸部CT筛查联合定量CT(QCT)骨密度测量的1406例体检者的临床和影像资料。随机分为训练集(985例)和测试集(421例)。应用深度学习等方法构建骨分割模型等及内部组织校准模型,应用测试集检测其效能。以QCT结果作为参考标准,应用Spearman相关系数、组内相关系数、Bland-Altman分析两种测量方法的相关性和一致性;以QCT测量结果的骨质疏松(OP)诊断作为参考标准,应用ROC曲线评价其对OP的诊断效能。结果:训练集及测试集中深度学习模型与QCT的骨密度测量结果均呈正相关(训练集：r=0.957,P<0.001;测试集：r=0.955,P<0.001),组内相关系数为0.946(训练集)、0.945(测试集)。该模型在训练集中ROC曲线下面积(AUC)、灵敏度、特异度、准确度分别为0.986、47.5%、100%、95.7%;在测试集中分别为0.975、42.1%、100%、94.8%。结论:基于低剂...     

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。     

肿瘤分割策略对机器学习预测肾透明细胞癌病理分级影响的研究

目的 探究肿瘤边缘分割策略对基于CT的机器学习预测肾透明细胞癌(ccRCC)病理分级的影响。方法 回顾性分析2009年1月至2019年12月经病理证实的ccRCC患者三期CT图像数据及临床病理学资料共546例,分为建模及内部验证集(n=311)、独立外部验证集(n=235)。按以下肿瘤图像分割策略进行分组：聚焦肿瘤边缘分割(MF组);边缘范围分别扩大1 mm(E1组)、3 mm(E3组);边缘范围分别缩小1 mm(S1组)、3 mm(S3组)。基于三期CT图像并利用CatBoost建立ccRCC病理分级(高/低级别)的机器学习预测模型。对比分析各组所提取的纹理特征及权重因子、预测模型的敏感度(SEN)、特异度(SPC)、阳性预测值(PPV)、阴性预测值(NPV)、准确率(ACC)、受试者工作特征曲线(ROC)及曲线下面积(AUC)。结果 分割边缘范围与所提取的纹理特征权重因子大小成正比,权重因子随着肿瘤图像分割边缘收缩而减小。采用如上述肿瘤图像分割策略的ccRCC病理分级预测模型的AUC分别为：MF 0.8037、E1 0.8161、E3 0.8165、S1 0.8010、S3 0.7...     

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...     

利用深度学习实现CT图像上腰骶椎各结构分割及椎间盘自动定位的可行性研究

目的:探索使用3D U-Net深度学习模型在CT图像上进行腰椎各结构的自动分割及椎间盘自动定位的可行性。方法:回顾性搜集2020年12月1日-2021年3月29日于本院行腰椎平扫CT的患者影像图像,排除腰椎术后、脊柱畸形及骨转移的病例,共纳入了154个图像数据。手工标注腰骶椎各椎体、椎间盘及硬膜囊。按8:1:1比例将数据随机分为训练集(n=125)、调优集(n=14)和测试集(n=15)。利用3D U-Net分割模型进行训练,以医师手动标注结果作为参考标准,根据测试集Dice相似系数(DSC)、体积相似度(VS)和Hausdorff距离(HD)作为评价模型分割效能的指标。应用连通域分割算法进行腰椎各椎间盘定位,以医师判定为金标准,采用混淆矩阵评价模型识别各椎间盘的位置的定位效能。结果:测试集中3D U-Net深度学习模型对腰骶椎各结构分割结果DSC值、VS值均>0.96。模型识别各椎间盘位置的准确率达98.7%,模型预测与医师判定一致性高。结论:3D U-Net深度学习模型和可用于CT图像中腰椎各主要结构的自动分割并通过连通域算法实现椎间盘自动定位。     

骨骼肌指数对老年非小细胞肺癌手术患者预后的评估价值

目的:探讨胸部CT获得的骨骼肌指数(SMI)对老年非小细胞肺癌(NSCLC)手术患者预后的评估价值.方法:回顾性分析140例老年NSCLC手术患者的临床及影像资料.在术前进行的胸部CT平扫或增强扫描图像上,选择胸8椎体中心层面,通过半自动化分割CT值在-29～150 HU范围内的肌肉组织获得SMI(cm2/m2).SM...     

基于PET/CT的孤立性肺结节多模式影像对比研究

目的比较18F-FDG PET/CT融合图像、胸部薄层CT及18F-FDG PET/CT融合图像联合胸部薄层CT检查在诊断孤立性肺结节临床应用价值。方法回顾性总结2012年7月~2014年7月的40例孤立性肺结节(SPN)病例(男20例,女20例,年龄37~84岁,平均(59.2±12.4)岁。所有病例行18F-FDG PET/CT检查及胸部薄层CT扫描,37例患者最后由手术病理或穿刺病理确诊,3例经抗炎、抗结核治疗后复查,随访12个月以上。结果 40例SPN患者18FFDG PET/CT融合图像诊断灵敏度、特异性、PPV、NPV、准确性分别为75.9%、72.7%、88.0%、53.3%、75.0%;胸部薄层CT诊断SPN灵敏度、特异性、PPV、NPV、准确性分别为75.9%、63.6%、84.6%、50.0%、86.1%。18 F-FDG PET/CT融合图像联合胸部薄层CT诊断SPN灵敏度、特异性、PPV、NPV、准确性分别为93.1%、72.7%、90.0%、80.0%、87.5%。18F-FDG PET/CT融合图像及胸部薄层CT与18F-FDG PET/CT融合图像联合胸部薄层CT比较差距有统计学意义。结论 18F-FDG PET/CT联合应用胸部薄层CT对SPN诊断及鉴别诊断具有较高价值。     

基于多尺度层级化注意力模型的脑血肿分割算法

目的 针对脑组织结构影像研究可准确、稳定识别和分割出潜在脑血肿图像的自动分割算法.方法 提出了一种多尺度层级化注意力U型网络(MHA-Unet),嵌入空间金字塔池化层级化注意力(SPP-HA)模块.采用来自452例患者的大脑CT图像数据集,其中训练数据集7727张,测试数据集496张,分别用于网络训练、验证和测试.此外...     

基于胸部增强CT影像组学评估培美曲塞二钠+铂类对晚期肺腺癌化疗疗效的可行性分析

目的 探究基于晚期肺腺癌患者治疗前胸部增强CT图像构建的影像组学模型预测培美曲塞二钠+铂类化疗疗效的可行性。方法 回顾性搜集本院2018年1月至2022年11月经穿刺病理确诊仅选取培美曲塞二钠+铂类化疗的131例肺腺癌患者的临床及增强CT资料,按照7∶3的比例分层抽样法将病例分为训练集92例和测试集39例。根据实体肿瘤疗效评价标准(RECIST),将患者分为缓解组68例,未缓解组63例。提取并筛选治疗前CT图像的组学特征,并基于最终特征值采用支持向量机(SVM)、逻辑回归(LR)及高斯过程(GP)三种分类器构建影像组学模型。采用受试者工作特征曲线(ROC)和决策曲线分析(DCA)评估比较三种模型的预测能力、诊断效能及临床应用价值。结果 三种模型训练集曲线下面积(AUC)分别为0.821、0.812、0.827,测试集AUC分别为0.664、0.714、0.709,差异没有统计学意义;DCA示GP及SVM的净收益均高于LR;而训练集及测试集中GP及SVM的净收益无明显区别。结论 基于胸部增强CT的影像组学模型对培美曲塞二钠+铂类治疗晚期肺腺癌患者的化疗疗效具有可行性,且GP及SVM在一定...     

从CT图像中自动分割出肺部区域的算法研究

目的为用于肺部疾病的计算机辅助诊断，研究设计从CT图像中提取肺部区域的自动分割算法。方法在最优闽值分割的基础上，用自动区域生长去除气管／支气管区域，对边界跟踪法进行改进以快速去除背景干扰和获得肺部边界，最后进行肺部边界修补得到完整的肺部图像。算法采用迭代法寻找最优阈值解决了阈值选取的敏感性问题，提出了基于前层图像中气管／支气管位置的气管／支气管提取方法，避免了种子点的人工选取，基于前次搜索方向改进了八邻域搜索方法来提高边界跟踪的速度：结果用该算法对不同病人的4组胸部CT序列进行处理，能自动、快速地分割出肺部区域且精度较高：结论提出的算法能有效地从CT图像中自动提取肺部区域。     

基于快速区域卷积神经网络对于胸部数字X线摄影图像异物的自动检测

目的 探讨快速区域卷积神经网络(Faster RCNN)在胸部数字X线摄影(DR)图像异物位置和类型自动检测中的应用价值.方法 对960张胸部DR图像进行Faster RCNN训练、验证及测试,按3∶1∶1的比例随机划分数据集为训练集(576张)、验证集(192张)和测试集(192张).使用开源分割工具ImageJ对左...     

基于深度学习MR体部脂肪组织的自动分割和定量测量研究

【摘要】目的:研究应用基于深度学习的3D-Unet网络模型在MRI图像中分割体部脂肪组织并生成定量结果的可行性。方法:回顾性搜集2020年4月1日-8月5日本院体部MR（包含GRE DIXON序列脂像）中符合入组标准的扫描病例用于模型训练。共搜集53例患者67个数据,包括胸部、腹部、盆腔图像各17、26、24例。由2名影像医生行图像标注,先以阈值分割方法将图像二值化,将脂肪组织分为皮下、肌骨、内脏3个区域,手工标注皮下脂肪、内脏脂肪得到标签。训练3D U-Net模型时将67个数据随机分为训练集（n=52）、调优集（n=6）和测试集（n=9）用于模型建立与评估。通过Dice系数、影像科医师评分来评价分割结果。根据分割结果生成脂肪体积、平均脂肪体积、脂肪比例、体部平均径线等结果,自动导入到结构化报告中。应用Wilcoxon配对检验、Pearson相关性分析、Bland-Altman分析、组内相关系数（ICC）将医师手工标注结果与模型输出结果比较。结果：内脏/皮下脂肪组织在模型训练集、调优集、测试集Dice系数分别为0.89/0.94;0.89/0.95和0.90/0.95。模型预测及手工标注内脏/皮下脂肪组织输出图像主观评分无统计学差异（P＞0.05）。各部位模型预测结果生成脂肪体积、平均脂肪体积、脂肪比例、体部径线与医生手工标注结果之间的Pearson系数为0.968-1,ICC值为0.982-1,Bland-Altman分析显示良好的一致性。结论：MR图像基于深度学习行体部脂肪组织自动分割和定量测量可在技术上实现并有可能进一步研究此模型的临床应用价值。     

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...