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...     

U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析

【摘要】目的：训练U-Net深度学习模型对乳腺动态增强磁共振图像（DCE-MRI）上乳腺肿块进行自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能。方法：回顾性分析2015年2月1日－2016年12月31日本院所有乳腺MR影像和报告资料,将已取得活检但尚未治疗的88例连续乳腺癌患者的数据纳入本研究。将入组病例随机分为训练集（train set,70例）、调优集（validation set,9例）和测试集（test set,9例）。完成MR图像数据格式转换后,由两位放射科医师在每例患者的MR图像上标注双侧乳腺,并标注1个最大且经病理证实的肿块。训练集中采用U-Net分割模型在DCE-MRI图像上分割乳腺轮廓,并序贯分割其中明显强化的肿块灶。客观评价：以测试集中肿块的Dice相似性系数（Dice similarity coefficient,DSC）值评价肿块分割效果。主观评价：由2位乳腺影像诊断专家对模型预测病灶的准确性进行评估,分析假阳性病灶的性质和特征。由U-net模型输出的分割肿块的三维径线、体积和定位信息,自动填写到乳腺BI-RADS结构化报告中,并与既往影像报告中医师人工测量的结果进行比较。结果：在测试集中专家标注了9个病灶,模型检出了其中7个病灶,敏感度为77.8%（7/9）;2个未预测出的病灶,1个肿瘤主体部分有明显坏死,另1个为背景显著强化。在测试集中模型预测出了16个“假阳性”区域,其中10个为腺体内多发小的强化灶,4个为乳腺癌周围子灶,2个为强化的乳头和血管等。软件自动测量肿块的三维径线和医师手工测量乳腺病灶径线一致性高。模型分割肿块的平均DSC值为0.85。结论：U-Net深度学习模型可用于乳腺DCE-MRI图像上有明显强化病灶的分割和径线测量,有必要行大样本研究以论证和实现其临床应用。     

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。     

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。     

基于U-Net实现前列腺MR图像上腺体的自动分割和径线测量：临床植入验证研究

【摘要】目的：评估基于U形全卷积神经网络（U-Net）对MR图像上前列腺的自动分割和径线测量的准确性,探索其植入临床工作流程的可行性。方法：回顾性分析2018年10月7日－2019年4月28日连续前列腺MR检查病例的临床和MRI资料,排除前列腺癌治疗后、因前列腺增生行经尿道前列腺切除术后和数据导出失败者,最终纳入129例的MRI数据进行分析。使用前列腺U-Net分割模型在T2WI上自动分割前列腺轮廓后,以最小体积包围盒的算法规则,测量前列腺的左右、前后和上下径。将实际临床工作中使用的前列腺MR结构式报告内医师测量的前列腺径线数据作为金标准,用配对样本t检验和Bland-Altman散点图比较分析软件自动测量和医师手工测量的前列腺径线结果。结果：U-Net分割和径线测量结果可自动地填写到结构式报告中。运用Bland-Altman 散点图分析显示两种测量方法得到的前列腺各径线的一致性高,仅4.65%的数据位于95%置信区间之外。对于前列腺左右径,软件自动测量和医师手工测量结果之间的差异无统计学意义(t=－0.637,P＞0.05),而于前列腺前后径和上下径,两种测量结果之间的差异均有统计学意义（t=12.248,P＜0.05;t=－2.172,P＜0.05）。结论：基于U-Net的前列腺分割和径线自动测量模型植入临床工作流程是可行的,其测量结果的准确性符合临床需求。     

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3D T1WI序列的影像组学模型对儿童FCD/MCD的预测

【摘要】目的：探索基于3D T1WI序列的影像组学模型对儿童局灶性皮质发育不良（FCD）和皮质发育畸形（MCD）病灶的预测效能。方法：回顾性搜集2015年3月至2020年8月难治性癫痫患者术前MR影像和临床数据。共获得46位患者的图像用于影像组学模型训练,男28例,女18例,平均年龄7.2岁,手术病理结果为FCD的39例（39/46）,MCD 7例（7/46）;其中FCD Ⅰa 2（2/46）,FCD Ⅰb 4（4/46）,FCD Ⅱa 11（11/46）,FCD Ⅱb13（13/46）,FCD Ⅲa 1（1/46）,未分型的FCD8例（8/46）。在3D T1WI图像上由两位影像科医生结合手术病理记录标注FCD/MCD区域作为正样本,并在同一病例大脑半球对侧对称性区域标注对照区域作为负样本。将数据按7:3的比例随机分为训练集和测试集。通过特征提取、特征降维、特征选择、分类器训练等过程,训练影像组学模型。以受试者工作特征曲线（ROC）评价模型效能。结果：46个FCD/MCD病灶的三维径线为3.2cm（95%CI：2.9~3.4）、4.1cm（95%CI：3.8~4.4）和5.9cm（95%CI：5.3~6.5）,46个对照病灶的三维径线为4.2cm（95%CI：3.5~4.7）、4.9cm（95%CI：4.2~5.5）和6.6cm（95%CI：5.8~7.3）,两两比较差异均无统计学意义（P>0.05）。46个FCD/MCD病灶的体积为17.9cm3（95%CI：14.4~21.3）,46个对照病灶的体积为18.8cm3（95%CI：14.5~23.2）,差异无统计学意义（P>0.05）。训练集AUC为0.997,测试集AUC为0.851。结论：基于3D T1WI图像的影像组学模型对儿童FCD/MCD预测有一定的准确性,有必要进一步研究。     

基于深度学习的多模态影像脑胶质母细胞瘤放疗靶区的自动勾画研究

目的 通过建立深度学习模型,探索多模态影像对脑胶质母细胞瘤放疗靶区自动勾画效果的影响。方法 收集30例脑胶质母细胞瘤患者的电子计算机断层扫描(CT)序列和磁共振成像(MRI)的对比增强T1加权序列(T1C)以及T2液体衰减反转恢复序列(T2-FLAIR),对每例病例的原发肿瘤靶区(GTV)及其对应的临床靶区1(CTV1)和临床靶区2(CTV2)根据RTOG标准进行人工勾画,并设计4种不同的数据集:CT数据集(仅含30例CT序列的单模态数据)、CT-T1C数据集(包含30例CT序列和T1C序列的双模态数据)、CT-T2-FLAIR数据集(包含30例CT序列和T2-FLAIR序列的双模态数据)和CT-MRIs数据集(包含30例CT序列、T1C序列和T2-FLAIR序列的三模态数据)。使用每种数据集中的25例对改进后的3D U-Net进行训练,并用剩余5例进行测试。评价测试样本中GTV、CTV1和CTV2的自动勾画效果,定量评估指标包括Dice相似系数(DSC),95% Hausdorff距离(HD95)和相对体积误差(RVE)。结果 该3D U-Net模型在多模态影像CT-MRIs上获得最好的GTV自动分割结果,与在单模态影像CT的自动分割结果相比(DSC: 0.94 vs. 0.79, HD95: 2.09 mm vs. 12.33 mm and RVE: 1.16% vs. 20.14%),DSC(t=3.78,P<0.05)和HD95 (t=4.07, P<0.05)的差异有统计学意义;在多模态影像CT-MRIs的CTV1和CTV2自动分割结果(DSC: 0.90 vs. 0.91, HD95: 3.78 mm vs. 2.41 mm, RVE: 3.61% vs. 5.35%)也均有较好的一致性,但与单模态影像CT的自动分割结果相比,两个靶区的DSC和HD95的差异均无统计学意义(P>0.05)。该模型对于GTV的上下界和CTV2临近的重要器官(如脑干和眼球)的自动勾画有一定的局限性。结论 基于改进后的3D U-Net在多模态影像数据集CT-MRIs上对脑胶质母细胞瘤放疗靶区具有更好的分割效果,显示出较好的临床应用价值。     

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。     

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。     

基于深度学习探索3D MRU尿路分割的初步研究

【摘要】目的：探索基于深度学习在三维磁共振尿路成像（3D MRU）图像上分割尿路的可行性。方法：回顾性收集2021年1月1日-2021年4月30日本院包含“MRU”检查项目的图像,共219例数据纳入本研究。由2名影像医生手工勾画双侧肾盂-肾盏、输尿管及膀胱区域,将219例数据随机分为训练集（175例）、调优集（22例）和测试集（22例）训练3D U-net分割模型。统计Dice相似性系数（DSC）和霍夫曼距离（HD）用于自动分割的客观评价,由2名影像医生主观评价模型自动分割勾画并应用组内相关系数（ICC）评估主观评分的一致性。结果：MRU分割模型的测试集共22个数据,DSC值均达到0.70及以上,右侧输尿管、左侧输尿管、左侧肾盂-肾盏、右侧肾盂-肾盏及膀胱的分割结果DSC值分别为0.81、0.70、0.85、0.95、0.98,HD值分别为（43.01±41.24）mm、（65.1±66.80）mm、（37.8±52.48）mm、（52.08±69.88）mm、（10.06±20.76）mm。2位影像医生对测试集的主观评分总分为29.00±1.68、28.68±1.63,ICC值为0.95（95%CI：0.89～0.98）。结论：基于深度学习的3D MRU尿路自动分割勾画在临床具备可行性,可为后续MRU的定位、定量及定性诊断提供基础。     

基于深度学习模型对MRI乳腺强化病灶形态分类的初步研究

目的 探索基于深度学习对MRI图像上乳腺强化病灶形态分类的可行性。资料与方法 连续性收集并回顾分析2013年1月—2016年10月北京大学第一医院行双侧乳腺MR动态增强的290例患者的资料,使用既往研发的3D分割模型分割出乳腺中异常强化区域,由2位影像诊断医师根据第5版乳腺影像报告和数据系统病变分型（肿块、非肿块样强化）对375个图像进行分类。将上述数据按8∶1∶1随机分为训练集（n=297）、调优集（n=39）和测试集（n=39）,使用Auto VGG网络训练分类预测模型,以测试集的混淆矩阵评价模型的效能。结果 2位影像医师对于乳腺病灶肿块与非肿块划分的初始一致性为0.917(344/375)。测试集39个数据中,26个为肿块,13个为非肿块样强化。肿块及非肿块样强化病例的三维径线（左右、前后、上下）及体积差异均无统计学意义（P均>0.05）。测试集39个数据的预测准确率为0.87,敏感度为0.96,特异度为0.69,精确度为0.86,F1评分为0.91。结论 使用深度学习方法进行乳腺MRI图像上强化病灶形态分类是可行的,有望在临床工作中应用。     

基于深度学习的磁共振胆胰管成像图像肝外胆管及结石的自动分割：初步研究

目的 探索使用深度学习方法在磁共振胆胰管成像（MRCP）图像上分割肝外胆管和检出结石的可行性。资料与方法回顾性收集2019年7月5日—2020年6月30日于北京大学第一医院就诊的225例患者共230人次3D MRCP检查图像数据纳入胆管分割研究;并补充2020年7月1日—2021年2月27日通过经内镜逆行胆胰管成像或临床综合诊断证实的胆总管结石患者数据,最终合计73例存在胆总管结石患者3D MRCP检查图像纳入胆管结石分割研究。由2位影像科专家标注数据,得到267个肝外胆管和98个胆总管结石区域的标签。使用Unet3D网络分两步（coarse-fine）训练胆总管分割模型,将267个数据随机分为训练集213个、调优集27个和测试集27个。以胆总管标签为掩膜（mask）,进一步训练胆总管结石的分割模型,将98个数据随机分为训练集80个、调优集9个和测试集9个。使用客观评价指标为测试集的Dice系数,并输出标注区域与模型预测区域的径线、体积等进行比较。主观评价指标包括肝外胆管分割评分、肝外胆管轴位T2WI匹配评分和结石分割评分。结果 肝外胆管分割模型的测试集共27个数据,第一步（coars...     

应用深度学习进行基于前列腺癌转移报告和数据系统指南的晚期前列腺癌盆腔外脏器及转移灶分割

目的 探讨应用深度学习进行基于前列腺癌转移报告和数据系统指南的晚期前列腺癌患者盆腔外脏器及转移灶分割的可行性。资料与方法 回顾性收集北京大学第一医院2017年1月—2022年1月不同扫描部位（头部、颈部、胸部、腹部）的经临床综合诊断存在转移灶的数据集（头部、颈部、胸部及腹部转移患者分别为68、91、57、263例）,用于进行扫描范围的分类模型及不同区域脏器和转移灶的分割模型训练。另收集90例经病理证实为前列腺癌且行全身MRI患者用于模型的外部验证。以手工标注的区域（脑实质、颈椎、肺实质、纵隔、胸椎、肝、腰椎）及转移灶标签为“金标准”,评估模型的分割性能。评价指标包括Dice相似系数（DSC）、体积相似度（VS）。结果 在外部验证数据集中,分类模型在头部、颈部、胸部和腹部的符合率分别为100%(90/90)、98.89%(89/90)、96.67%(87/90)和94.44%(85/90);分割模型对不同区域脏器分割的DSC、VS范围分别为（0.86±0.10）～(0.99±0.01)、（0.89±0.10）～(0.99±0.01);分割模型对不同转移灶分割的DSC、VS范围分别为（0....     

基于CT影像组学模型术前预测喉癌淋巴结转移

【摘要】目的：研究CT影像组学在术前预测喉癌患者淋巴结转移中的价值。方法：搜集本院304例经手术病理证实为喉癌患者的影像学资料,随机选择243例及61例分别作为训练集和验证集。从术前静脉期CT图像中手工勾画肿瘤体积并提取影像组学特征。在训练集中,采用LASSO回归进行特征筛选,使用Logistic回归分别构建影像组学模型、形态学模型及二者联合模型。利用受试者工作特征（ROC）曲线评价各个模型的预测效能,并对模型的ROC曲线行Delong检验。在验证集中评估各种模型的诊断效能。结果：最后获得5个影像组学特征。在训练集中,影像组学模型ROC曲线下面积（AUC）为0.85（95%CI：0.77~0.93）,形态学模型AUC为0.66（95%CI：0.59~0.72）,联合模型AUC为0.82（95%CI：0.74~0.91）;在验证集中,影像组学模型AUC为0.83（95%CI：0.69~0.97）,形态学模型AUC为0.59（95%CI：0.40~0.77）,联合模型AUC为0.73（95%CI：0.56~0.91）。Delong检验显示影像组学模型与形态学模型差异、联合模型与形态学模型差异均有统计学意义（P＜0.05）,而联合模型与影像组模型差异无统计学意义（P＞0.05）。结论：基于病灶为兴趣区的CT影像组学模型可以术前较好地预测喉癌淋巴结转移,其诊断效能高于形态学模型。     

AI对非门控胸部LDCT平扫冠状动脉钙化积分危险分层的预测价值

目的 探讨人工智能（AI）在非门控胸部低剂量CT（LDCT）平扫冠状动脉钙化积分（CACS）危险分层中的预测价值。 方法 回顾性收集接受冠状动脉CT血管成像（CCTA）检查及非门控LDCT平扫的病人152例（训练集与测试集比例为2∶1）,训练集为上海长征医院收集的102例病人;测试集为武汉同济医院收集的50例病人。分别由AI模型和2名中年资影像医师在所有病人影像上勾画钙化,获得CACS后进行CACS危险分层（低危、中危和高危）,使用手动标注非门控LDCT的训练集数据,构建非门控LDCT的CACS及其危险度分层的AI模型。将测试集数据导入AI模型进行验证,与心电门控CT平扫获得的标准CACS及其危险分层进行对比分析,分别记录放射科医师手动评估及AI模型自动评估测试集CACS所需时间。采用分类准确度、组内相关系数（ICC）、Kappa检验和Bland-Altman一致性分析评估AI模型的性能,并采用Wilcoxon符号秩检验比较AI模型与标准CACS危险分层间的差异。采用配对t 检验比较AI、影像医师评估CACS危险分层所需时间。 结果 在训练集和测试集中,标准CACS的中位数分别为165.89（36.04,425.76）、96.50（25.75,346.75）,AI模型测得CACS的中位数分别为167.07（43.17,449.11）、75.51（24.30,250.74）,两者一致性均较好[ICC分别为0.977（0.965, 0.984）、0.989（0.980, 0.994）]。在测试集中进行Bland-Altman一致性分析,结果显示AI模型评估的CACS与标准CACS差值在95%一致性界限内的病例有48例,界限外的只有2例。在训练集和测试集中,AI模型预测的CACS危险度分层与标准CACS危险度分层的一致性均较好（κ值分别为0.895、0.899,均P<0.001）。AI模型预测训练集CACS危险分层的分类准确度为97.1%,其中对高危、中危、低危的分类准确度分别为96.9%、95.1%、100%。AI模型预测测试集CACS危险分层的分类准确度为94.0%,其中对高危、中危、低危的分类准确度分别为100.00%、82.40%、100.00%。AI模型预测测试集CACS危险分层与标准CACS危险分层的差异无统计学意义（Z=2.00,P=0.564）。采用AI模型评估不同CACS危险分层所需时间均较放射科医师少（P<0.001）。 结论 AI模型能够较为准确地评估LDCT平扫的CACS及其危险分层,明显提高工作效率,具有一定的临床应用价值。     

肺磨玻璃结节多层CT自动体积和密度测量的可重复性研究

目的利用多层CT对肺磨玻璃结节(ground-glass nodule,GGN)自动体积、密度测量的可重复性进行研究,为该技术的进一步临床应用提供参考。方法对35名患者共计46个直径5～20mm持续存在的GGN进行重复2次多层CT扫描,第二次扫描范围仅覆盖结节附近区域。利用商用软件自动计算GGN体积和密度,选择对测量结果进行一致性分析,统计学方法采用Bland-Altman方法。结果两组数据GGN自动体积和密度测量均成功且结节分割比较完美的占78.3%(36/46),体积测量值95%一致性界限为0.984(0.802,1.167),密度测量值95%一致性界限为0.996(0.946,1.046)。结论对于大多数GGN自动体积、密度测量的可重复性很好,体积增加27%、密度增加7%可以确认GGN的生长。     

进展期胃癌生存预测：基于增强CT深度学习模型的构建

【摘要】目的：探讨基于术前增强CT构建的深度学习（DL）模型对进展期胃癌（AGC）1、2、3年生存概率的预测价值。方法：回顾性分析2013年1月－2015年12月在本院经病理证实为AGC的337例患者的临床和CT资料。按照7:3的比例将患者随机分为训练集（n=237）和验证集（n=100）。采用数据增强技术增加训练集的数据量,随后基于术前CT增强静脉期图像构建残差卷积神经网络结构的DL模型,预测AGC患者1、2、3年的生存概率。经Cox单因素及多因素分析构建临床模型,然后联合DL模型和临床模型构建综合模型并绘制其诺莫图。计算各模型的Harrel一致性指数（C-index）和风险比（HR）,并应用Kaplan-Meier曲线、校准曲线及临床决策曲线比较3种模型对OS的预测效能。结果：在训练集和验证集中,临床模型、DL模型和综合模型的C-index值分别为0.70（95%CI：0.65~0.75）、0.72（95%CI：0.67~0.76）、0.74（95%CI：0.69~0.78）和0.64（95%CI：0.56~0.71）、0.66（95%CI：0.58~0.73）、0.67（95%CI：0.59~0.74）,表明综合模型具有最优的生存期预测能力;三个模型的HR分别为2.72（95%CI：2.06~4.02）、2.88（95%CI：1.89~4.39）、2.72（95%CI：2.13~3.49）和2.11（95%CI：1.43~3.11）、4.32（95%CI：1.66~11.24）、1.89（95%CI：1.36~2.60）,均以DL模型的HR最高,表明DL模型预测的高危人群具有更高的死亡风险。校准曲线分析显示基于综合模型的诺莫图预测AGC患者1、2、3年生存概率与实际的预后随访结果具有较高的一致性。临床决策曲线显示综合模型的净收益优于其它2种模型。结论：基于CT增强静脉期图像利用残差卷积神经网络构建的DL模型是一种良好的AGC患者生存风险评估模型,对AGC患者生存期的早期预判具有较高的临床应用价值。