基于胸部X线片的深度迁移学习模型早期诊断儿童肺炎支原体肺炎

【摘要】目的：探讨基于VGG19的深度迁移学习模型在儿童胸部X线片（胸片）早期诊断肺炎支原体肺炎（MPP）中的价值。方法：搜集常州市第二人民医院儿科就诊的患儿3763例,其临床及影像资料齐全。将患儿胸片分成细菌性肺炎组、MPP组和病毒性肺炎组,并按照9:1随机分为训练集和测试集。另外选择150例患儿胸片作为验证集（细菌性肺炎、MPP和病毒性肺炎各50例）。模型性能评价指标包括在训练集和测试集中的准确率（Ac）及在验证集中的精确度（Pr）、召回率（Rc）、F1评分（F1）和ROC曲线下面积（AUC）。结果：VGG19在训练集和测试集中的最高Ac分别为0.99和0.95。细菌性肺炎组的Pr、Rc、F1、AUC分别为0.87、0.82、0.85、0.92,MPP组分别为0.85、0.74、0.78、0.90,病毒性肺炎组分别为0.76、0.88、0.81、0.93。VGG19对三组图像分类诊断的总体AUC为0.92。结论：基于VGG19的深度迁移学习模型是儿童胸部X线片诊断MPP的可靠方法,能够帮助临床早期诊断MPP。     

基于深度学习的胸部X线肺结核检测研究及多中心临床验证

【摘要】目的：构建基于深度学习的胸部X线肺结核检测模型并通过多中心研究验证其效能及临床价值。方法：回顾性搜集2600例来自3个中心的胸部X线图像并随机分为训练集、验证集和测试集,构建基于RetinaNet架构的肺结核深度学习检测模型,并在ChinaSet和MontgomerySet胸部X线公开数据集以及来自深圳三院的外部临床测试集上对深度学习模型的鲁棒性进行外部测试。采用受试者工作特征曲线（receiver operator characteristic curve,ROC）评估模型效能。同时通过临床检测评估深度学习模型的重复性和再现性。结果：深度学习模型在内部测试集的ROC曲线下面积（AUC）为0.967,在ChinaSet、MontgomerySet和深圳三院外部测试集的AUC分别为0.95、0.93和0.976,具有较高的准确性和良好的鲁棒性。临床一致性评估证实了模型的重复性和再现性。结论：深度学习模型具备良好的效能,可以作为胸部X线影像结核病检测工具用于临床决策支持。     

基于深度学习模型对乳腺X线摄影中乳房密度分类的初步研究

【摘要】目的：探索基于深度学习对乳腺X线密度（MD）进行分类的可行性。方法：回顾性分析2018年9月-12月本院行双侧乳腺X线摄影检查的305例连续资料,共1220个图像数据。由两位影像诊断医师挑选其中合格的数据分别进行乳腺密度的分类训练。由两位医师根据第5版乳腺影像报告和数据系统（BI-RADS）中X线MD分型（a、b、c、d）标准对1220个图像进行分类。将上述随机分训练集（train set,n=966）、调优集（validation set,n=128）和测试集（test set,n=126）,采用AutoVGG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。在模型预测的四分类基础上,将MD进行二分类,即：非致密组（a型和b型）和致密组（c型和d型）,评价模型二分类预测的效能。结果：测试集的126个数据的预测符合率为0.83,a、b、c、d各型预测符合率分别为0.88、0.78、0.80和0.76。将MD分为致密组和非致密组时,非致密组精确度（precision）为0.90,召回率（recall）为0.74,F1值为0.81;致密组精确度为0.86,召回率为0.84,F1值为0.85。结论：采用深度学习方法进行乳腺X线摄影MD二分类是可行的,有望在临床工作中应用。     

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...     

基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能

目的:将14种常用的机器学习分类模型应用于新型冠状病毒肺炎(COVID-19)与社区获得性肺炎(CAP)的鉴别诊断,探讨能为COVID-19的早期诊断提供最优效能的机器学习分类模型。方法:搜集经临床确诊的86例COVID-19患者和100例CAP患者的胸部CT图像,利用影像组学方法提取病变区域的纹理特征,使用14种机器学习分类模型构建放射组学特征,通过ROC曲线下面积(AUC)评估模型的诊断效能,AUC最高者的效能最优。结果:14种分类模型的AUC均大于0.9,随机森林(Random Forest)模型的AUC最高(0.9406),高斯贝叶斯(Gaussian NB)模型的AUC最低(0.9037)。结论:14种机器学习分类模型均可有效鉴别COVID-19与CAP,均具有较高的鉴别诊断效能(AUC值均>0.9),效能最高的模型是Random Forest(AUC=0.9406),能够在早期诊断COVID-19方面发挥优势。     

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CT双期增强图像的深度迁移学习模型对甲状腺良恶性结节的分类研究

目的:评价基于CT双期增强图像的不同深度迁移学习(DTL)模型对甲状腺良恶性结节的分类效能.方法:采用相同程序架构和相同数据集对3种DTL模型(VGG19、ResNet50和DenseNet201)的分类诊断效能进行测试和评估.以不同模型在训练集和测试集中的最高预测符合率和在验证集中的符合率、召回率、F1评分和受试者工...     

COVID-19胸部CT结构化报告临床应用价值评价

【摘要】目的：探究新型冠状病毒肺炎（COVID-19）胸部CT结构化报告临床诊断应用价值。方法：回顾性分析310例疑似COVID-19患者胸部CT及临床资料。根据纳入标准最终共纳入253例患者,阳性组203名,阴性组50名。对胸部CT进行诊断分型,并记录CT征象。以模式1（CT诊断分型）、模式2（CT诊断分型+CT征象）、模式3（CT诊断分型+基本信息+流行病学史+临床及实验室检查）三种模式进行二元逻辑回归分析,采用ROC曲线及曲线下面积（AUC）评价三种模型诊断准确性。结果：逻辑回归分析显示三种模式诊断敏感度分别为95.6%、96.0%和95.2%,特异度分别为34.0%、48.9%和32.7%,符合率分别为83.4%、87.0%、82.2%,AUC为0.768、0.895和0.812。结论：COVID-19胸部CT结构化报告能较为准确地诊断COVID-19肺炎,敏感度较高,但缺乏特异度,结合CT征象可进一步提高诊断准确性,特别是提高诊断特异度。     

基于深度学习算法的增强CT检查后对比剂肾病预测模型研究

【摘要】目的：利用深度学习算法对增强CT检查后发生对比剂肾病（CIN）的风险因素进行分析，并构建CIN的预测模型。方法：从RIS系统中回顾性搜集增强CT检查并建立CIN数据库。检索数据库资料，导出基本信息、基础病史、对比剂注射信息共计18项指标，对患者资料进行筛选、预处理后，建立二分类模型研究队列。经数据处理后利用深度学习方法在整理好的CIN数据集上进行开发和训练。结果：CIN二分类模型对测试集数据预测结果显示CIN阴性分类的精确度、召回率和F1-分数分别为0.982、0.752和0.852，CIN阳性分类的精确度、召回率和F1-分数分别为0.229、0.842和0.359。该模型ROC曲线下面积均为0.89。结论：本研究使用深度学习算法构建了CIN的预测模型，模型对CIN阳性的患者有较高敏感性，但是特异性有待提高。     

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...     

基于深度残差网络研发辅助诊断软件用于X线胸片分类诊断

【摘要】目的:研究以深度残差网络（ResNet）为基础架构建立深度学习模型,对X线胸片(CXR )做出“有发现”与“无发现”鉴别诊断的可行性。方法:回顾性收集2017年1月1日至2018年7月1日的连续CXR图像及诊断报告,经过数据清洗后分为“无发现”组（无任何异常发现,诊断印象为“两肺心膈未见异常”,共9765例）与“有发现”组（诊断印象中提及了一种以上影像所见,共9956例）。使用ResNet152（152 layers）作为二分类模型的基础架构,结合Grad-CAM技术生成模型激活热图,训练二分类模型。数据随机分为训练集（70%）、调优集（20%）和测试集（10%）。以测试集的预测结果检测CXR二分类模型的效能。结果:在测试集中（“有发现”者1018例,“无发现”者995例）,CXR二分类模型鉴别“有发现”与“无发现”的精确度分别为0.885和0.894,召回率分别为0.898和0.880,F1-分数分别为0.891和0.887,ROC曲线下面积均为0.96。 结论:使用CXR二分类模型可对X线胸片做出“无发现”与“有发现”的预测。     

基于多示例学习的钼靶图像BI-RADS分类方法

目的：基于深度学习的乳腺X线图像分类模型对于所得出的决策无法给出诊断依据。本文旨在保证模型分类精度的同时，改善模型的可解释性。方法：基于多示例学习，提出一种弱监督病灶分类和定位方法，以应用于乳腺X线图像的乳腺影像报告和数据系统（BI-RADS）分级任务。为了解决传统多示例学习只能应用于二元分类任务的问题，本文利用了BI-RADS分类的有序性，引入了新的样本标签、训练方法和输出判断方法。结果：公开数据集INbreast上的实验结果表明，在使用相同的特征提取网络下，所提出的方法在分类准确性上相较传统方法提升了2.91%。模型在病灶检出上的准确率达到83.49%，真阳性率达到75.87%，具有一定的病灶定位能力。结论：在不借助病灶轮廓数据或是位置数据进行训练的情况下，所提出的深度学习模型可以展示出每一个可能存在的病变区域及其BI-RADS分类，具有较好的应用场景。     

图像重叠技术在后颅凹病变诊断中的应用价值

目的：探讨图像重叠技术在后颅凹病变诊断中的应用价值。方法：对27例后颅凹病变患考采用10mm、6mm和3mm扫描并使用图像重叠技术重建这三种不同的扫描方式进行扫描，并对图像质量和诊断准确率、假阳性率、假阴性率进行比较。结果：采用图像重叠技术处理的后颅凹CT图像明显高于普通10mm或6mm扫描时的图像质量。其诊断准确率分别为77．8％、85．2％和96．3％；假阳性率分别为14．8％、11．1％和3．7％；假阴性率分别为7．4％、3．75％和0。结论：图像重叠技术对提高后颅凹疾病的诊断准确率，避免漏诊和误诊有着重要的应用价值。     

基于深度学习模型的X线胸片去骨的初步研究

【摘要】目的：探讨基于深度学习方法对X线胸片（CXR）进行去骨处理的可行性。方法：总样本数据集由开源数据集和自采数据集两部分组成,共300个图像对,每对图像包括一个常规CXR和一个去骨后的CXR,其中开源数据集（JSRT+BSE JSRT）241对,自采数据集（双能减影胸部X光片）59对。使用深度残差网络（ResNet）作为去骨模型的基础架构,结合动态U-Net网络,并以Imagenet预训练VGG（Visual Geometry Group）网络,提取图像激活及风格特征组成损失函数,来训练去骨模型。将总样本数据随机分为训练集（80%）、调优集（5%）和测试集（15%）。以测试集的峰值信噪比（PSNR）和结构相似性 （SSIM）结果作为CXR去骨模型的评价指标。结果：在测试集中,CXR去骨模型的PSNR（dB）和SSIM分别为31.94±2.49和93.37%±5.11%。根据PSNR值分析,88.89%的模型去骨后图像的质量较好,根据SSIM值分析,86.67%的模型去骨后图像与目标图像的结构相似性达到88%以上。结论:深度学习模型对X线胸片图像的去骨处理是可行的,可用于进一步研究并尝试应用于临床。     

基于监督学习半自动检测鲜红斑痣病灶的方法

目的:鲜红斑痣的诊断分级对于临床医师的治疗方案有很重要的参考意义,本文研究一种基于监督学习的半自动皮肤病灶检测方法,拟为临床精准可靠的辅助诊断提供依据。方法:本研究选取临床鲜红斑痣患者50例的历史照片,对其进行初步筛选,保留100张图像作为算法训练和测试的数据集。其中50张用于训练,50张用于测试,并在临床医师的指导下手动勾画了金标准图像。本文提出的方法主要包括:(1)数据集进行预处理。主要包括感兴趣区域的提取和图像去噪;(2)数据集提取颜色特征,将图像中每个像素在RGB、HSV和Lab三个色彩空间中的每个通道的像素值作为其颜色特征,并对其进行归一化;(3)用Adaboost分类器进行训练学习,得到粗分割的分类模型;(4)用随机游走算法对分类后的结果进行后处理,得到最终的二值化分割结果。结果:50张测试图像对提出的算法进行测试,平均准确率为90%。结论:本文提出的方法可以作为一种检测鲜红斑痣病灶的方法,可用于临床的辅助诊断。     

胸部CT特征预测普通型新型冠状病毒肺炎患者转归的价值

【摘要】目的:探讨胸部CT特征评估普通型新型冠状病毒肺炎（COVID-19）患者转归情况的价值。方法：搜集入院时为普通型COVID-19的患者158例,根据入院后2~7天内是否发展为重症肺炎分为普通型组和转重症组;记录其临床资料、血清学指标以及胸部CT表现。利用多因素Logistic回归筛选普通型COVID-19转重症肺炎的独立影响因素。利用列线图预测普通型COVID-19患者的预后。结果：淋巴细胞计数减少（P=0.032）、病灶累及右肺中叶（P=0.020）、病灶累及肺叶数（P=0.021）以及病灶占整肺体积百分比（P=0.013）是影响普通型COVID-19转重症的独立影响因素。列线图模型拟合度为0.85,提示模型预测结果与实际一致性较好。结论：胸部CT的特征表现对普通型COVID-19患者临床分型的转变具有较好的预测能力,列线图可以方便地预测出每例普通型COVID-19患者转为重症肺炎的概率。     

基于深度学习成人胸部X线摄影自动分类的临床应用价值

目的 探讨深度学习胸部X线摄影片辅助诊断系统对成人X线摄影胸片征象的诊断效能及自动分类中的应用价值。方法 选取我院就诊并且行胸部X线摄影平片检查的763例患者。采用Dr.Wise胸部X线摄影片辅助诊断系统检测疾病征象并自动分类胸片优先级，包括正常、可疑异常和危急分类。将诊断报告结果作为标准，测试人工智能辅助诊断系统检测正常胸片、一般异常、危急征象的诊断效能，包括敏感度、特异度、准确率。将诊断报告结果与辅助诊断系统结果相比较，并采用Kappa检验计算两者的诊断一致性。计算使用AI辅助诊断系统后，危急征象胸片的诊断时间。结果 763例患者中按照诊断标准，三个分类分别为：正常280例，一般异常374例，危急征象109例。统计正常胸片的诊断效能：敏感度94.6%,特异度95.7%,准确率95.3%;一般异常胸片的诊断效能：敏感度为84.8%,特异度为83.0%,准确率为84.0%;危急胸片的诊断效能：敏感度为91.7%,特异度为96.8%,准确率96.1%。辅助诊断系统与影像诊断对于正常、危急的诊断一致性较高，kappa值约0.749、0.735(P<0.01)。原报告平均时间约为(55...     

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。     

人工智能辅助影像学在新型冠状病毒肺炎诊治中的研究进展

目前新型冠状病毒肺炎（COVID-19）疫情仍在全球大流行,影像学检查可对疑似患者进行筛查、诊断、疗效评价及预后判断,并有利于科学地抗击疫情。人工智能（AI）技术有望克服影像学中人工阅片工作量大、主观性强、缺乏量化标准等不足,是COVID-19研究的热点之一。本文重点阐述AI辅助胸部X线和CT在COVID-19诊治中的...     

COVID-19肺炎：胸部病灶在恢复期的CT影像演变特征

【摘要】目的：探讨胸部CT影像上COVID-19肺炎患者恢复期病灶密度和范围的演变特征。方法：回顾性分析经3~6次胸部CT复查及临床均提示肺炎有好转并最终出院的68例COVID-19患者（RT-PCR或抗体阳性）的病例资料,病例年龄31~81岁,平均51.6岁。分别汇总138个不同病灶多次复查的胸部CT影像,其中包括病灶相邻两次CT复查影像290组。由两位胸部影像诊断医师（年资分别为4年及10年）针对好转病灶的密度及范围变化特点,分析病灶动态演变模式和对比病灶恢复早期（第一次显示好转的胸部CT）和恢复晚期（最后一次胸部CT）的演变情况。结果：290组好转胸部CT图像上,显示病灶的吸收好转主要有5种模式：①病灶范围基本不变伴密度明显减低者占46.1%;②病灶范围明显减小伴密度明显减低者占35.2%;③病灶范围明显减小伴密度局部减低、合并条索灶形成者占9.0%;④病灶范围基本不变伴密度局部减低合并条索灶形成8.3%;⑤病灶范围明显减小伴密度基本不变者占1.4%。138例病灶纵向研究发现,实性及混合病灶恢复早期多表现为密度明显减低（69.4%）,晚期多表现为范围缩小伴条索影形成（52.0%）;纯磨玻璃病灶恢复期主要表现为密度及范围同步递减（67.8%）。结论：COVID-19患者CT图像上病灶在恢复期的变化具有一定特点,在恢复早期和晚期不同病灶的密度及范围变化分别具有一定的规律,多数病灶密度逐渐减低是主要的特征性改变。