基于深度学习模型实现颈椎MR图像上各结构的自动分割

【摘要】目的：探讨3D U-Net模型自动分割颈椎矢状面T1WI和T2WI图像上颈椎各结构的可行性。方法：回顾性搜集拟诊为颈椎病的92例患者的矢状面T1WI和T2WI图像资料,由两位影像医师在每例患者的2个序列图像上分别人工标注颈椎各结构,包括椎体、椎间盘、硬膜囊、脊髓和椎间孔。将178个序列的图像随机分为训练集（n=138）、调优集（n=20）和测试集（n=20）。采用训练集的数据训练3D U-Net分割模型,在调优数据集中微调参数,在测试集中采用定量指标（Dice相似系数,DSC）和定性指标（主观评分）评价模型的分割效能,并比较各结构的DSC值在3组内及3组间是否存在统计学差异。结果：在测试集中3D U-Net模型分割颈椎椎体、椎间盘、硬膜囊、脊髓和椎间孔的DSC值分别为0.87±0.03、0.85±0.04、0.87±0.04、0.82±0.05和0.57±0.08,分割颈椎各解剖结构的总体DSC值为0.80±0.13。各结构的DSC值在3组内及组间均有统计学差异（P＜0.001）。主观评价显示3D U-Net模型分割颈椎各结构获得的图像均符合临床测量要求。结论：基于矢状面T1WI和T2WI序列的3D U-Net模型对颈椎各结构的分割可达到较高的准确性。     

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。     

含瘤周移行带影像组学模型预测肺腺癌病理分级

【摘要】目的：探讨含肿瘤外缘5mm移行带的影像组学模型对预测肺腺癌病理分级的诊断效能。方法：回顾性搜集173例经手术病理证实的肺腺癌患者的胸部增强CT薄层图像及临床病理资料。其中女96例,男77例;年龄33～84岁,平均（60.0±1.2）岁;病灶直径6.0～30.0mm,平均（18.0±1.6）mm;实性结节102例,亚实性结节71例;Ⅰ期134例,Ⅱ期18例,Ⅲ期21例;病理分级为1级51例,2级114例,3级8例。病理分级按最主要亚型分为1级（原位腺癌、微浸润腺癌和贴壁为主型腺癌）、2级（包括腺泡或乳头为主型腺癌）和3级（包括实性或微乳头为主型腺癌）。根据结节可见边缘（瘤内组）和自动外扩5mm（含瘤周组）对结节进行分割并使用软件自动提取影像组学特征。训练集与验证集比例为7∶3,使用随机森林构建影像组学模型,并利用混淆矩阵的准确性来评价瘤内及含瘤周影像组学模型预测肺腺癌病理分级的效能。结果：每例患者共提取病灶的385个影像组学特征,其中瘤内组中8个影像组学特征和含瘤周组中12个影像组学特征与肺腺癌的病理分级显著相关。瘤内影像组学模型及含瘤周影像组学模型预测肺腺癌病理分级的准确性在训练集为90.83% vs. 92.61 %（P＞0.05）,在验证组为90.74 % vs. 94.44 %（P＞0.05）。结论：与瘤内组影像组学模型相比,含5mm瘤周影像组学模型可略提高对肺腺癌病理分级预测的准确性。     

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。     

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。     

CT影像组学联合传统影像特征对胃肠道间质瘤Ki-67指数表达的预测价值

【摘要】目的：探讨基于增强CT的影像组学联合传统影像特征对无创性预测胃肠道间质瘤（GIST）Ki-67增殖指数（Ki-67 PI）表达的价值。方法：回顾性搜集我院2010年9月至2020年9月经手术病理确诊的原发性GIST患者的病例资料。诊断医师采用盲法独立分析增强CT图像,提取传统的影像征象。利用ITK-SNAP软件在增强CT图像上勾画病灶感兴趣区,利用AK软件提取纹理特征,将患者随机分为训练集与验证集。采用逻辑回归筛选特征参数并构建影像组学模型。再分别建立传统影像特征模型、组学模型及联合两者的组合模型。结果：传统影像特征模型的诊断效能尚可,其ROC曲线的曲线下面积（AUC）在训练集和验证集中分别为0.720（95%CI：0.651～0.788）及0.665（95%CI：0.547～0.784）。影像组学模型的诊断效能良好,其AUC在训练集中具有最优值,为0.802（95%CI：0.744～0.860）,其AUC在验证集中为0.730（95%CI：0.623～0.836）。此外,联合影像组学和传统影像特征组成的多参数组合模型在训练集中效能良好,AUC值为0.823（95%CI：0.768～0.878）,其在验证集中具有最优的诊断效能,AUC值为0.731（95%CI：0.626～0.836）。结论：基于增强CT的影像组学联合传统影像特征建立的组合模型具有无创预测GIST患者Ki-67 PI表达状态的价值。     

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。     

基于T2WI影像组学及联合诊断模型鉴别腮腺多形性腺瘤与腺淋巴瘤

【摘要】目的：探讨基于磁共振T2WI的影像组学模型对腮腺多形性腺瘤与腺淋巴瘤的鉴别诊断价值。方法：回顾性分析2015年1月－2019年11月在本院经手术病理证实且具有完整术前MR平扫图像的99例腮腺肿瘤患者的病例资料,将患者按7:3的比例随机分为2组：训练集70例,验证集29例。按照术后病理结果,将训练集和验证集均进一步分为多形性腺瘤组和腺淋巴瘤组。使用MaZda软件进行纹理分析,在每例患者T2WI上于肿瘤最大层面勾画ROI,提取310个纹理特征;采用R语言软件对纹理数据进行预处理,并采最小冗余最大相关（mRMR）算法对每例患者提取的310个纹理特征进行降维;然后采用Lasso回归分析及10折交叉验证法进一步筛选纹理特征,用以建立影像组学标签。基于建立的影像组学标签及患者的临床资料,采用多变量Logistic回归分析建立联合诊断模型。采用ROC曲线评估影像组学标签及联合诊断模型的诊断效能。采用Hosmer-Lemesow拟合优度检验分析诊断模型的拟合度。结果：通过降维、筛选后最终保留8个纹理特征,建立的影像组学标签（RS）的计算公式为RS=0.251×Vertl_GLevNonU+0.134×Skewness+0.227×S(5,5)Correlat+0.408×X45dgr_LngREmph-0.131×Teta4+0.187×WavEnHH_s.3+0.183×S(5,-5)Correlat-0.027×Teta1+0.201。在训练集和验证集中,影像组学标签鉴别腮腺多形性腺瘤与腺淋巴瘤的AUC分别为0.83（95%CI：0.73~0.93）和0.82（95%CI：0.64~1.00）。基于多变量Logistic回归分析,最终将性别、单发或多发、病灶位置及影像组学标签作为独立的影响因子纳入联合诊断模型,这4项指标的优势比（OR）分别为0.177（95%CI：0.027～0.878）、15.608（95%CI：1.090～736.275）、4.876（95%CI：3.768～10.754）和9.729（95%CI：2.644～50.430）。训练集和验证集中,联合诊断模型鉴别2类肿瘤的AUC分别为0.90（95%CI：0.83~0.97）和0.96（95%CI：0.88~1.00）,均高于影像组学标签。Hosmer-Lemesow拟合优度检验结果显示,在训练集和验证集中,模型预测值与实际值的差异均无统计学意义（χ2=9.424,P=0.308;χ2=7.565,P=0.477）。结论：基于磁共振T2WI影像组学分析联合相关临床资料构建的诊断模型在鉴别腮腺多形性腺瘤与腺淋巴瘤方面具有较高的诊断价值。     

CT影像组学模型及深度学习技术预测肺腺癌EGFR突变

【摘要】目的：探讨基于CT图像建立的影像组学模型及深度学习模型在预测肺腺癌表皮生长因子受体（EGFR）突变中的价值。方法：回顾性分析228例经手术病理证实的肺腺癌患者的CT图像,其中EGFR突变型116例,野生型112例。由两位放射科医师各自独立在CT图像上沿肺癌病灶边缘手动逐层勾画感兴趣区（ROI）获得病灶全容积ROI后提取影像组学特征。比较两位医师提取的影像组学特征的一致性,自高年资医师提取的特征中选取组内相关系数大于0.7的影像组学特征纳入研究。分别按照70%和30%的比例将所有病灶随机划分为训练集和验证集。在训练集中利用LASSO回归方法对影像组学特征进行筛选后,分别建立影像组学评分（Radscore）、随机森林（RF）和支持向量机（SVM）三种影像组学模型。此外,将训练集图像输入ResNet深度学习网络中建立深度学习模型。在验证集中对上述4个模型进行验证,计算敏感度、特异度和ROC曲线下面积（AUC）来评价不同模型的预测效能。结果：自CT图像中共提取了306个一致性良好的影像组学特征,经筛选后获得9个最佳特征用于建立影像组学模型。在验证集中,SVM模型的AUC（0.813）高于Radscore（0.761）和RF模型（0.775）,但差异无统计学意义（P=0.089和0.330）;ResNet模型的AUC为0.916,高于SVM模型（0.813）、Radscore（0.761）和RF模型（0.775）。ResNet模型与Radscore和RF模型间AUC的差异具有统计学意义（P=0.031和0.043）,与SVM模型间AUC的差异无统计学意义（P=0.106）。ResNet模型的敏感度为0.879,高于SVM模型（0.771）、Radscore（0.818）和RF模型（0.743）。ResNet模型的特异度为0.914,高于SVM模型（0.758）、Radscore（0.714）和RF模型（0.727）。结论：基于CT图像的影像组学模型能够较好地预测EGFR基因突变,深度学习技术可以有效提高模型的预测准确性。     

MRI序列以及注意力门、残差网络对U-Net脑肿瘤分割模型的影响

【摘要】目的：探讨MRI序列选择以及注意力门、残差网络对U-Net脑肿瘤分割模型准确性的影响。方法：使用BraTS 2021的脑肿瘤病例1251例,排除经裁剪后缺乏肿瘤图像特征的病例,以7:2:1的比例分为训练组、验证组和测试组,使用7种不同序列组合（所使用序列包括T1WI、T2WI、T2 FLAIR、T1增强）训练U-Net模型,使用Friedman检验和成对比较（经Bonferroni校正法调整显著性值）对比测试集的Dice系数。使用4通道图像以相同方法对比基线U-Net、注意力U-Net、残差U-Net以及注意力残差U-Net对脑肿瘤分割的准确性。结果：在分割肿瘤强化区域、核心区域时,无T1增强序列的3通道组的Dice系数显著低于其他组;在分割全肿瘤时,无T2及T2 FLAIR的2通道组的Dice系数显著低于其他组,无T2 FLAIR的3通道组显著低于剩余其他组,4通道组及无T1的3通道组显著高于其他组,余组间差异无统计学意义。4种U-Net模型仅在分割全肿瘤时存在显著差异,在进一步的成对比较中差异无统计学意义。结论：MRI序列对U-Net分割表现的影响可能与标注方式、该序列所包含的特征信息等有关。本研究中：单独剔除T1序列对U-Net模型无显著影响;与注意力门相比,残差网络可能一定程度提高了U-Net模型的分割准确度。     

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。     

基于常规MRI影像组学模型预测软组织肉瘤复发

【摘要】目的：探讨基于常规MRI的影像组学模型对预测软组织肉瘤（STS）复发的价值。方法：回顾性分析2012年1月－2021年6月在本院经手术病理证实的92例STS患者的临床和影像资料。术后每3个月进行一次影像学检查,随访时间至少12个月以上,根据随访结果有无复发或远处转移分为复发组（27例）,无复发组（65例）。采用完全随机方法将所有患者按7:3的比例分为训练集（n=65）和验证集（n=27）。使用ITK-SNAP软件,分别在T1WI和压脂T2WI上逐层沿肿瘤边缘手动勾画ROI并进行三维融合（VOI）,然后使用AK软件提取纹理特征,使用最小冗余最大相关（mRMR）和最小绝对值收敛和选择算子（LASSO）回归分析方法分别对T1WI序列、压脂T2WI序列和联合序列的纹理特征进行降维和筛选,并建立影像组学模型,根据各个组学特征的权重系数计算影像组学评分（Radscore）,运用100次留组交叉验证（LGOCV）方法来评估模型的可靠性。将临床病理、常规MRI特征与预测效能最高的影像组学模型的Radscore相结合,采用多因素logistic回归（LR）、随机森林（RF）和支持向量机（SVM）三种机器学习算法分别建立机器学习模型。采用受试者工作特征（ROC）曲线评价各模型的预测效能,应用决策曲线分析（DCA）评估模型的临床应用价值。结果：临床模型在训练集和验证集中预测STS复发的ROC曲线下面积（AUC）分别为0.71（95%CI:0.58~0.85）和0.74（95%CI:0.52~0.97）。基于T1WI、压脂T2WI和联合序列的影像组学模型在训练集中预测STS复发的AUC分别为0.81（95%CI:0.70~0.93）、0.92（95%CI:0.86~0.99）和0.91（95%CI:0.84~0.99）,在验证集中分别为0.84（95%CI:0.63~1.00）、0.92（95%CI:0.81~1.00）和0.86（95%CI:0.72~1.00）。采用机器学习算法构建的LR、RF和SVM模型在训练集中预测STS复发的AUC分别为0.93（95%CI:0.87~0.99）、0.91（95%CI:0.84~0.99）和0.77（95%CI:0.63~0.91）,在验证集中分别为0.93（95%CI:0.83~1.00）、0.86（95%CI:0.71~1.00）和0.83（95%CI:0.66~1.00）。DCA分析结果表明,压脂T2WI和联合序列的影像组学模型、以及LR和RF模型的临床受益均较好。结论：基于常规MRI序列中的压脂T2WI和联合序列构建的影像组学模型对预测STS复发具有较高的预测效能和较好的临床受益,基于不同机器学习算法构建的预测模型的预测效能并无明显提高。     

定量测量前列腺周围脂肪组织对预测前列腺癌骨转移的临床价值

目的：建立新发前列腺癌患者骨转移风险列线图预测模型,探讨前列腺周围脂肪组织（PPAT）与前列腺癌骨转移的关系。方法：纳入160例患者（骨转移组、非骨转移组各80例）,在MRI图像上定量测量耻骨联合层面腹部皮下脂肪厚度（NFSP）、耻骨联合至椎体前缘的最短直线距离（FNPF）、耻骨联合层面后背部皮下脂肪厚度（BSF）、耻骨联合至前皮下最大距离（PSSF）、耻骨联合至前列腺的最大垂直距离（MDSP）、耻骨联合上缘切线至椎体前缘的距离（PSPF）、前列腺面积（PA）、前列腺周围脂肪面积（PPFA）,分析其与前列腺癌骨转移的相关性,筛选特征属性。采用分层随机抽样的方法将160例患者按照7∶3的比例分为训练集和测试集,建立脂肪定量测量回归预测模型,并测试集进行验证。结果：MDSP、PSPF、FNPF、PPFA/PA是前列腺癌骨转移的独立危险因素（均P<0.05）。测试MDSP、PSPF、FNPF、PPFA/PA及包含上述4种特征的联合模型的诊断效能,在训练集AUC分别为0.90、0.78、0.72、0.80、0.92,在测试集AUC为0.87、0.86、0.68、0.79、0.98。结论：...     

基于STIR-MRI的影像组学模型评估原发性下肢淋巴水肿的临床分期

【摘要】目的：探讨MRI影像组学模型对原发性下肢淋巴水肿（PLEL）临床分期的评估价值。方法：回顾性搜集2018年1月－2019年12月在本院就诊的132例单侧PLEL患者的临床和影像资料。依据2020年国际淋巴协会（ISL）淋巴水肿临床分期标准,Ⅰ期45例,Ⅱ期51例,Ⅲ期36例。将STIR序列原始图像导入深睿多模态科研平台,连续选择10层肢体肿胀最严重的横轴面图像,逐层在皮下软组织区域内的水肿区手动勾画ROI,提取影像组学特征1743个。采用相关性分析及F-Test算法进行特征的筛选,然后采用logistic回归分类器分别建立Ⅰ期与Ⅱ期、Ⅱ期与Ⅲ期的分类模型,并采用ROC曲线评价模型的鉴别效能。采用决策曲线分析（DCA）评估模型的临床实用性。结果：鉴别Ⅰ期与Ⅱ期,共筛选出10个组学特征构建预测模型,其在训练集中的AUC为0.935（95%CI：0.886~0.983）,在验证集中的AUC为0.917（95%CI：0.858~0.975）。鉴别Ⅱ期与Ⅲ期,共筛选出10个组学特征用于建模,其在训练集中的AUC为0.838（95%CI：0.749~0.927）,在验证集中为0.760（95%CI：0.654~0.866）。DCA验证了影像组学模型鉴别PLEL临床分期的临床实用性。结论：基于下肢MRI建立的影像组学模型可较准确地评估PLEL的严重程度,与PLEL的临床分期一致性高。     

基于优化U-Net神经网络模型在乳腺肿瘤超声图像分割中的应用

目的 使用优化U-Net神经网络模型，探讨乳腺肿瘤超声图像分割中的效果。方法 选取乳腺肿瘤患者的超声图像216张，采用Modifi-U-Net网络模型、U-Net模型进行图像自动分割，对比两种模型的分割效果。结果 ModifiU-Net网络模型乳腺肿瘤超声图像分割的Pre为84.4%、Rec为85.3%、IoU为73.7%、F1为84.9%。各项指标与U-Net模型相比均有明显提高，分割更接近肿瘤实际区域。结论 使用优化后的U-Net神经网络模型对乳腺肿瘤超声图像的分割更加精准，有望成为乳腺肿瘤自动分割系统而广泛应用于临床。     

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。     

基于改进U-Net深度网络在定量评估腕管综合征正中神经卡压中的应用

【摘要】目的：运用改进U-Net深度网络学习定量评价腕管综合征正中神经的超声图像,确定基于改进U-Net深度网络学习的卷积神经网络模型,探讨其在定量评估腕管综合征正中神经卡压中的应用价值。方法：搜集213例经肌电图确诊的腕管综合征正中神经卡压患者及104例健康志愿者,213例正中神经卡压患者中60例为双侧卡压。对317例受检者行超声检查,在腕管处保存超声图像,共得到正中神经图像377组。由擅长肌骨超声的医师对377组图像进行勾勒。应用基于改进U-net深度网络学习的卷积神经网络模型,分割腕管综合征卡压的正中神经超声图像,定量分析提取横切以及纵切的正中神经超声图像的影像组学量化特征。结果：改进的U-Net深度网络可以很好地识别切割正中神经;改进的U-Net深度网络可以定量表示CTS中卡压的正中神经回声减低,区域明暗参数A、明暗参数I、对比明暗参数RI以及纹理参数Homo、纹理不均匀参数Cont差异均有统计学意义（P=0.000）。结论：改进的U-Net模型在超声正中神经图像自动分割方面表现良好,可以定量分析腕管综合征正中神经卡压时灰度以及神经纹理均匀性。     

基于脑梗死和脑脊液的影像组学预测急性脑卒中机械取栓术后恶性脑水肿发生的分析

目的 探讨基于急性脑卒中弥散加权成像（diffusion weighted imaging,DWI）核心梗死区及脑脊液的影像组学特征,通过机器学习构建急性脑卒中机械取栓术后恶性脑水肿发生的预测模型。方法 选取155例急性脑卒中患者的MRI图像,基于软件自动分割DWI高信号梗死区及脑脊液区,应用AK软件进行影像组学特征提取和降维,采用最小冗余最大相关特征选择方法筛选最佳影像组学特征,通过支持向量机分类器构建恶性水肿发生的预测模型。结果 经筛选后具有10个特征的子集（包含7个DWI脑梗死特征和3个脑脊液特征）获得了最高的平均AUC值,并被指定为最终的特征子集纳入模型分析。ROC分析显示训练集患者预测恶性脑水肿的AUC为0.975,敏感度、特异度和准确度分别为90.3%、69.8%、93.5%;测试集患者预测恶性脑水肿的AUC为0.893,敏感度、特异度、准确度分别为86.8%、90.3%、87.1%。结论 基于DWI脑梗死和脑脊液影像组学特征的机器学习,能够较为准确地预测急性脑卒中机械取栓术后恶性脑水肿的发生,为临床早期干预治疗提供指导。     

基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值

【摘要】目的：探讨基于术前薄层CT的三维影像组学预测亚厘米磨玻璃样肺腺癌浸润程度的临床应用价值。方法：回顾性分析华东医院2013年1月－2017年7月经病理证实的394例亚厘米肺腺癌患者（共446个结节）的术前肺部薄层CT和临床资料。选取2013年1月－2015年12月的253例患者的286个结节为验证集;2016年1月－2017年7月141例患者的160个结节为训练集。所有病例参照病理金标准分为浸润前病变和浸润性病变,且所有结节均逐层勾画ROI而得到其容积感兴趣区（VOI）。采用Matlab 2016b软件从每个结节的VOI中提取475个影像组学特征,利用最小绝对收缩和选择算子（LASSO）进行特征筛选,随后建立影像组学标签。采用单因素及多因素分析方法筛选出训练集中两组病变间差异有统计学意义的变量并建立回归模型,进一步在验证集中对此模型进行验证。采用ROC曲线评价模型对结节浸润性的预测效能。结果：经可重复性分析及LASSO降维,最终筛选出13个影像组学特征并建立影像组学标签。多因素分析结果显示影像组学标签和CT值是预测肺癌浸润程度的独立危险因子。在训练集中,回归方程、CT值和影像组学标签的ROC曲线下面积（AUC）分别为0.785（95%CI：0.730~0.840）、0.742（95%CI：0.681~0.802）和0.696（95%CI：0.630~0.760）。在验证集中,回归模型、CT值和影像组学标签的AUC分别为0.704（95%CI：0.618~0.790）、0.683（95%CI：0.595~0.772）和0.674（95%CI：0.588~0.761）。结论：基于薄层CT的三维影像组学特征联合临床资料建立的多因素logistic回归模型对预测亚厘米级磨玻璃结节样肺腺癌的浸润程度具有很好的临床应用价值及发展前景。