显微切开睾丸取精术在继发性睾丸损伤所致非梗阻性无精子症患者中的应用

目的:探讨显微切开睾丸取精术(micro-TESE)应用于因继发性睾丸损伤导致非梗阻性无精子症(NOA)患者的疗效。方法:回顾性分析2014年9月至2017年12月接受micro-TESE并具继发性睾丸损伤病史的121例NOA患者,分析不同睾丸损伤病因患者micro-TESE取精成功率的差异。并进一步比较micro-TESE获得精子与重度少精子症患者(精子浓度1×106/ml)射出精子的卵细胞胞质内单精子注射(ICSI)助孕结局,比较两组间女方年龄、受精(2PN)率、第3天(D3)可移植胚胎率、D3优质胚胎率、D14血h CG阳性率、胚胎种植率、临床妊娠率。结果:104例患者(86.0%,104/121)成功通过micro-TESE获得精子。按其继发性睾丸损伤的病史,microTESE取精成功率分别为:睾丸炎98.4%、隐睾下降固定术后75.5%、化疗/放疗损害63.6%。micro-TESE所获得精子和重度少精子症患者射出精子ICSI助孕周期的2PN受精率(59.4%vs 69.3%)、D14血h CG阳性率(44.6%vs 57.9%)、胚胎种植率(31.8%vs 32.6%)、临床妊娠率(41.5%vs 48.7%)均无统计学差异(P0.05),但两者D3可移植胚胎率(40.5%vs 52.2%)、D3优质胚胎率(32.5%vs 42.1%)均有显著差异(P0.05)。结论:micro-TESE应用于继发性睾丸损伤所致的NOA患者时取精成功率较高,可作为首选治疗方法,但需要进一步探索改善micro-TESE获得精子后行ICSI助孕结局的有效手段。     

卷积神经网络重建欠采的磁共振图像

目的使用卷积神经网络(convolutional neural network,CNN)从欠采样的磁共振成像K空间数据快速重建出无伪影的高质量图像。材料与方法实验数据包含60位自愿者矢状位、横断位、冠状位全采的T1加权脑部MR图像,使用旋转和拉伸等操作对训练数据进行扩增。不同欠采模式的MR图像和金标准图像分别输入CNN进行训练,学习获得的网络可实现由欠采图像到全采集图像之间的非线性映射。重建时,将CNN重建图像的K空间与原始的K空间数据进行合并保真。实验中利用金标准图像,计算重建图像的峰值信噪比(peak signal to noise ratio,PSNR)、结构相似度(structural similarity,SSIM)和高频误差范数(high frequency error norm,HFEN),定量评价重建结果。结果 (1)CNN重建出的中央采样MR图像的PSNR、SSIM、HFEN分别为31.13、0.93、223.81,优于Tukey窗函数的25.69、0.86、482.75;(2)CNN重建出的伪随机采样MR图像的PSNR、SSIM、HFEN分别为32.78、0.95、195.51,优于压缩感知的31.01、0.93、184.69。结论卷积神经网络可以从欠采数据重建出高质量的磁共振图像,无论是主观的视觉效果还是客观的评价参数都优于传统的处理方法。与K空间中央连续采集相比,伪随机采样模式更有利于CNN重建出高质量的MR图像。     

基于2.5D级联卷积神经网络的CT图像胰腺分割方法

目的:由于胰腺体积小、形态个体差异性大，影像上的准确分割较为困难。本文提出一种基于2.5D级联卷积神经网络的CT图像胰腺分割方法。方法:实验中使用的数据为NIH胰腺分割公开数据集，共包含82例腹部CT图像，随机选取其中56、9、17例分别作为训练集、验证集和测试集；训练过程中使用旋转、拉伸、平移、裁剪等操作对数据进行扩增。实验中提出一种用于胰腺分割的、结合概率图的2.5D级联深度监督UNet，即CSNet（Cascading deep Supervision UNet）。该网络由3个部分组成:第1部分基于UNet，输入连续5层图像，输出中间3层对应的粗分割图像，设置适当的阈值，使其变成二值的粗分割结果；第2部分将第1层、第3层的粗分割结果与中间层的原始图像相结合，输入另一个深度监督UNet网络，得到中间层的精细分割；第3部分将第1部分网络输出的中间层的粗分割概率图与第2部分网络输出的细分割概率图通过1×1卷积进行概率融合得到最终的输出结果。3个子网络同时进行训练，对应的能量函数联合优化，从而得到更精准的分割结果。最后，使用DSC对分割结果进行评估。结果:在独立测试集上，CSNet实现了（83.74±5.27）%的DSC值。结论:CSNet可以准确分割出CT图像上的胰腺区域。     

基于深度学习结合解剖学注意力机制的肺结节良恶性分类

肺结节作为肺癌的初期表现,及时的发现和准确的良恶性诊断对于疾病的治疗具有重要的意义。为了提高肺部CT图像中肺结节良恶性的诊断率,提出一种基于3D ResNet的卷积神经网络,并通过加入解剖学注意力模块有效地提高了肺结节良恶性的分类精度。此外,该方法通过自动分割以获取注意力机制所需的感兴趣区域,实现整个流程的全自动化。解剖学注意力的添加能更好地捕捉图像中的局部纹理信息,进一步提取对于肺结节良恶性诊断有用的特征。本文方法在LIDC-IDRI数据集上进行验证。实验结果表明与传统的3D ResNet及其他现有的方法相比,本文方法在分类精度上有显著的提高,在独立测试集上的最终分类的AUC达到0.973,准确率为0.940。由此可见,本文方法能在辅助医生对肺结节的诊断中起到重要作用。