基于磁共振图像的脑皮层厚度测量方法

基于磁共振图像的脑皮层厚度测量方法,是在图像处理的基础上对脑灰质组织结构进行活体定量估计的一种新的技术.本文介绍了脑皮层厚度测量与分析方法的基本流程,并将现有几种流行的测量方法进行总结和归纳,最后比较分析了这些算法的测量精度和运行速度.     

CT冠状动脉血管造影和血管内超声融合算法的研究

提出了一种基于冠状动脉中心线的CT冠状动脉血管造影(CTCA)和血管内超声(IVUS)融合的方法。该方法,首先从CTCA中提取冠状动脉中心线,并沿中心线提取其横截面;其次,对IVUS内膜和中-外膜进行半自动分割;再次,使用环形最大强度投影算法把CTCA和IVUS投影到二维空间中,并使用投影图像进行配准。最后,使用图形学方法把CTCA和IVUS融合在同一个三维空间中。融合CTCA和IVUS可以给医生诊断冠心病提供更多有用的信息。     

脑皮层厚度分析方法及其应用

本文系统描述了脑皮层厚度测量的后处理步骤以及相应的统计分析方法,并就该方法在脑发育和相关疾病中的具体应用进行了深入的讨论。最后,指出脑皮层厚度测量与分析方法的研究意义与潜在局限性。     

基于双流神经网络的颈动脉粥样硬化斑块稳定性区分方法

目的 训练双流神经网络自动区分颈动脉粥样硬化斑块的稳定性。 方法 使用颈动脉内膜剥脱术后经病理证实的115例稳定颈动脉粥样硬化斑块患者和110例易损颈 动脉粥样硬化斑块患者的844段超声造影视频，将其中744段视频作为训练集，训练双流神经网络， 得到在训练集上区分效果最佳的神经网络。将剩余的100段视频作为测试集，测试该神经网络自动区 分颈动脉粥样硬化斑块稳定性的价值。 结果 神经网络在训练集上区分颈动脉斑块稳定性的准确率、敏感度、特异度、阳性预测值、阴性 预测值、阳性似然比、阴性似然比分别为93%、87%、97%、96%、90%、29和0.13，在测试集上相应的 结果分别为80%、70%、90%、88%、75%、7和0.33。受试者工作特征曲线上，训练集和测试集中双流 神经网络判断斑块易损性的曲线下面积分别为0.99和0.84，均P＜0.001。 结论 利用已知病理结果的超声造影视频，将其输入到双流神经网络进行训练，能得到较好的自 动区分颈动脉粥样硬化斑块稳定性的模型。     

基于深度学习超声在乳腺肿块四分类中的应用价值

目的:探讨采用基于卷积神经网络(CNN)构建的人工智能辅助诊断模型对乳腺肿块四分类进行超声鉴别诊断的应用价值。方法:利用CNN构建辅助诊断模型,收集2016年1月至2018年1月首都医科大学附属北京天坛医院的2098例乳腺肿块患者(其中良性肿瘤1132例,恶性肿瘤779例,炎症32例,腺病155例)的10490张超声图像,将其分为训练集和测试集,对人工智能辅助诊断模型进行训练及测试。并将分别使用二维成像(two-dimensional imaging,2D)和二维彩色多普勒成像(two dimensional color Doppler flow imaging,2D-CDFI)的两组数据训练模型进行比较。分析乳腺良性肿瘤、恶性肿瘤、炎症、腺病患者的ROC曲线,计算ROC曲线下面积(AUC)。结果:使用2D-CDFI数据训练的模型比使用2D数据训练的模型对良性肿瘤和炎症的训练集和验证集的准确性有显著提高。①对于良性肿瘤的诊断,使用2D图片训练集的敏感性92%,特异性95%,AUC 0.93;使用2D-CDFI图片训练集的敏感性93%,特异性95%,AUC 0.93;使用2D图片测试集的敏感性91%,特异性96%,AUC 0.94;使用2D-CDFI图片测试集的敏感性93%,特异性94%,AUC 0.94。②对于恶性肿瘤的诊断,使用2D图片训练集的敏感性93%,特异性97%,AUC 0.94;使用2D-CDFI图片训练集的敏感性93%,特异性96%,AUC 0.94;使用2D图片测试集的敏感性93%,特异性96%,AUC 0.94;使用2D-CDFI图片测试集的敏感性93%,特异性96%,AUC 0.94。③对于炎症的诊断,使用2D图片训练集的敏感性81%,特异性99%,AUC 0.91;使用2D-CDFI图片训练集的敏感性86%,特异性99%,AUC 0.89;使用2D图片测试集的敏感性100%,特异性98%,AUC 0.98;使用2D-CDFI图片测试集的敏感性100%,特异性99%,AUC 0.96。④对于腺病的诊断,使用2D图片训练集的敏感性88%,特异性97%,AUC 0.94;使用2D-CDFI图片训练集的敏感性93%,特异性98%,AUC 0.94;使用2D图片测试集的敏感性94%,特异性98%,AUC 0.93;使用2D-CDFI图片测试集的敏感性88%,特异性99%,AUC 0.90。即使肿瘤的最大径<1 cm,也不影响准确性。结论:基于CNN构建的人工智能深度学习可以对乳腺肿块进行更细致的分类,提高诊断率,对乳腺肿瘤患者的治疗具有较好的指导作用。     

虚拟切割及其在医学影像中的应用

本文首先介绍了中科院自动化所人工智能实验室开发的三维医学图像处理与分析系统，包括图像预处理、虚拟切割、三维面显示、三维体显示和手术模拟等功能，接下来介绍了虚拟切割的算法和功能，最后给出了实验的结果。     

基于深度学习的甲状腺结节超声图像分割的临床应用

目的探讨深度学习方法在超声甲状腺结节分割中的效果及其临床应用价值。 方法收集2018年8月至2020年10月首都医科大学附属北京天坛医院的166例甲状腺结节患者的1044张超声图像。观察使用改进自注意力机制的Unet深度学习方法和Unet基础方法在测试数据集上的分割效果。以分割结果是否接近有多年临床经验的超声医师的手动标注作为参考标准,将改进自注意力机制的Unet和Unet基础方法对甲状腺结节的分割效果进行比较,以交并比（IoU）、戴斯（Dice）相似性系数及与超声医师对甲状腺结节的手动勾勒接近程度来评价深度学习模型对甲状腺结节分割效果及临床应用价值的性能。 结果改进自注意力机制的Unet深度学习模型对甲状腺结节分割的IoU及Dice系数分别为0.815和0.839,与Unet基础方法结果（IoU为0.788,Dice系数为0.817）相比,具有更高的IoU和Dice系数值。从分割图像可以看出,基于改进自注意力机制的Unet深度学习模型对甲状腺结节整体和边缘细节上的分割效果好于Unet基础方法,更接近于超声医师的手动勾勒结果。 结论基于自注意力机制的Unet深度学习模型在甲状腺结节分割方面有着较高的性能,可提高诊断效率,并且该方法具有一定的临床应用价值。     

基于3D CNN的人工智能辅助诊断模型对超声心动图视频异常改变的识别

目的探讨基于三维卷积神经网络(3D CNN)构建的人工智能辅助诊断模型对高血压性心脏病、出现心脏改变的慢性肾功能衰竭(CRF)及甲状腺功能减退症(甲减)患者超声心动图视频的诊断效能及其临床应用价值。方法本研究为回顾性研究。收集2019年4月至2021年10月就诊于河南省人民医院的高血压性心脏病、出现心脏改变的CRF和甲减患者。依据诊断分为高血压组、CRF组和甲减组, 另采用简单随机抽样方法从同期健康体检者中入选正常对照组。收集入选患者的超声心动图视频数据。每组中视频数据按约5∶1的比例分为训练集和独立测试集, 采用膨胀3D卷积网络(I3D)对视频进行时空特征的联合提取, 对人工智能辅助诊断模型进行训练及测试;训练集和测试集之间无病例交叉。分别使用3种不同切面[单一心尖四腔心(A4C)切面、单一胸骨旁左心室长轴(PLAX)切面、所有切面]视频数据, 基于病例或视频建立模型, 并进行诊断性能的统计分析, 计算敏感度、特异度、受试者工作特征曲线下面积(AUC);并对比人工智能和超声科医师处理病例所需时间。结果共纳入730例受试者, 男性362例(49.6%), 年龄(41.9±12.7)岁,...