3D ResNet深度学习模型自动甄别前列腺多参数MR扫描序列:多中心研究

目的 构建基于前列腺多参数MRI(mpMRI)自动甄别其主要扫描序列的3D ResNet深度学习模型,并评估其价值。方法 收集于3个医疗中心接受超声引导下前列腺穿刺的1 086例患者穿刺前1 153次前列腺mpMRI资料,并按不同扫描序列加以拆分,分别将T2WI、弥散加权成像(DWI)及表观弥散系数(ADC)图归入相应数据集,共获得5 151组图像,并将归类为非脂肪抑制T2WI(T2WI_nan,n=1 000)、脂肪抑制T2WI(T2WI_fs,n=1 188)、高b值DWI(DWI_High,b值≥500 s/mm²,n=1 045)、低b值DWI(DWI_Low,b值＜500 s/mm²,n=1 012)及ADC图(ADC map,n=906)。按8 ∶ 1 ∶ 1比例将全部图像分为训练集(n=4 122)、验证集(n=513)和测试集(n=516)。行预处理及扩增后,采用3D ResNet于训练集及验证集训练及优化自动甄别图像类别模型,以测试集评估模型分类效能。结果 所获模型分类测试集不同序列图像的准确率、敏感度、特异度、阳性预测值、阴性预测值、F1值及Kappa值分别为0.995~1.000、0.990~1.000、0.998~1.000、0.990~1.000、0.998~1.000、0.995~1000、0.994~1.000。结论 3D ResNet深度学习模型能有效自动甄别前列腺mpMRI所涉主要扫描序列。     

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....     

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。     

使用深度学习方法对前列腺双参数MRI图像自动甄别的外部验证研究

目的 使用外部数据验证前列腺双参数磁共振成像(bpMRI)图像序列甄别模型的泛化性能。方法 回顾性搜集2018年1月至2021年2月前列腺bpMRI影像，匿名化后使用既往训练好的Med3D多分类模型对各个序列进行分类。以医师做出的序列分类为“金标准”,研究Med3D多分类模型对外部数据分类的准确率。使用混淆矩阵显示多分类预测结果，使用PYCM包进行多分类诊断效能分析。结果 563例病例的合格bpMRI数据纳入研究，使用了5台MR扫描仪，其中97.2%使用3.0 T MR检查，2.8%使用1.5 T MR检查。格式转换后，共5209个合格图像序列可用于模型预测，包括1063个ADC、1691个DWI＿High(b>50 s/mm²)、709个DWI＿Low(b≤50 s/mm²)、750个T₂WI＿nan和996个T₂WI＿Fs序列。ADC、DWI＿High、DWI＿Low、T₂WI＿Fs、T₂WI＿nan等各个序列的预测准确率分别为98.5%、98....