乳腺肿瘤是一种常见的恶性肿瘤,其临床诊断不但费时费力,还容易出现误诊.本文旨在建立一个基于乳腺数据自动分割的乳腺肿瘤计算机辅助诊断模型,提高临床诊断的速度和准确率.为了用卷积神经网络U-Net模型分割对比增强锥光束乳腺计算机断...乳腺肿瘤是一种常见的恶性肿瘤,其临床诊断不但费时费力,还容易出现误诊.本文旨在建立一个基于乳腺数据自动分割的乳腺肿瘤计算机辅助诊断模型,提高临床诊断的速度和准确率.为了用卷积神经网络U-Net模型分割对比增强锥光束乳腺计算机断层扫描(Contrast-Enhanced Cone-Beam Breast CT,CE-CBBCT)数据,本文首先沿冠状面将3维数据转换成2维切片,通过数据默认的窗口对其进行归一化处理.实验结果显示,使用U-Net卷积神经网络对数据进行分割,Dice系数和IoU(Intersection over Union)分别为0.7920和0.6962.然后,本文用不同骨干网络(即各种深度学习分类网络)去替换U-Net的编码器,再次进行分割并对比不同特征提取对分割性能的影响,发现旋转增广方式可以提升各分割网络的性能.其中,基于ResNet152的U形分割网络的性能最好,Dice系数和IoU分别达到0.8410和0.7576.随后,本文又在所有模型中选取5个性能最好的模型组成一个集成模型,重复分割实验,发现此模型有最佳分割性能,平均Dice系数和IoU可达0.8463和0.7676,性能显著提升.值得指出的是,在处理数据时本文仅使用数据默认的窗口,降低了对人工的依赖.展开更多
目的探讨头部容积cT数字减影血管造影(volume CT digital subtraction angiography,VCTDSA)的最佳扫描延迟时间。方法对47例拟行头部增强检查的患者先后采用小、大剂量团注法对比扫描,得到相应的时间-密度曲线,分析计算各自达峰时...目的探讨头部容积cT数字减影血管造影(volume CT digital subtraction angiography,VCTDSA)的最佳扫描延迟时间。方法对47例拟行头部增强检查的患者先后采用小、大剂量团注法对比扫描,得到相应的时间-密度曲线,分析计算各自达峰时间,统计分析两者的差值,确保达峰时大剂量团注的CT值在95%的可信区间内。结果监测鞍上池水平,小剂量团注测试达峰时间和大剂量团注测试达峰时间相差(7.43±1.20)S,达峰时大剂量团注CT值95%的可信区间为311.6—364.2Hu。结论小剂量团注法预测脑血管VCTDSA扫描延迟时间系数为7.43S,大剂量团注法达峰时CT值95%在300Hu以上,可以保证大血管高对比度及小血管的充分显示。展开更多
文摘乳腺肿瘤是一种常见的恶性肿瘤,其临床诊断不但费时费力,还容易出现误诊.本文旨在建立一个基于乳腺数据自动分割的乳腺肿瘤计算机辅助诊断模型,提高临床诊断的速度和准确率.为了用卷积神经网络U-Net模型分割对比增强锥光束乳腺计算机断层扫描(Contrast-Enhanced Cone-Beam Breast CT,CE-CBBCT)数据,本文首先沿冠状面将3维数据转换成2维切片,通过数据默认的窗口对其进行归一化处理.实验结果显示,使用U-Net卷积神经网络对数据进行分割,Dice系数和IoU(Intersection over Union)分别为0.7920和0.6962.然后,本文用不同骨干网络(即各种深度学习分类网络)去替换U-Net的编码器,再次进行分割并对比不同特征提取对分割性能的影响,发现旋转增广方式可以提升各分割网络的性能.其中,基于ResNet152的U形分割网络的性能最好,Dice系数和IoU分别达到0.8410和0.7576.随后,本文又在所有模型中选取5个性能最好的模型组成一个集成模型,重复分割实验,发现此模型有最佳分割性能,平均Dice系数和IoU可达0.8463和0.7676,性能显著提升.值得指出的是,在处理数据时本文仅使用数据默认的窗口,降低了对人工的依赖.
文摘目的探讨头部容积cT数字减影血管造影(volume CT digital subtraction angiography,VCTDSA)的最佳扫描延迟时间。方法对47例拟行头部增强检查的患者先后采用小、大剂量团注法对比扫描,得到相应的时间-密度曲线,分析计算各自达峰时间,统计分析两者的差值,确保达峰时大剂量团注的CT值在95%的可信区间内。结果监测鞍上池水平,小剂量团注测试达峰时间和大剂量团注测试达峰时间相差(7.43±1.20)S,达峰时大剂量团注CT值95%的可信区间为311.6—364.2Hu。结论小剂量团注法预测脑血管VCTDSA扫描延迟时间系数为7.43S,大剂量团注法达峰时CT值95%在300Hu以上,可以保证大血管高对比度及小血管的充分显示。