宫颈癌调强计划Portal Dosimetry剂量验证中拼接野的应用分析

目的提出一种生成Portal Dosimetry(以下简称PD)分野的拼接野(以下简称PD拼接野)方法,并对宫颈癌计划的PD拼接野进行分析研究。方法选取20例宫颈癌患者的七野调强治疗计划进行研究,治疗计划中每个大野分成1对分野。首先制作仅含分野的PD剂量验证计划,然后使用直线加速器出束执行。通过矩阵拼接和矩阵叠加,分别得到每对PD分野对应的PD拼接野和PD大野。使用PD软件模块,得到PD拼接野和PD大野的伽玛通过率,分别记为Gp和Gd。使用Gm表示每对PD分野的平均伽玛通过率值。对Gp、Gd和Gm进行统计分析和比较研究。结果所有140个射野的Gp、Gd和Gm的值分别为98.78%±0.70%、97.34%±1.25%和98.87%±0.51%。两两比较结果显示,Gp和Gd差异具有统计学意义(P<0.05);Gp和Gm的数据差异较小。对每个PD验证计划,计算所有同一类射野对应的计划验证通过率(Gplan)。对Gplan数据进行统计分析显示,PD拼接野和PD大野差异具有统计学意义(P<0.05),PD拼接野和PD分野的数据差异较小。结论本文提出的PD拼接野概念为评价PD剂量验证结果提供了有益的参考信息。

PDCA循环结合6S管理法应用于急救医疗设备管理作用探讨

目的探讨利用PDCA(计划、实施、检查和行动)循环和6S(整理、整顿、清扫、清洁、素养、安全)管理法降低医院急诊抢救室医疗设备的故障率与故障频次,优化急救医疗设备管理流程。方法临床工程处联合急诊抢救室成立管理小组,进行现状把握,统计急诊抢救室从2022年1月至6月的医疗设备的故障待机时间、使用时间与故障频次。组织全员进行头脑风暴,利用鱼骨图、柏拉图等工具,探究故障原因并制定实施对策。统计对策实施后2022年7月至12月的数据,比较故障率和故障频次变化,评价对策实施的效果。结果开发了设备管理软件MEIS,实现医疗设备的自助查询、报修、追溯功能。改善后的医疗设备使用时间为96946 h,故障待机时间为369 h。目标达标率为112.5%,进步率为62.38%。对策实施后较实施前急救医疗设备故障率(1.01%vs 0.38%)和故障频次(121次vs 51次)明显降低,差异具有统计学意义(P<0.05)。结论利用PDCA循环和6S管理法降低了急救医疗设备的故障率和故障频次,规范了急救医疗设备的维护保养、操作使用、故障管理、计量管理流程。有助于提高相关工作人员的职业素养能力和医院医疗服务质量,并为建立规范化的医疗设备管理模式提供了借鉴的思路。

基于深度学习的级联网络在PET/MR图像中前列腺癌自动检测与分割

目的:提出一种在镓68(^(68)Ga)前列腺特异性膜抗原(68Ga-PSMA-11)正电子发射断层扫描与磁共振(PET/MR)图像上进行前列腺定位与前列腺癌病灶分割的级联网络,以解决前列腺癌病灶分割中的难题。方法:收集医院收治的125例前列腺疾病患者的PET/MR图像数据,按照8∶2的比例分配训练集和测试集,采用五折交叉验证,分别训练基础网络、MR网络和级联网络3个网络。基础网络和级联网络的二级网络是学习T2加权成像(T_(2)WI)、弥散加权成像(DWI)、表观弥散系数(ADC)和PET的4种模态的语义分割(U-Net)网络;MR网络是仅学习MR的3种模态U-Net网络;级联网络的一级网络Faster-RCNN定位前列腺和精囊腺计算Dice系数值进行模型评估。结果:级联网络的Dice系数为0.76,基础网络和MR网络的Dice系数分别为0.73和0.62,结合分割结果视觉图,级联网络对前列腺癌病灶的检测更加准确。结论:级联网络相对于单个U-Net网络,可以更准确分割^(68)Ga-PSMA-11 PET/MR图像上前列腺癌病灶,为临床对前列腺癌的定位诊断提供便利。

基于多头自注意力机制与U-Net的增强CT图像肾脏小肿瘤自动分割研究

目的:构建一种基于多头自注意力(MHSA)机制与U-Net网络的M-UNet优化分割模型,以提高增强CT图像中肾脏小肿瘤横断面最大直径≤3 cm的分割准确度。方法:选取医学图像计算和计算机辅助干预协会(MICCAI)的2019肾脏肿瘤分割挑战(KiTS19)数据集中64例最大层面肾脏肿瘤直径≤3 cm的数据,将其按7∶3划分为训练集与测试集,训练集进行五折交叉验证。建立基于MHSA机制与U-Net网络的M-UNet优化分割模型,对M-UNet和U-Net分别进行训练与测试,计算交并比(IOU)、Dice相似系数(Dice系数)和95%豪斯多夫距离(HD_95),对比M-Unet与U-Net二者对肾脏及肾脏肿瘤的分割精度。结果:M-UNet网络的IOU、Dice系数相较于U-Net分别提升3.19%和3.00%,HD_95下降41.63%。结合分割结果视觉图,M-UNet与U-Net相比,其对肾脏小肿瘤分割准确率更高,检测更为敏感。结论:M-UNet相对于传统的U-Net能够更准确分割增强CT图像中的肾脏小肿瘤,为临床对肾脏小肿瘤定位及诊断提供便利,有助于提升肾脏小肿瘤检出率。

正则化有序子集最大期望值重建算法对^(18)F-脱氧葡萄糖PET/CT图像质量和标准摄取值的影响

目的:探讨正则化有序子集最大期望值(OSEM)(正则化OSEM)迭代算法对^(18)F-氟代脱氧葡萄糖(^(18)F-FDG)正电子发射断层显像/计算机断层显像(PET/CT)图像质量和标准摄取值(SUV)的影响。方法:选取医院核医学科行^(18)F-FDG PET/CT检查的144例肿瘤复查患者的PET图像,图像重建采用OSEM迭代法、OSEM+点扩散函数(PSF)、OSEM+飞行时间(TOF)、OSEM+PSF+TOF和正则化OSEM(依次为M1、M2、M3、M4和M5)。测量病灶最大SUV(SUV_(max))、病灶平均SUV(SUV_(mean))、肝脏平均SUV及肝脏SUV标准差,计算信噪比(SNR)、对比度(CONT)及肝脏变异系数(CV),并比较M5算法与M1~M4算法的SUV_(max)差异性(△SUV%)。行Kruskal-Wallis秩和检验分析不同重建算法间各项指标差异。结果:M1~M5算法所得病灶SUV_(max)、SUV_(mean)总体分别呈递增趋势,M1~M5算法所得SUV_(max)、SUV_(mean)的差异均有统计学意义(H=168.0,H=152.9;P<0.05);将M5算法与M1~M4算法所得SUV_(max)、SUV_(mean)分别两两进行比较,差异具均有统计学意义(H_(SUVmax)=357.3,H=345.2,H=274.4,H=210.9;H_(SUVmean)=340.7,H=332.6,H=254.2,H=205.1;P<0.05),所有病灶△SUV%均>0(范围为2.1%~261.1%)。对于小病灶图像,M5算法较M1~M4算法所得SUV_(max)、SUV_(mean)均有明显提升,差异有统计学意义(H=37.5,H=36.7;P<0.05);对于肥胖患者的图像,M1~M5算法的SUV_(max)差异无统计学差异,SUV_(mean)差异具有统计学意义(H=10.4,P<0.05)。M5算法所得SNR和CONT较M1~M4算法差异均有统计学意义(H_(SNR1)=391.8,H=304.0,H=376.8,H=242.0;H_(CONT)=335.8,H=321.7,H=260.3,H=198.2;P<0.05)。M5算法所得CV与M1算法、M3算法和M4算法两两比较差异均有统计学意义(H=-289.1,H=-466.2,H=-218.5;P<0.05)。结论:正则化OSEM重建算法可改善PET图像质量,对病灶SUV有显著增益作用,对小病灶及肥胖患者同样适用。

基于新版《医疗器械分类目录》的医疗器械分类编码解析与查询机制研究

目的:基于国家药品监督管理局2017年发布的新版《医疗器械分类目录》,提出一种简单易行的编码规则,设计新版《医疗器械分类目录》查询系统,实现医疗器械分类信息的快速查询。方法:在新版《医疗器械分类目录》基础上,提出采用WS/T18-1999"68"编码方式,将编码拓展至第四级,将医用装备和耗材编码加以区分,并预留缺省代码的医疗器械分类编码方式;使用Excel2007建立医疗器械分类关联结构数据库,采用可视化开发工具(VS)结合视觉基础应用程序(VBA)设计新版《医疗器械分类目录》查询系统。选取医院在用医用装备麻醉机和医用耗材气管插管为研究对象对其进行分类与编码,解析其分类编码过程。结果:查询系统可提供医疗器械编码、医疗器械品名和医疗器械预期用途3种递进式模糊查询,使用一级检索结构浏览查询结果,二级结构显示规范的《医疗器械分类目录》管理信息。结论:基于新版《医疗器械分类目录》的医疗器械分类编码解析与查询机制可在一定程度上提高操作者工作效率,降低因认知不足而造成的错检和漏检。

基于深度学习的纵隔淋巴结自动分割研究

目的:基于深度学习方法使用U-Net网络训练模型,实现纵隔淋巴结自动分割。方法:收集医院呼吸内科提供的294例患者的369幅纵隔淋巴结超声弹性图像,将目标淋巴结图像从原始图像中分割后进行剪裁等预处理后,统一尺寸,输入卷积神经网络中的U-Net网络,使用U-Net网络训练的模型,对纵隔淋巴结进行自动分割。结果:U-Net网络训练模型的深度学习方法,实现了纵隔淋巴结自动分割良好的效果,Dice系数可达到0.968 4,接近于1,纵隔淋巴结自动分割效果良好。结论:使用深度学习方法对纵隔淋巴结进行自动分割,可得到很好的分割效果,对于后续淋巴结的性质判定以及肺癌分期的确定具有重要意义。

基于级联卷积神经网络增强CT图像肾脏及肾肿瘤的定位分割研究

针对目前增强CT图像中肾脏及肾肿瘤分割困难的问题,本研究提出一种基于级联卷积神经网络肾脏及肾肿瘤的定位分割方法。分别以Attention U-Net、Res U-Net、U-Net为基本网络结构,建立级联卷积神经网络模型。一级模型实现正常肾和肿瘤肾的定位,二级模型实现肾脏与肿瘤的精细分割。以影像医师手动勾画为金标准,通过精确度、召回率、F1得分评估定位结果,以Dice、体积相似度(volume similarity,VS)评估分割精度。由测试结果可见,一级定位模型中,U-Net的整体精确度最高为97.67;最高召回率为90.42,F1得分为90.77,均在Res U-Net中获得。二级分割模型中,级联U-Net的肾脏及肿瘤Dice(0.929)最高,级联Attention U-Net的肾脏(0.895)、肿瘤(0.764)Dice均最高。级联U-Net肾脏及肿瘤、肾脏VS最小(分别为0.085、0.016),肿瘤最优VS(0.009)在级联Attention U-Net中获得。综合全部数据集,级联U-Net模型在定位与分割中表现最佳。基于级联卷积神经网络肾脏及肾肿瘤定位分割模型可在增强CT图像中定位肿瘤肾,且可进一步实现对肾脏及肿瘤的精细分割。

一种自动确定放疗原始等中心的新方法

目的:提出一种通过勾画标记点结构自动确定放疗原始等中心的方法(以下简称新方法),通过与常规方法作比较分析测试新方法的应用价值。方法:选取40例接受放射治疗的腹部肿瘤患者的定位CT图像,其中标记点出现在1层、2层CT层面各20例。使用常规方法(通过Eclipse计划系统的十字定位工具手动确定原始等中心),然后使用新方法(通过自动勾画标记点结构并进行位置计算自动确定放疗原始等中心),分析两种方法确定的原始等中心之间坐标的差异。此外,还手动勾画了标记点结构。结果:与手动勾画标记点结构相比,自动勾画20例2层CT图像中标记点的Dice相似性指数(DSC)值为(0.79±0.06),40例左右方向(x轴)偏差绝对值、腹背方向(y轴)偏差绝对值的均值分别为0.04、0.05 cm。标记点出现在2层CT图像的20例中,头脚方向(z轴)偏差绝对值的平均值、标准差、最大值、最小值分别为0.22、0.03、0.26、0.16 cm。结论:本文提出的新方法可以快速、精确地计算出放疗原始等中心坐标,特别是当标记点出现在2层CT图像时,可以有效弥补常规方法的缺陷。

TWIST技术在评估急性缺血性卒中侧支循环中的应用价值

目的 探讨基于磁共振时间分辨交叉随机轨迹显像(time-resolved angiography with interleaved stochastic trajectories,TWIST)技术在评估急性缺血性卒中侧支循环中的应用价值。材料与方法 回顾性分析2020年8月至2021年8月南京市第一医院神经内科收治的28例急性缺血性卒中患者的一般临床资料及影像资料,所有患者均接受了磁共振TWIST、灌注加权成像和数字减影血管造影(digital subtraction angiography,DSA)检查。DSA和TWIST图像的侧支循环分级分别参考美国介入与治疗神经放射学学会/介入放射学会(American Society of Interventional and Therapeutic Neuroradiology/Society of Interventional Radiology,ASITN/SIR)分级系统和改良的ASITN/SIR评分量表。Kappa系数用于分析侧支循环分级在不同观察者间的一致性。χ2检验用于分析TWIST和DSA图像的侧支循环分级结果的组间差异。根据TWIST图像的侧支循环分级将患者分为侧支循环丰富组和侧支循环不丰富组,ASITN/SIR分级3~4级表示侧支循环丰富,0~2级表示侧支循环不丰富,对比两组患者的临床资料和低灌注强度比值(hypoperfusion intensity ratio,HIR)。采用Spearman秩相关系数分析HIR与TWIST图像的侧支循环分级的相关性。结果 TWIST (Kappa=0.826)和DSA (Kappa=0.856)图像的侧支循环分级在不同观察者间均具有高度一致性。TWIST和DSA图像的侧支循环分级结果组间差异无统计学意义(χ2=0.865,P=0.929)。与侧支循环不丰富组(13例)相比,侧支循环丰富组(15例) HIR更低(0.30±0.08 vs.0.43±0.06,t=-5.156,P<0.001),相关分析显示HIR与TWIST图像的侧支循环分级呈负相关(r=-0.882,P<0.001)。结论 磁共振TWIST技术可无创评估急性缺血性卒中的侧支循环,在侧支循环诊断中具有较高的价值,可应用于临床。

基于卷积神经网络的纵隔淋巴结良恶性分类研究

为提高纵隔淋巴结良恶性分类的准确率及效率,本研究利用残差网络(residual network,ResNet)结合迁移学习方法,设计了一种纵膈淋巴结良恶性自动分类算法。实验结果显示,该方法的分类准确率、灵敏度、特异度可达75.1%、78.6%、84.4%,相比传统方法,分别提高了6%、9.9%、15.4%。本研究设计的多纵膈淋巴结自动分类算法相较于传统方法性能有显著提高,可作为临床辅助诊断的重要工具。

OBI系统锥形束CT图像均匀性和噪声的长期稳定性分析

目的评估瓦里安加速器机载影像(OBI)系统锥形束CT(CBCT)图像均匀性和噪声的长期稳定性.方法对瓦里安Clinac iX加速器OBI系统每月进行质控检测,获取Catphan 504模体在6种扫描协议下的CBCT图像.这6种扫描协议分别是高质量头部(HQH)、低剂量头部(LDH)、盆腔聚光灯(PSL)、标准剂量头部(SDH)、低剂量胸部(LDT)和盆腔(pelvis).对南京医科大学附属南京医院2020年1月至2021年12月共24个月的144套CBCT图像序列进行分析,通过在CTP486模块图像上勾画感兴趣区(ROI)获得图像均匀性和噪声的数据.图像均匀性使用3点钟、6点钟、9点钟和12点钟方向ROI与中心ROI的CT平均值的最大差异的绝对值表示.图像噪声,使用大圆形ROI的CT值的标准差表示.图像均匀性和噪声的数值越小,表明图像质量越好.对数据进行统计描述,得到6种扫描协议下这2种参数的最大值、最小值、平均值和标准差等数据.定义Y为每个方向ROI的平均CT值减去中心ROI的平均CT值得到的差值,用来表示每个月图像质量的变化.结果该OBI系统CBCT的图像均匀性和噪声在2年中总体上比较稳定.对于HQH、LDH、PSL、SDH、LDT、pelvis这6种扫描协议,图像均匀性数值分别为(21.5±1.0)、(21.4±2.2)、(21.3±0.9)、(18.3±1.3)、(3.4±1.9)、(7.2±1.9)HU,图像噪声数值分别为(19.2±0.2)、(41.0±0.3)、(14.2±0.3)、(38.2±0.2)、(16.0±0.9)、(13.5±0.9)HU.其中,LDT的图像均匀性数值的平均值最小,pelvis的图像噪声数值的平均值最小.6种扫描协议下,图像均匀性涉及的中心ROI平均CT值分别为(32.3±2.7)、(24.0±3.3)、(19.3±2.4)、(11.1±2.5)、(67.2±2.1)、(-24.6±1.7)HU,平均CT值数据的稳定性较好.Y的标准差均<3HU,表明每个月图像质量的稳定性较好.结论OBI系统CBCT的图像均匀性和噪声在2年中总体上比较稳定.6种扫描协议中,LDT的图像均匀性最好,pelvis的图像噪声最小.

基于多头自注意力机制与U-Net的脑卒中DWI图像梗死病灶分割方法研究

目的:为解决脑卒中弥散加权成像(diffusion weighted imaging,DWI)图像中梗死病灶边界模糊、病灶区域小、分割难度大的问题,提出一种基于多头自注意力机制(multi-head self-attention,MHSA)与U-Net的分割方法。方法:以U-Net作为基础分割模型,在其编码器最后一次卷积操作后加入MHSA模块,建立MHSA-UNet分割模型。为了验证MHSA-UNet分割模型的有效性,在自建的数据集上进行训练和验证,并与U-Net模型、Attention U-Net模型对脑卒中DWI图像中梗死病灶的分割效果进行比较。结果:MHSA-UNet分割模型的Dice相似系数、交并比、95%豪斯多夫距离分别为0.790、0.571、9.982,在总体上优于U-Net模型、Attention U-Net模型。结论:提出的方法能有效分割脑卒中DWI图像中梗死病灶,可以辅助临床医生进行疾病诊断。

基于CT模拟机的治疗等中心计算程序的设计与实现

目的设计可移动式激光灯和CT扫描床的位置计算程序,用于确定放疗患者的治疗等中心。方法使用Spring Boot系统框架,设计治疗等中心计算程序(Therapy Iso-Center Calculation Program,TICP)。操作人员输入可移动式激光灯和CT扫描床的初始位置数据及计划位移数据,TICP能够自动计算治疗等中心对应激光灯和CT扫描床的最终位置。选取36组随机位移数据,使用模体对该程序进行准确性测试。结果TICP实现了治疗等中心对应位置的自动计算、历史记录查看、报表打印以及权限分配等功能。程序测试结果显示,左右(X)及腹背(Z)方向的偏差∆x和∆z均值分别为0.4和0.3 mm,头脚(Y)方向误差∆y≤1 mm;3个方向在偏差等级范围R_(a)内共有65组,R_(b)共有35组,R_(c)共有8组,不同方向上的平移误差等级差异均有统计学意义(P<0.05)。结论使用该程序可有效辅助CT模拟机下确定治疗等中心的工作,提高放疗工作效率。