基于多参数磁共振瘤周区域的影像组学模型在脑胶质瘤预后评估中的应用价值

目的评估基于脑胶质瘤瘤周区域建立的影像组学模型的预后价值。方法回顾性分析138例脑胶质瘤患者,运用医学影像工具包(MITK)软件获取距离肿瘤边缘5、10、20 mm瘤周区域的核磁共振成像(MRI)图像并提取其纹理特征、进行特征筛选、建立影像组学模型,并计算影像组学分数(Rad-score)。建立临床预测模型及Rad-score与临床危险因素相结合的联合预测模型;将联合预测模型以列线图展示,并评估模型对脑胶质瘤患者生存率预测效能。结果在验证集中,基于T2加权像(T2WI)序列距肿瘤边缘10 mm瘤周区域建立的影像组学模型一致性指数(C-index)为0.663(95%CI=0.53~0.80),预测效能最佳。在训练集和验证集上,联合预测模型的C-index分别为0.770和0.730。模型对脑胶质瘤患者3年生存率的预测效能最高[训练集受试者工作特征曲线下的面积(AUC)=0.93,95%CI=0.83~0.98;验证集AUC=0.88,95%CI=0.76~0.99],校准曲线显示在训练集和验证集中联合预测列线图具有较好的校准效能。结论基于术前MRI T2WI序列距肿瘤边缘10 mm的瘤周区域建立的影像组学预测模型与临床病理危险因素建立的联合预测模型可以更准确地预测脑胶质瘤的预后情况,其中对脑胶质瘤3年生存率预测效果最好。

基于定量影像组学的肺肿瘤良恶性预测方法

肺癌是世界范围内致死率最高的癌症之一,肺肿瘤的良恶性诊断对于治疗方式选择意义重大.本文借助影像组学(Radiomics)方法利用LIDC(Lung imaging database consortium)肺癌公开数据库中619例病人的肺癌计算机断层(Computed tomography,CT)影像数据,分割出病变区域,并结合肿瘤医学特性和临床认知,提取反映肿瘤形状大小、强度和纹理特性的60个定量影像特征,然后利用支持向量机(Support vector machine,SVM)构建诊断肺肿瘤良恶性的预测模型,筛选出对诊断肺肿瘤良恶性有价值的20个影像组学特征.为肺肿瘤良恶性预测提供了一种非入侵的检测手段.随着CT影像在肺癌临床诊断中的广泛使用,应用样本量的不断增加,本文方法有望成为一种辅助诊断工具,有效提高临床肺肿瘤良恶性诊断准确率.

基于双序列MRI的计算机辅助诊断鉴别软组织肿瘤良恶性的研究

目的:研究使用计算机辅助分析方法针对软组织肿瘤MRI影像进行肿瘤良恶性鉴别的价值。方法:回顾性收集了在辽宁省肿瘤医院就诊的72例软组织肿瘤患者的CE-T1和T1WI双序列MRI影像数据(2017年1月至2018年1月)。通过提取和筛选MRI影像特征,建立支持向量机(SVM)、K-最邻近(KNN)和随机森林(RF)三种机器学习分类器模型对肿瘤病灶进行二分类鉴别;提出一种新型集成学习分类器模型用于将两个序列MRI信息进行融合。通过绘制受试者工作特征曲线(ROC)并计算ROC曲线下面积(AUC值)以评估模型的分类鉴别能力。结果:三种机器学习分类器均取得较好的良恶性鉴别效果;提出的集成学习分类器的分类效果最佳,AUC值达到0.922(敏感性=0.965,特异性=0.783)。结论:本研究提出的计算机辅助模型能够利用MRI影像对软组织肿瘤良恶性进行有效的辅助鉴别,具有一定的潜在应用价值。

深度学习人工智能技术在医学影像辅助分析中的应用

随着医学影像分析技术的快速发展和临床影像数据量的急剧增长,如何快速准确地针对不同疾病医学影像进行精确诊断、分类和预后评估,是现代医学工作者面临的重大挑战。深度学习是一种高通量自动化提取高维度特征信息的新一代人工智能技术,目前已广泛应用于临床医学大数据分析领域,为临床医学影像的快速识别、精准分割和辅助诊断等分析工作提供了新的契机。本文综述了近年来深度学习技术在医学影像分析领域的最新研究进展,探讨了深度学习在MRI、CT、超声和X线等医学影像分析中的重要方法和典型应用,展望了深度学习人工智能在医学影像分析中的发展前景。