A Biomechanical Model of Human Lung Deformation Utilizing Patient-Specific Elastic Property

A biomechanical model is developed and validated for breathing-induced deformation of human lung. Specifically, a subject-specific poro-elastic lung model is used to predict the displacement over the breathing cycle and compared with displacement derived from high resolution image registration. The lung geometry is derived from four-dimensional computed tomography (4DCT) scan dataset of two human subjects. The heterogeneous Young’s modulus is estimated using inverse analysis method. The numerical simulation uses fluid-structure interaction technique to solve the coupled airflow equations and structural dynamics of the lung tissue. The modelled displacement is validated by comparison with the 4DCT registration results.

能谱CT定量参数联合动脉期碘基图影像组学特征在肺鳞癌与肺腺癌鉴别诊断中的价值

目的基于能谱电子计算机断层扫描(computed tomography,CT)定量参数联合动脉期碘基图影像组学特征构建诺模图模型,探讨能谱CT在肺鳞癌(lung squamous cell carcinoma,LUSC)与肺腺癌(lung adenocarcinoma,LUAD)鉴别诊断中的临床应用价值。方法收集术前行能谱CT增强检查、经病理活检或手术证实的肺癌患者89例,其中LUAD组38例,LUSC组51例。分析LUAD组和LUSC组患者在60keV动脉期单能量图像中病灶水浓度、碘浓度(iodine concentration,IC)、标准化碘浓度(normalizediodineconcentration,NIC)、CT值、能谱曲线斜率(K)、有效原子序数(effective-Z,Eff-Z)及标准化有效原子序数(normalized effective-Z,NEff-Z)。采用Logistic回归分析构建LUAD和LUSC基于能谱CT特征的鉴别诊断模型。应用ITKSnap软件提取动脉期碘基图影像组学特征;采用组内相关系数(intraclass correlation coemcient,ICC)、递归特征消除(recursive featureelimination,RFE)和最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)对影像组学特征进行降维、筛选,采用Logistic回归构建基于影像组学特征的诊断模型,并计算该模型的影像组学评分(radiomics score,Rad-score),以多因素Logistic回归分析筛选出的能谱CT定量参数与Rad-score构建联合模型,并绘制诺模图。应用受试者工作特征(receiveroperatingcharacteristic,ROC)曲线、Delong检验、校正曲线、Hosmer-Lemeshow检验及临床决策曲线(decision curve analysis,DCA)对能谱CT模型、影像组学模型和诺莫图模型进行效能评价。结果LUAD组和LUSC组患者IC、NIC、CT值、K及NEff-Z比较差异均有统计学意义(P均<0.05)。多因素Logistic回归分析结果显示,IC、NIC及NEff-Z为独立影响因素,基于此构建能谱CT模型预测LUAD和LUSC的效能曲线下面积(areaunderthecurve,AUC)为0.768,准确率、灵敏度、特异度分别为70.73%、76.92%和67.86%;影像组学特征经降维后共筛选出的有意义特征有5个,一阶特征2个、二阶特征2个和形状特征1个,影像组学模型预测LUAD和LUSC的效能AUC为0.848,准确率、灵敏度、特异度分别为80.50%、83.33%和75.00%;诺莫图模型预测LUAD和LUSC的效能AUC为0.912,准确率、灵敏度、特异度分别为85.00%、92.31%和85.71%。经Delong检验显示,诺莫图模型AUC均明显高于影像组学模型和能谱CT模型(P均<0.05)。Hosmer-Lemeshow检验结果显示,能谱CT模型、影像组学模型及诺莫图模型的拟合度均良好(χ^(2)值分别为8.592、6.591、6.686,P值分别为0.378、0.581、0.570)。校准曲线分析显示,诺莫图模型预测LUAD和LUSC的预测概率曲线与理想曲线更接近,优于影像组学模型和能谱CT模型;DCA分析结果显示,诺莫图模型的AUC最大,均高于影像组学模型和能谱CT模型,临床净收益更高。结论基于能谱CT定量参数联合动脉期碘基图影像组学特征构建的诺模图模型在LUSC与LUAD鉴别诊断中具有潜在应用价值。

基于选择性自校正卷积U-Net的肺部X射线图像肺实质分割

针对U-Net分割算法无法提取多尺度特征、易受到伪影和噪声干扰而导致在肺部X射线图像中肺实质分割不精确的问题,提出一种基于选择性自校正卷积的U-Net改进算法。改进后的U-Net算法将普通卷积模块替换为选择性自校正卷积模块,该模块采用多分支结构提取多尺度特征信息,使用Sigmoid函数和Softmax函数对多尺度特征信息进行选择性校正,使校正后的特征信息聚焦于肺实质区域,输出特征更加具有针对性。实验表明,该方法对骰子系数、交并比、F_(1)评分结果以及对肺实质分割结果都有一定程度的提升。

基于舌象特征逻辑回归的肺癌风险预警模型研究

目的分析良恶性肺结节的客观化舌诊数据特征,并基于逻辑回归方法建立肺癌风险预警模型。方法选取2020年7月-2022年3月上海中医药大学附属龙华医院肿瘤科263例肺癌患者(肺癌组),上海中医药大学附属曙光医院体检中心292例良性肺结节患者(良性肺结节组)和307例健康体检者(健康对照组),使用TFDA-1型数字舌面诊仪采集3组受试者的舌象图像,通过特征提取技术获取舌象客观诊断特征,分析3组受试者舌象指标分布特征,通过特征筛选后基于逻辑回归方法建立肺癌预警模型,并使用敏感性、特异性、准确率及受试者工作特征(ROC)曲线下面积(AUC)评估模型性能。结果良性肺结节组舌象特征与健康对照组相近;肺癌组与健康对照组、肺癌组与良性肺结节组舌象特征差异较大,肺癌患者舌象偏晦黯、舌质偏红、舌苔偏薄黄腻。基于舌象数据的肺癌预警模型准确率为70.09%、敏感性为69.94%、特异性为70.29%、AUC为0.769。在舌象数据集基础上加入基线信息后重新建模,模型诊断效能提升,基于基线信息与舌象数据的新模型准确率为77.30%、敏感性为75.94%、特异性为79.15%、AUC为0.812。结论良性肺结节患者与肺癌患者客观舌象数据统计特征存在显著差异,基于舌象客观数据的肺癌分类模型表现良好,中医客观舌诊数据可为良性肺结节和肺癌的鉴别诊断提供参考。

^(18)F-FDG PET/CT早期动态显像及建模在肺部疾病诊断和疗效评估中应用的研究进展

^(18)F-FDG PET/CT早期动态显像描述了^(18)F-FDG自注射时间起在空间和时间上的分布,实时反映早期血流灌注和代谢情况,借助动态PET显像的动力学建模,用于脏器(或病灶组织)早期代谢的定量评估,可作为PET/CT常规全身静态显像的有益补充。该文将通过^(18)F-FDG PET/CT早期动态显像及建模在肺部疾病诊断和疗效评估中应用的研究进展对其进行系统阐述。

多模态MRI影像组学对非小细胞肺癌纵隔淋巴结转移的预测价值

目的建立基于常规MRI序列的影像组学模型,比较不同模型预测非小细胞肺癌(non-small cell lung cancer,NSCLC)纵隔淋巴结转移的效能。材料与方法回顾性分析2012年10月至2022年5月南通市第一人民医院90例NSCLC患者的术前MRI数据,根据手术病理结果分为淋巴结转移阳性组(52例)和阴性组(38例),采用完全随机法按照7∶3比例将患者分为训练集和测试集,盐城第一人民医院的31例患者数据作为外部验证(阳性9例,阴性22例),放射科医师半自动逐层勾画原发病灶,提取基于T1WI、T2WI、高b值弥散加权成像(diffusion weighted imaging,DWI)、表观扩散系数(apparent diffusion coefficient,ADC)图像的组学特征,由超参数搜索在单因素方差分析、L1正则化、树模型等特征筛选法中选择最佳方法用于降维,分别建立逻辑斯特回归(logistic regression,LR)、高斯朴素贝叶斯(Gaussian naive Bayes,Gaussian NB)、随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、决策树(decision tree,DT)等11种模型,通过受试者工作特征(receiver operating characteristic,ROC)曲线来评估模型的性能。结果在不同序列中DT、LR、SVM模型的预测性能都表现良好,其中基于T2WI图像构建的SVM模型效能最佳,训练集、测试集及外部验证集曲线下面积(area under the curve,AUC)分别达0.98、0.98、0.72,准确度分别为96%、67%、61%、敏感度分别为88%、67%、55%、特异度分别为100%、67%、78%。结论MRI影像组学可帮助识别NSCLC患者纵隔淋巴结是否转移,以基于T2WI的SVM模型表现最优。

基于深度学习的胸部X射线图像识别及分类模型研究

目的以深度学习中的卷积神经网络为基础搭建胸部X射线(chest X-ray,CXR)图像分类模型,为肺部疾病提供可靠的辅助诊断技术。方法经KAGGLE数据库收集新冠肺炎、轻度肺部感染、病毒性肺炎及正常的四种胸部X射线图片,按3∶1∶1的比例将数据随机划分成训练集,测试集和验证集;基于卷积神经网络架构搭建CXR图像分类模型,调节超参数对模型进行加强和优化;后通过混淆矩阵、准确率、灵敏度、K折交叉验证结果等指标对模型进行验证及评价。结果本研究模型对肺部影像图片的分类准确率为0.81、灵敏度为0.80、测试集和验证集损失值能够稳定在一个较低的水平。与相同迁移算法的模型相比,在测试数据集上的精确率、准确率、灵敏度、F1分值分别提高了1.7%、1.7%、1.3%、2.9%。结论此模型对于CXR图像的识别和分类的性能更强,可以更有效地应用于肺部疾病的辅助分析和判断。

基于深度学习的肺癌病理图像分类器设计

病理学检查是医生确定肿瘤是否发生癌变的“金标准”,但由于肺癌病理组织具有多种亚型,医生需要反复大量阅片才能最终给出医学诊断,不仅耗时且易出错。因此,本文借助深度学习进行肺癌病理组织亚型分类研究。通过对数据库数据进行预处理,找出特征值,使用不同层深的ResNet算法构建肺癌病理图像类别分类器,模型参数调整到最优后,对比训练ResNet18、ResNet34、ResNet50三个不同层次网络模型,分析模型的accuracy、recall、F1-score和算术平均值等评价指标,其中ResNet34模型指标最佳,对肺癌病理图像的分类效果最好。

基于Keras卷积神经的肺炎识别研究应用

以TensorFlow为框架,以Keras为高阶应用程序接口,使用卷积神经网络作为训练模型,设计一套快速有效针对病毒性肺炎的识别系统。主要采用卷积神经网络模拟人的大脑不断学习辨别的过程,包括对图片的预处理、特征提取、数据归一化、模型搭建、TensorBoard集验证、图形化展示等。肺炎识别系统通过采集肺部CT图像,经过图片预处理后进入卷积神经网络训练,再经过验证集的验证,识别病毒性肺炎,其准确率高达90%。为了进一步提高检测精准度,通过调整Dropout参数,使病毒性肺炎识别的准确率提升到了98%左右,此改进方法取得了较大的进步。

基于NSGA-Ⅱ的自适应多尺度特征通道分组优化算法

针对轻量型卷积神经网络(LCNN)的精确度和复杂度均衡优化问题,提出基于快速非支配排序遗传算法(NSGA-Ⅱ)的自适应多尺度特征通道分组优化算法对LCNN特征通道分组结构进行优化。首先,将LCNN中的特征融合层结构的复杂度最小化和精确度最大化作为两个优化目标,进行双目标函数建模及理论分析;然后,设计基于NSGA-Ⅱ的LCNN结构优化框架,并在原始LCNN结构的深度卷积层之上增加基于NSGA-Ⅱ的自适应分组层,构建基于NSGA-Ⅱ的自适应多尺度的特征融合网络NSGA2-AMFFNetwork。在图像分类数据集上的实验结果显示,与手工设计的网络结构M_blockNet_v1相比,NSGA2-AMFFNetwork的平均精确度提升了1.2202个百分点,运行时间降低了41.07%。这表明所提优化算法能较好平衡LCNN的复杂度和精确度,同时还可为领域知识不足的普通用户提供更多性能表现均衡的网络结构选择方案。

机器学习算法对术前肺癌患者纵隔淋巴结转移的预测研究

目的:基于CT影像组学探讨机器学习算法对术前肺癌纵隔淋巴结转移(LNM)的预测价值。方法:收集医院经CT检查及病理结果证实的131例肺癌患者影像资料,根据病理结果将患者分为LNM组(97例)和无LNM组(34例)。两组患者均在CT检查图像上勾画原发肿瘤区域,使用开源的医学影像软件(3D-Slicer)提取影像组学特征,筛选出与肺癌纵隔LNM高度相关的特征。通过轻量级梯度提升机、自适应增强、梯度提升决策树、支持向量机(SVM)和多层感知器5种机器学习算法分别建立分类预测模型,并评价其预测效能,选择效能最好模型作为最终的分类预测模型。结果:从肺癌患者的851个影像组学特征和14个临床特征中筛选出10个影像组学特征和1个临床特征,并利用SVM算法构建对淋巴结是否转移的分类预测模型。SVM分类预测模型在训练集的受试者工作特征(ROC)曲线下的面积(AUC)、准确率、灵敏度和特异度分别为0.955、83.7%、92.2%和96.3%;测试集分别为0.886、85.2%、80.0%和85.7%。测试集的校正曲线和临床决策曲线均显示SVM分类预测模型具有较高的预测精度。结论:基于CT影像组学和临床特征的SVM预测模型能够识别肺癌患者的LNM状态,具有无创和低成本的特点,有助于预测术前肺癌患者纵隔LNM,为开发个性化的治疗方案及优化肺癌患者预后提供依据。

AEG-1对裸鼠肝癌模型中肝癌细胞生长及肺转移的影响

目的研究过表达和沉默AEG-1基因对肝癌细胞生长的影响,以及AEG-1基因在调节肝癌细胞定向肺转移中的作用。方法分别以携带过表达AEG-1序列及对照基因序列的慢病毒(lentivirus)转染SMMC-7721肝癌细胞株(SMMC-7721-AEG-1-L;SMMC-7721-control-L);以携带shRNA AEG-1及对照shRNA质粒(plasmid)转染SMMC-7721细胞株(SMMC-7721-shAEG-1-P;SMMC-7721-control-P);使用实时定量PCR和Westen blot检测AEG-1的表达;随后使用荧光素酶基因慢病毒包装颗粒转染上述4种稳定转染细胞株。使用上述细胞株分别建立3种裸鼠肝癌模型:皮下移植瘤模型,原位移植瘤模型和血行播散模型;每种细胞株每一模型5只Balb-c裸鼠,共60只。建立皮下移植瘤模型,观测肿瘤的生长情况并绘制肝细胞肿瘤生长曲线;建立肝癌原位移植瘤和血行播散模型,采用生物发光活体成像技术及组织病理学方法监测造模成功率及肿瘤在肝内、肝外转移情况。结果通过肝癌皮下移植瘤模型可观察到AEG-1过表达组肿瘤体积显著高于对照组,且裸鼠肝脏组织出现弥漫性侵袭转移灶;在肝癌原位移植瘤和血行播散模型中可观察到AEG-1过表达/沉默可以导致肝癌细胞肝内转移、肺转移率和转移灶数量显著增高/降低。结论过表达AEG-1基因可促进肝癌细胞生长以及定向肺转移,沉默AEG-1基因抑制肝癌细胞生长及定向肺转移。

基于深度卷积神经网络的异常肺部CT图像初筛平台的设计与临床实践

针对肺部疾病初筛实践中CT图像异常先验判读机制的效能性问题,设计了一种基于深度卷积神经网络的异常肺部CT图像初筛平台并开展了临床实践验证。该平台使用CT扫描设备采集肺部CT图像,形成数据池;利用深度卷积神经网络对数据池训练集进行肺部异常特征学习,构建时间正序下的肺部CT图像异常特征全息感知机制;在Inception V3模型中结合Google Net网络结构,实现参数自动调整优化,达到对肺部疾病精准初筛的目的。使用青岛市中心医院临床肺部CT图像集进行实验,结果表明,该平台在肺部CT图像异常判读均值准确率达96.52%,肺部疾病初筛均值有效率达93.07%,可实现肺部疾病的初筛工作。

绿色荧光蛋白-荧光素酶标记的人源化非小细胞肺癌原位动物模型建立方法

目的采用绿色荧光蛋白-荧光素酶(GL)标记的人类非小细胞肺癌(NSCLC)细胞建立人源化NSCLC原位动物模型。方法制备GL逆转录病毒液。将上述病毒液转染至处于对数生长期的人类NSCLC细胞株(H460细胞)后进行流式分选,从而构建稳定的GL阳性H460细胞(H460-GL细胞)。将15只Nod-Scid小鼠随机分为低剂量组(n=5)、中剂量组(n=5)、高剂量组(n=5),分别以H460-GL细胞1.0×10^(4)个/20μL、1.0×10^(6)个/20μL、1.0×10^(8)个/20μL的密度进行小鼠肺组织原位注射。实验期间观察各组小鼠的一般情况及存活情况。每周通过荧光活体成像观察各组小鼠体内肿瘤的成活、生长情况。造模后第35天处死成瘤小鼠,取肺组织进行病理组织学观察。结果(1)大部分小鼠出现呼吸系统肿瘤相关症状;濒死期小鼠胸腔内均出现不规则形状的白色肿瘤组织,且其与周围肺组织及心脏粘连严重。(2)造模后第22天开始各组小鼠逐渐死亡,于造模后第35天低剂量组、中剂量组、高剂量组小鼠的存活率分别为80%(4/5)、20%(1/5)、0。(3)在低剂量组中,于造模后第14天仅有1只小鼠出现H460-GL细胞荧光,造模第28天的成瘤率为60%(3/5),且成瘤小鼠体内的荧光强度大小不一;在中剂量组、高剂量组中,所有小鼠在造模后第7天均出现H460-GL细胞荧光,且荧光均逐渐增强,在造模后第14天、第21天成瘤小鼠体内的荧光强度相似且较为均匀。结论该造模方法可获得稳定的人源化NSCLC原位动物模型,且操作简便、易于复制,可在动物体内模拟人类NSCLC发生、发展、转移过程,并能实时观察肿瘤大小与转移路径。

基于优化水平集方法的CT图像肺结节检测算法

对Chan-Vese水平集图像分割方法进行分析和改进,提出了结合全局区域均值和局部边界信息的水平集改进算法,应用于肺部CT图像分割和肺结节检测。在图像分割的目标函数中,在Chan-Vese方法基础上,引入局部边界统计特性能量项,以利于提高肺部医学图像分割的准确率和分割速度。实验表明,该方法可以很好地分割出肺实质轮廓和肺结节病灶区域,在分割速度上比Chan-Vese方法有了明显的提高,检测结果不依赖于初始设置,将人工交互降至最低,有利于实现CT图像肺结节自动检测。

基于几何形变模型的三维肺血管图像分割方法

肺血管分割一直是重要而困难的工作,因此,提出了一种新的基于几何形变模型的三维肺血管图像分割方法。现有几何形变模型方法仅仅包含了图像区域与边缘属性中的一种,而新方法能够同时包含上述两种图像属性。首先,定位血管内外同质区域;然后,通过目标边缘能量的计算使曲面沿着图像梯度方向的二阶导数进行演化,以使其精确收敛到目标边缘;最后,根据上述步骤,建立三维血管分割形变模型。通过多组CT图像的实验表明,该方法快速、准确,对背景噪声具有较好的适应性。

兔肺VX2移植瘤放疗前后^(18)F-FDG PET及CT观察

目的:探讨兔肺VX2移植瘤模型用于评估肺部肿瘤放射治疗效果的可行性。方法:12只兔肺VX2移植瘤模型行短期大剂量放疗,放疗前及放疗后第7天行18F-FDGPET及CT检查,以常规病理作为金标准。结果:兔肺VX2移植瘤放疗前PET显像,常规SUVmax为2.95±1.04,延迟SUVmax为3.58±1.32;放疗后第7天PET显像,常规SUVmax为1.47±0.36,延迟SUVmax为1.88±0.44。放疗后PET常规显像较放疗前18F-FDG代谢变化百分率下降60.48±5.66,PET延迟显像18F-FDG代谢变化百分率下降57.18±6.79。兔肺VX2移植瘤放疗前后PET常规显像SUV改变与放疗前后PET延迟显像的SUV改变均以t检验分析,放疗前后SUV变化有统计学意义。病理检查见肿瘤组织内大片凝固坏死。结论:兔肺VX2移植瘤模型短期大剂量放疗后行18F-FDGPET显像,其SUV显著降低,可在兔肺VX2移植瘤出现CT形态学改变之前早期评估兔肺VX2移植瘤对放射治疗的反应。

绿脓杆菌肺炎动物模型建立与影像学评价方法的初步探索

目的建立绿脓杆菌(PA,又名铜绿假单胞菌)肺炎动物模型,并从病理学、微生物学、影像学方面进行评价,探索并优化建模方法,为临床绿脓杆菌肺炎相关研究提供可行的动物模型基础。方法 24只健康清洁级新西兰大白兔随机分成2组,实验组采用喷雾吸入法,隔日接种反复感染家兔,对照组予以等量生理盐水。接种后隔日一次行胸部CT扫描。比较二组家兔的体重、体温、血象及精神状态;观察实验组病理组织学和影像学改变。结果吸菌组家兔体重下降,白细胞总数显著升高,早期出现寒颤发热,躁动不安,晚期反应迟钝。大体标本早期有明显的充血、水肿及颜色变化等改变,进展期出现脓肿、出血、实变、质地变硬等。镜下观察表现为急性、慢性肺炎和急慢性混杂的病理组织学改变。结论使用喷雾吸入法反复感染新西兰兔,可成功建立家兔绿脓杆菌肺炎模型。

基于Snake模型的病变CT肺部图像分割

传统的肺实质分割算法大多基于阈值法、区域增长、边缘提取以及形态学等方法,这对健康肺部CT图像可以得到比较理想的分割结果,但临床上所面临的CT图像大多具有各种病变,严重时会导致肺实质大面积缺失或呈区域性离散块状,这使得传统的肺实质分割算法效果不理想。为此,提出一种以生理解剖学知识为基础并基于Snake模型的肺实质分割算法。通过多组CT图像实验表明,无论肺内有无病变,该算法对CT肺部图像分割效果理想,而且速度快、完全自动。

基于改进Snake模型的肺部图像分割

肺实质分割是基于CT图像的计算机辅助检测技术必不可少的步骤。针对现有活动轮廓模型对初始位置敏感、深度凹陷区域分割不准确和抗噪性差等缺点,提出了一种基于改进Live-Wire算法确定Snake模型初始轮廓的交互式分割方法。该方法结合并改进Live-wire算法和一般的阈值法对图像进行预分割,将得到的边缘作为Snake模型的初始轮廓,通过Snakes模型演化得到肺实质轮廓结果。实验结果表明该方法能快速地对肺部图像进行分割,与传统方法相比具有人工交互次数减少、抗噪音性好、更具鲁棒性和效率性的优点。