胃癌肝转移病灶的人工智能辅助半自动分割软件的临床应用评估

目的:评估人工智能辅助胃癌肝转移病灶自动分割软件对胃癌肝转移病灶的分割功能相对于手动分割,能否减少观察者内及观察者间的差异。方法:由2名医生盲法应用西门子医疗开发的基于深度学习网络的肝脏肿瘤分析软件(Liver Lesion Analysis Tool),分别使用全手动模式以及人工智能辅助的半自动模式,对32例患者共81个胃癌肝转移灶的CT图像进行分割,并对最长径及三维体积进行纯手动和全自动重复测量。应用Bland-Altman法分别评估最长径测量及体积测量在2种分割模式下的观察者内及观察者间差异,用组内相关系数(intraclass correlation coefficient, ICC)评估2种模式下最长径测量与体积测量的观察者内及观察者间测量变异度差异。结果:手动、半自动模式最长径测量的观察者内95%一致性区间分别为-31.70%~34.55%,-28.04%~27.89%,手动、半自动模式最长径测量的观察者间95%一致性区间分别为-74.26%~38.85%,-59.54%~40.98%。手动、半自动模式体积测量的观察者内95%一致性区间分别为-148.10%~102.70%,-75.92%~63.79%,手动、半自动模式体积测量的观察者间95%一致性区间分别为-127.40%~111.50%,-87.66%~43.77%。观察者内手动模式最长径测量与体积测量变异度的ICC分别为0.914、0.950,观察者内半自动模式最长径测量与体积测量变异度的ICC分别为0.967、0.970。观察者间手动模式最长径测量与体积测量变异度的ICC分别为0.884、0.939,观察者间半自动模式最长径测量与体积测量变异度的ICC分别为0.928、0.974。相对于手动分割病灶,使用人工智能辅助的肝转移自动分割软件进行半自动病灶分割所需要的时间大大缩短[(25.78±4.23) s比(4.53±2.82) s, P<0.01]。结论:使用人工智能辅助的肝转移自动分割软件进行半自动病灶分割在观察者内及观察者间的一致性好,可提高肝转移病灶分割的效率,有望成为临床随访及疗效评估的定量工具。

胰腺癌能谱CT图像纹理分析在淋巴结转移预测中的可行性研究

目的:探讨胰腺癌能谱CT图像纹理分析在淋巴结转移评估中的可行性及其影响因素。方法:选取本院行术前CT能谱成像检查且病理证实为胰腺导管腺癌的155例患者。CT增强扫描采用能谱扫描(GSI)模式,期相取动脉晚期(AP)、门脉期(PP)采用标准算法重建图像,层厚分别为1.25mm和5mm。根据淋巴结转移情况,将研究对象分为两组,应用Ma Zda软件通过手动勾画感兴趣区(ROI)的方式提取病变的纹理特征,通过特征选择方法选出最具判断胰腺癌是否淋巴转移的纹理特征。方法包括Fisher系数(Fisher)、分类错误概率联合平均相关系数(POE+ACC)、互信息(MI)及上述3种方法的联合法(FPM)。用不同分类统计方法判断胰腺癌是否存在淋巴转移,结果以判错率形式表示。结果:特征选择方法中,3种方法联合法(FPM)选择的纹理特征判断胰腺癌是否淋巴结转移的判错率最低,为20.65%(32/155);分类统计方法中,非线性判别分析(NDA)区分胰腺癌淋巴结转移的判错率低于原始数据分析(RDA)、主成分分析(PCA)、线性判别分析(LDA)。能谱CT图像各序列中,动脉晚期5mm层厚(5mmAP)图像的纹理分析判错率最低,但各序列之间的差异无统计学意义。结论:胰腺癌能谱CT图像纹理分析可作为术前评估是否发生淋巴结转移的辅助工具。

MRI图像纹理分析在胰腺神经内分泌肿瘤病理分级中的应用研究

目的 :探讨MRI图像纹理分析在胰腺神经内分泌肿瘤分级中的应用价值。方法 :回顾性分析我院64例经手术或病理活检确诊为神经内分泌肿瘤患者的MRI图像,运用Ma Zda软件通过手动勾画感兴趣区(region of interest,ROI)的方式提取病变的纹理特征,通过特征选择方法选出最具鉴别胰腺神经内分泌肿瘤病理分级的纹理特征,方法包括Fisher系数(Fisher coefficient,Fisher)、分类错误概率联合平均相关系数(classification error probability combined average correlation coefficients,POE+ACC)、互信息(mutual information,MI)及上述3种方法的联合法(FPM)。用特征分类统计方法,判别3种病理分级(G1、G2、G3),结果以判错率形式表示。结果:特征选择方法中,3种方法联合法(FPM)选择的纹理特征鉴别3种病理分级的判错率最低,为9.38%(6/64);特征统计方法中,非线性判别分析(nonlinear discriminant analysis,NDA)区分G1、G2、G3 3种分级的判错率要低于原始数据分析(raw data analysis,RDA)、主成分分析(principal component analysis,PCA)、线性判别分析(linear discriminant analysis,LDA)。各序列中,表观弥散系数(apparent diffusion coefficient,ADC)图纹理分析判错率最低,但各序列之间的差异尚无统计学意义。结论:MRI图像纹理分析可作为胰腺神经内分泌肿瘤术前分级的辅助工具,采用Fisher系数、分类错误概率联合平均相关系数(POE+ACC)和互信息(MI)3种方法联合(FPM)的MRI图像纹理特征选择技术,结合非线性判别分析(NDA)方法 ,有较低的错判率。