预处理对脑血管分割深度学习系统的影响研究

目的探究有助于提高深度学习系统分割磁共振血管成像(MRA)脑血管能力的预处理方案。方法对393例健康受试者的MRA图像,制定不同的方案对图像数据进行预处理后,分别训练深度学习模型,比较不同预处理方案的结果。结果对MRA脑血管分割任务,偏置场校正+图像归一化预处理方案性能最优,交并比(IoU)和Dice相似系数(DSC)分别为0.796和0.882,仅图像归一化、直方图匹配+图像归一化、偏置场校正+直方图匹配+图像归一化预处理方案性能略次于最优方案。结论偏置场校正+图像归一化预处理组合方案可以提高脑血管分割任务的IoU和DSC。

肺结节的智能影像筛查新模式

人工智能医疗辅助诊断在近两年发展如火如荼,如何更好更安全地利用好这种新的技术,提高医生的诊断效率和诊断质量给我们的医院管理提出了新的挑战。该文旨在通过引入新型智能影像筛查系统,从数据安全、系统集成、技术参数、风险、工作流程和诊断结果七个方面来探讨相关的管理问题以及相应的解决方案。在这些管理问题都得到较好的解决之后,作者发现智能影像筛查系统能够很好地提高医生的诊断效率和诊断质量。

CT影像组学特征预测甲状腺乳头状癌颈部淋巴结转移的价值研究

目的·探讨甲状腺乳头状癌(papillary thyroid carcinoma,PTC)CT增强检查的平扫期、动脉期和静脉期图像的影像组学特征对术前预测颈部淋巴结转移(cervical lymph node metastasis,CLNM)的价值。方法·收集2017年1月—2020年6月在上海市金山区亭林医院行甲状腺外科治疗的197例PTC患者的CT图像,筛选出满足要求的512帧(包括193帧平扫期、131帧动脉期、188帧静脉期),选择图像中显示病灶最大长径的层面进行影像组学研究。根据CLNM的状态,用全部512帧CT图像优选RandomForestClassifier的最佳参数;用具有全部3期CT图像的124例患者资料分别构建3期的随机森林(random forest,RF)分类模型,模型的评价标准为受试者操作特征曲线(receiver operator characteristic curve,ROC curve)的最大平均曲线下面积(area under the curve,AUC)和准确度。结果·RF分类模型显示平扫期、动脉期和静脉期的ROC曲线最大平均AUC分别为0.843、0.775、0.783,相应准确度分别为0.767、0.695、0.726,平扫期的最大平均AUC值明显高于动脉期及静脉期(均P=0.000)。结论·PTC的CT 3期影像组学特征可以较准确地预测CLNM,其中平扫期图像特征预测性能较高。