改进残差网络的肾细胞癌ISUP分级研究

术前预测透明细胞肾细胞癌(clear cell renal cell carcinoma,ccRCC)的分级可有效评估患者的预后并指导临床治疗,但实现精准预测是目前本领域内的一项重要问题。该研究首先确定最优建模的CT类型与网络层数,提出了一种基于改进残差网络的ccRCC的CT影像分级模型,具体包括:利用大卷积操作对图像进行原始特征提取,利用混合注意力模块通过计算特征图中当前空间和临近空间以及当前空间和远距离空间之间的信息交互获取更多有用的特征,使得原始图像特征图在通道维度与空间维度上进行自适应特征细化,利用四个深度卷积网络层提取图像深度特征,并利用改进通道注意力模块产生通道注意力特征图信息,提取更多通道上的交互信息。实验结果表明,增强CT实质期图像和34层残差网络最有利于分级预测模型的开发,所提出的模型的总体加权准确率、AUC、精度、召回率和F1分数分别为90.8%、0.897、90.5%、90.8%、90.9%,各项指标优于其他常见网络结构,因此,该模型在预测ccRCC的国际泌尿病理学学会(International Society of Urological Pathology,ISUP)分级方面有良好的效能,对患者的临床辅助诊断和预后治疗具有重要的理论指导意义。

基于残差混合域注意力网络的PET超分辨率重建方法

正电子发射断层扫描(PET)设备的成像结果常受到扫描时间、示踪剂剂量等因素的制约,导致图像质量下降,影响医生的诊断结果。目前借助人工智能(AI)技术提升PET成像质量是研究的热点,针对现有方法训练参数多,浅层信息丢失,纹理细节损失等问题,提出了一种基于残差混合域注意力网络的PET超分辨率重建方法。该方法设计了一个轻量级的卷积网络,在其中加入残差学习结构并融入混合域注意力块,在增强神经网络的交互性的同时,提高了对高频信息区域的关注度,能够快速重建图像的高频细节。数据集包括网络中的开源数据和从医院获取的临床数据,由此建立PET图像超分辨率数据集,进行训练和测试。实验结果表明,该算法与对比网络在测试结果上有明显提升,当比例因子为4时,与CARN相比,PSNR和SSIM的平均值分别提高了0.09 dB和0.0009,此外参数数量减少了50.26%,有效提升了模型的重建效率。

人工智能技术在泌尿系统肿瘤诊断中的研究现状及展望

人工智能技术目前发展迅速,近年来研究人员将其应用在泌尿系统各类肿瘤诊断中,并获得了很多有价值的研究成果。本文从论文数量、图像数据、临床任务三个方面对近年人工智能技术在肾脏肿瘤、膀胱肿瘤、前列腺肿瘤等领域的研究状况进行了整理,旨在总结和分析研究现状,发现有价值的研究思路。结果显示,基于数字影像、病理图像等医学数据建立的人工智能模型,完成泌尿系统肿瘤的基本诊断、肿瘤浸润区域或特定器官的影像分割、基因突变预测和预后效果预测等医学应用的效果良好,但大多数模型在临床应用的要求方面仍有改进空间。一方面,需要进一步提高核心算法的检测、分类、分割等效能;另一方面,需要整合更多标准化的医学数据库,才能有效提高人工智能模型的诊断精度,使之发挥更大的临床价值。