便携式DR联合人工智能分析系统在急性骨折诊断中的应用价值研究

目的比较便携式DR图像经过单纯人工诊断和人工联合人工智能(AI)诊断结果的一致性和诊断效能。方法在解放军总医院第三医学中心招募急性非头部外伤患者263例,经联影Udr360i便携式DR采集图像后,分别使用单纯人工诊断和人工联合骨折AI诊断系统进行诊断,并对比其敏感度、特异度、准确度、精确度和负预测性,以判断其诊断效能。结果在263例患者中,针对240例单发性骨折DR图像,人工联合AI诊断和单纯人工诊断骨折结果具有一定的一致性(Kappa值=0.627,P<0.001)。以联合诊断为参考,单纯人工诊断方法的敏感度为73.81%,特异度为89.47%,准确度为81.25%,精确度为88.57%,负预测性为75.56%,但仍误诊5.00%,漏诊13.75%。针对23例多发性骨折DR图像,两种方法诊断一致性较差(Kappa值=-0.175,P=0.122)。以联合诊断为参考,单纯人工诊断方法的敏感度为42.86%,特异度为0%,准确度为39.13%,精确度为81.82%,负预测性为0%,但仍误诊8.70%,漏诊52.17%。结论针对便携式DR图像,人工联合AI诊断骨折(包括单发性骨折和多发性骨折)的诊断效能显著优于单纯人工诊断。

人工智能在医学影像分析中的应用进展

以深度学习(DL)为代表的人工智能(AI)技术已在计算机视觉任务中取得突破性进展。本文从4种常见计算机视觉任务(图像分类、目标检测、物体分割和图像生成)出发,回顾AI技术在医学影像分析中的应用及其发展。

深度学习技术在胸部X射线片质量评价中的价值研究

目的:探讨基于ResNet50网络的深度学习技术对胸部后前位X射线片(简称胸片)投照技术进行批量自动质量评价的价值。方法:选取医院影像归档及传输系统(PACS)中的3000张胸部后前位胸片,由两名高年资主管技师共同阅片,对胸片投照技术质量做出评定。将所有胸片以胸6椎体为图像中心划分为正常、偏左、偏右、偏上、偏下以及肩胛骨在肺野内的6种类型,每种类型500张。由深睿医疗人工智能研究院搭建平台并训练胸片深度学习模型,模型包含3个独立的分类器(A、B、C),分类器A对正常、偏左及偏右进行判定;分类器B对正常、偏上及偏下进行判定;分类器C对正常和肩胛骨在肺野内进行判定。训练集包含2400张胸片,测试集包含600张胸片,采用各独立分类器的评价准确率以及各类别胸片的质量控制敏感性作为评价指标。结果:基于ResNet50网络的深度学习模型3个独立分类器对胸片质量的测试准确率分别为97.0%、99.3%和97.0%;对正常、偏左、偏右、偏上、偏下以及肩胛骨在肺野内6种类型胸片的召回率分别为98%、98%、97%、99%、100%和95%。结论:基于ResNet50网络的深度学习自动分类模型可以有效评价胸片投照技术质量,从而辅助影像科质量控制小组进行胸片质量控制评价。

基于冠状动脉CT血管成像的深度学习模型对冠心病的诊断性能

目的探讨基于冠状动脉CT血管成像的深度学习(DL)模型评估冠心病管腔狭窄的诊断性能。资料与方法回顾性分析2014年7月—2020年7月北京大学首钢医院89例疑似冠心病患者的冠状动脉CT血管成像资料,采用侵入性冠状动脉造影作为参考标准,评价DL模型对冠心病管腔狭窄的诊断性能。管腔直径狭窄≥50%认为是梗阻性冠状动脉狭窄,并在斑块类型、斑块长度、斑块累及血管水平,应用受试者工作特征曲线下面积(AUC)比较DL模型和医师的诊断效能,同时计算敏感度、特异度、阳性预测值、阴性预测值和准确度。结果DL模型诊断阻塞性冠状动脉狭窄的AUC为0.92,敏感度为86.2%,特异度为87.6%,阳性预测值为66.37%,阴性预测值为95.71%,准确度为87.28%。在斑块类型水平,DL模型对混合型斑块所致管腔狭窄的敏感度最高(100%),对非钙化斑块所致管腔狭窄的特异度最高(88.9%),对非钙化斑块所致管腔狭窄的整体诊断效能最优,准确度为89.43%,AUC为0.94。在斑块长度水平,DL模型对局限性斑块与节段性斑块所致管腔狭窄的诊断效能接近,AUC分别为0.91和0.95。在斑块累及血管水平,DL模型对左主干、右冠状动脉、前降支、回旋支及分支血管的管腔狭窄诊断AUC分别为1.00、0.96、0.90、0.90和0.92。DL模型对不同长度斑块所致管腔狭窄的诊断性能差异有统计学意义(χ^(2)=8.43,P=0.01),对不同类型斑块所致管腔狭窄的诊断性能差异无统计学意义(χ^(2)=0.77,P=0.68),对不同累及血管管腔狭窄的诊断性能差异无统计学意义(χ^(2)=9.43,P=0.05)。对于非钙化斑块、混合斑块及节段性斑块所致管腔狭窄,DL模型的诊断性能高于医师,差异有统计学意义(Z=2.53、2.52、2.49,P=0.01)。结论基于冠状动脉CT血管成像的DL模型诊断冠心病具有较高的准确性,是诊断冠心病的可靠辅助工具。

基于深度学习的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能

目的评价基于深度学习(DL)的乳腺X线摄影钙化检测系统对乳腺可疑钙化的检出效能。方法回顾分析932例接受乳腺X线检查患者的头足位(CC)和内外斜位(MLO)资料,由2名低年资医师和DL系统盲法独立阅片,一名高年资医师审核结果。比较DL系统与低年资医师检出敏感度差异,结合双向表χ2检验,评价不同BI-RADS分类、钙化形态和分布影响。结果针对3728幅影像(932例),标记可疑钙化274例。2名低年资医师和DL系统的检出敏感度分别是76.64%(210/274)、82.12%(225/274)和99.64%(273/274)。DL系统检出敏感度不受钙化形态、分布、BI-RADS分类等因素的影响(P均>0.05),而低年资医师对无定形钙化和团簇分布钙化的敏感度明显降低(P均<0.05)。结论基于DL的乳腺X线影像钙化检出系统检出对可疑形态钙化的敏感度高且稳定,可辅助临床医师减少漏检。

CT影像组学模型预测膀胱癌术后1年复发的初步研究

目的探究基于CT图像的影像组学模型预测膀胱癌术后1年复发的可行性。方法回顾性纳入2014年5月至2018年7月于北京协和医院行手术治疗的膀胱癌患者,并对其进行随访,记录疾病复发状况。收集膀胱癌患者术前CT泌尿系成像实质期图像,经滤波处理后进行影像组学特征提取;采用JMIM特征选择算法识别与膀胱癌术后1年复发相关的最佳影像组学特征,采用随机森林模型、自适应增强模型、梯度提升树模型以及3个模型构成的组合模型构建膀胱癌术后1年复发的预测模型,并基于10次10折交叉验证法对各模型进行验证。采用受试者工作特征曲线对各模型的预测性能进行评定。结果共228例符合纳入和排除标准的膀胱癌患者入选本研究。随访1年时51例患者复发,177例患者未复发。经交叉验证,随机森林模型、自适应增强模型、梯度提升树模型和组合模型预测膀胱癌术后1年复发的曲线下面积分别为0.729(95%CI:0.649~0.809)、0.710(95%CI:0.627~0.793)、0.709(95%CI:0.624~0.793)、0.732(95%CI:0.651~0.812),准确度分别为76.8%(95%CI:70.6%~82.0%)、73.7%(95%CI:67.4%~79.2%)、61.8%(95%CI:54.7%~67.7%)、75.0%(95%CI:68.8%~80.4%),灵敏度分别为52.9%(95%CI:38.6%~66.8%)、62.7%(95%CI:48.1%~75.5%)、80.4%(95%CI:64.3%~88.2%)、58.8%(95%CI:44.2%~72.1%),特异度分别为83.6%(95%CI:77.1%~88.6%)、76.8%(95%CI:69.8%~82.7%)、56.5%(95%CI:48.9%~63.9%)、79.7%(95%CI:72.8%~85.2%)。结论有机结合基于CT图像构建的多个影像组学模型可预测膀胱癌术后1年的复发风险。

基于深度学习重建常规头部2D T1WI超分辨率图像质量

目的 评价基于深度学习改良U-net (M U-net)模型的常规厚层2D T1WI超分辨率重建图像质量及其在脑形态学研究中的应用价值。方法 回顾性分析730例头部MRI,包含常规厚层2D T1WI及3D T1WI,按7∶3比例将其分为训练集(n=500)和测试集(n=230)。采用M U-net模型和传统插值算法对2D T1WI进行超分辨率重建;以3D T1WI为对照,计算并比较2种重建图像的峰值信噪比(PSNR)和结构相似度(SSIM)的差异。分别采用基于体素的形态学分析(VBM)和基于皮层的形态学分析(SBM)方法测量超分辨率重建图像及真实对照图像的相对灰质体积和皮层厚度,并以组内相关系数(ICC)比较测量结果的一致性。结果 相比插值重建图像,M U-net模型重建图像的PSNR(t=4.43,P<0.01)和SSIM(t=21.81,P<0.01)更高,M U-net模型重建图像与对照图像的相对灰质体积和皮层厚度的一致性均高于插值重建图像。对于M U-net重建图像,VBM的ICC优于SBM(t=13.00,P<0.01)。VBM结果显示,不同脑区间,小脑的ICC最低(0.68±0.14),而大脑皮质区域、尤其额叶(0.93±0.04)及运动区(0.94±0.02)的ICC较高。结论 改良M U-net模型能有效提高头部2D T1WI超分辨率重建图像质量,有助于进行VBM定量分析。

急性缺血性卒中自动化DWI-ASPECTS的可行性研究

目的由于DWI-Alberta卒中项目早期CT评分(DWI-ASPECTS)与临床医师评分在急性缺血卒中患者应用中均存在缺陷,文中旨在采用自动化评分(eDWI-ASPECTS)软件,并与不同年资神经放射科医师评估作对比,验证eDWI-ASPECTS的评估效能。方法回顾性分析2010年7月至2019年12月东部战区总医院神经内科309例入院并被诊断为大脑中动脉(Middle Cerebral Artery,MCA)供血区缺血性卒中的患者。使用基于机器学习的eDWI-ASPECTS进行评分,以及两名高年资和低年资(分别具有15年、5年神经影像方面的临床经验)的神经放射科医师分别进行评分。根据梗死发生的部位分为3个组:皮质组,即梗死在皮层区域(岛叶及M1-M6);深部组,即梗死部位在白质区及基底节区(尾状核、豆状核、内囊);混合组,即累及皮层、皮层下及深部区域。采用组内相关系数(ICC)、Cohen′s Kappa系数分别评估总体、医师之间以及医师与eDWI-ASPECTS之间的一致性,并将ASPECTS二分类后进一步评估医师与eDWI-ASPECTS的一致性。结果对于总体数据,低年资与高年资医师之间、低年资医师与eDWI-ASPECTS、高年资与eDWI-ASPECTS一致性较好(ICC=0.94、0.91、0.93)。皮质组一致性最好(P<0.05),而深部组及混合组的一致性下降,混合组一致性最差(P<0.05)。二分法评估结果:eDWI-ASPECTS与低年资医师(kappa=0.71,P<0.05)、eDWI-ASPECTS与高年资医师(kappa=0.76,P<0.05)、医师之间(kappa=0.79,P<0.05)显示一致性均达到较好水平。结论eDWI-ASPECTS与医师一致性较好,为急性缺血性卒中患者的诊断和治疗提供了标准化的评估工具;但是,不同梗死部位会影响到医师与eDWI-ASPECTS的一致性。

基于深度学习和CT影像的新型冠状病毒肺炎病灶分割

胸部CT图像中新型冠状病毒肺炎(COVID-19)病灶的准确分割可以为诊断提供助力。新型冠状病毒肺炎在CT影像上的表现包括磨玻璃影、实变、胸腔积液病灶等,这些征象的纹理、大小和位置变化较大。该研究提出的深度神经网络RCB-UNet++,可以用于新型冠状病毒肺炎在CT影像上的分割问题。该网络在UNet++网络的基础上,增加了残差模块和卷积块注意力模块。此架构能有效地提取底层的纹理信息和高层的语义信息,并基于注意力机制优化模型效果。该研究所提出的RCB-UNet++模型经过在45例样本上的训练后,在50例测试集上的Dice系数达到了0.715,且敏感性和特异性分别达到了0.754和0.952,超过基于同样数据划分的其他已发表的深度学习模型。这表明所提出的算法有效地提高了分割效果,具有从CT图像中全自动分割新型冠状病毒肺炎病灶的潜力。

深度学习在医学影像分析中的应用综述

【目标】综述近年来深度学习(Deep Learning,DL)在医学影像分析领域的研究和应用进展。【文献范围】采用关键词检索和引文二次检索的方法初步收集相关论文。【方法】首先简要介绍基于卷积神经网络的DL模型,然后按病症介绍近年来DL在医学影像辅助诊断中的表现,病症包括脑卒中、肺结节、骨龄测量等。【结果】DL在多种疾病的影像辅助诊断中展现出优势,包括精度高、速度快、结果稳定、可规模化等。同时,很多问题阻碍了DL从实验走向临床,如依赖大量数据、标注标准不统一、模型泛化能力欠佳、可解释性不足等。【局限】检索文献仅覆盖最近几年的工作,对于更久之前的可能存在遗漏。【结论】深度学习可提高放射医师解读影像的效率和精度,但DL还不完美,在广泛渗透医学影像解读之前,还需要经历长时间的研究和验证。

影像组学对不同X线表现类型乳腺病灶良恶性的鉴别诊断效能

目的探讨影像组学特征分析方法对不同X线表现类型乳腺病灶良恶性的诊断效能。资料与方法回顾性分析行乳腺X线摄片检查并获得病理诊断结果的816例女性患者资料。运用手动分割的方法分割病灶感兴趣区,并进行影像组学特征预处理和提取,用五折交叉验证及逻辑回归方法进行良恶性病灶分类器训练和测试。使用受试者工作特征曲线下面积(AUC)评估乳腺病灶良恶性的诊断效能。结果影像组学特征分类器对乳腺肿块型病灶的鉴别诊断能力最强,其次是钙化,对非对称和结构扭曲的鉴别诊断效能较低(AUC值依次为0.82±0.02、0.75±0.07、0.61±0.05、0.58±0.10,P<0.05);在放射科医师阅片基础上联合运用影像组学方法可提高结构扭曲类型乳腺病灶的鉴别诊断效能(AUC值由0.78±0.08上升至0.82±0.08,P<0.05)。结论影像组学特征分析对于鉴别X线表现类型肿块型病灶的良恶性具有较好的诊断价值。

基于增强CT的影像组学定量特征模型在预测胃癌分期中的价值

目的:探讨基于术前增强CT的影像组学定量特征模型在诊断胃癌分期中的应用价值。方法:回顾性分析174例活检确诊为胃癌患者的术前增强CT图像,采用半自动标注功能对病灶的三维容积感兴趣区(VOI)进行标注,利用PyRadiomics工具对所有VOI进行特征提取、机器学习的模型建立及分析,以组织病理学分期为金标准,采用受试者工作特征(ROC)曲线分析CT影像组学模型在胃癌分期中的诊断能力,计算其曲线下面积(AUC)、准确度、敏感度及特异度,并与两位胃癌影像诊断专业组医师进行比较。结果:针对鉴别T1-T2期与T3-T4期胃癌,在交叉验证集中的AUC为0.879,在测试集中的AUC为0.832,模型准确度为74.3%,敏感度为75.0%,特异度为73.3%;针对鉴别N0期与N1~N3期胃癌,在交叉验证集中的AUC为0.839,在测试集中的AUC为0.670,模型准确度为60.0%,敏感度为65.0%,特异度为53.3%;在胃癌TNM分期Ⅰ-Ⅱ期与Ⅲ-Ⅳ期分类实验中,在交叉验证集中的AUC为0.907,在测试集中的AUC为0.700,模型准确度为65.7%,敏感度为61.5%,特异度为68.2%;测试集中以上三种诊断试验表现与胃癌影像专业组医师比较差异无统计学(P>0.05)。结论:基于胃重建增强CT的影像组学定量特征模型在术前预测胃癌分期中具有与影像专业组医师相近的表现,具有临床辅助诊断价值。

3D背景识别深度学习系统在胸腔积液检出中的价值研究

目的探讨基于3D背景识别卷积神经网络构建的人工智能系统在胸腔积液检出中的应用价值。方法搜集2010年1月至2018年12月胸部CT平扫的检查数据2722例作为训练数集,其中含有胸腔积液的数据共2601层,所有人工智能自动识别均基于轴位图像进行标注,为了在病灶检出定位网络中考虑3D背景识别信息,选择连续7层的轴位图像作为输入。整个胸腔积液检出系统包含两个网络,病灶定位网络和肺叶分割网络,并使用3D卷积对主干网络建模。测试集选择2019年1月至2019年3月胸部CT平扫数据504例。人工智能识别系统(A组)首先检出胸腔积液是否存在,再行肺叶级别的定位,与相应病例诊断报告结果(B组)相比较。以两名有5年以上阅片经验的医师综合分析人工智能与报告结果作为金标准,进行统计学分析。结果504例CT图像中,A组检出胸腔积液347处,其中真阳性病灶175处,假阳性病灶172处。B组检出198处,其中真阳性病灶177处,假阳性病灶22处。结合人工智能和医师报告,最终发现胸腔积液218处,比最初诊断报告多发现41处。结论3D卷积神经网络的深度学习系统在胸腔积液的检出中具有应用价值。

基于深度学习的儿童骨龄智能评估模型构建及初步临床验证

构建基于深度学习的儿童骨龄人工智能(AI)评估模型,并进行初步的临床验证.方法回顾性连续纳入2018年3月至8月无锡市儿童医院儿童骨龄DR片5000例,按年龄段等比例采样原则训练集纳入2351例,验证集101例.由4名放射学专家采用中华05RUS-CHN法,双盲评估关键骨骺发育等级,取专家骨龄评测的均值为参考金标准.采用深度学习方法训练并建立骨龄评估AI模型,另选2名儿童影像住院医师人工测评验证集骨龄,作为临床验证对照组.计算AI模型和2名住院医师骨龄测评的准确率、平均绝对误差(MAE)、均方根误差(RMSE)及耗时,并采用配对t检验和F检验及χ^2检验比较.结果AI模型与参考金标准之间的MAE为(0.37±0.35)年,RSME为0.50年,完成1份骨龄评价报告用时(4.58±0.91)s.2名住院医师和AI模型评价的MAE、RSME差异均无统计学意义(P>0.05),评价用时明显长于AI,差异有统计学意义(P<0.05).当误差范围在±1.0岁、±0.7岁及±0.5岁以内,AI模型评价验证集准确率分别为94.1%(95/101)、89.1%(90/101)和74.3%(75/101),AI评测骨龄与2名医师之间的准确率差异均无统计学意义(P>0.05).结论构建的基于深度学习的儿童骨龄评估AI模型具有可行性,并具有准确性高以及耗时短的特点.

基于临床和CT影像学特征的胰腺囊性病变进展预测模型的建立及验证

目的构建基于临床及CT影像学特征的胰腺囊性病变(PCLs)进展预测机器学习模型,并在内、外部测试集上评估其预测效能。方法回顾性收集2014年7月至2022年12月间北京协和医院行腹部薄层增强CT扫描的177例患者、200个PCLs病灶的基线临床和影像学资料,根据随访3年间PCLs病灶是否出现欧洲PCLs研究小组指南规定的手术征象,将其分为进展组和无进展组。以3∶1的比例将200个PCLs病灶随机分为训练集(150个)和内部测试集(50个);以2011年10月至2020年5月间南京大学医学院附属金陵医院行腹部薄层增强CT扫描的14例患者、15个PCLs病灶作为外部测试集。记录患者的临床及CT影像学特征,采用多种特征选择方法、多种机器学习模型进行组合,并基于10折交叉验证法筛选最优机器学习模型。绘制各模型的受试者工作特征曲线(ROC),计算曲线下面积(AUC),取AUC值最高的模型作为最优模型。在测试集上计算AUC值、灵敏度、特异度和准确度,评估模型的预测效能。使用置换重要性评估最优模型特征的重要程度。建立最优模型的校准曲线,采用Hosmer-Lemeshow检验评估模型的临床适用性。结果训练集和内部测试集的进展组与无进展组在胰腺炎史、病灶大小、主胰管管径、主胰管扩张、囊壁增厚、分隔存在、分隔增厚间的差异及内部测试集的两组在性别、病灶钙化和胰腺萎缩间的差异均有统计学意义(P值均<0.05)。外部测试集的进展组与无进展组在病灶大小和胰管扩张间的差异均有统计学意义(P值均<0.05)。基于F检验所选出的胰腺炎史、病灶大小、囊壁增厚、主胰管扩张、主胰管管径5个特征建立的支持向量机模型在交叉验证过程中取得了最高AUC值(0.899)。该模型在内部测试集中对PCLs进展预测的AUC值为0.909,灵敏度为82.4%,特异度为72.7%,准确度为76.0%,在外部测试集中分别为0.944、100%、77.8%和86.7%。校准曲线显示,模型的预测概率与实际PCLs进展概率基本相当。Hosmer-Lemeshow拟合优度检验显示,模型对测试集PCLs进展真实情况的拟合较好。结论基于临床及CT影像学特征构建的支持向量机模型能够帮助医师预测3年内随访PCLs的进展情况,从而帮助临床高效管理患者,合理分配医疗资源。

基于机器学习的低剂量胸部CT肺结节分类和预后随访的研究

目的研究基于机器学习的影像组学方法对胸部低剂量CT(LDCT)图像中肺结节进行分类并预测随访过程中形态变化的可行性。方法建立两个回顾性队列,采集LDCT图像和肺CT筛查报告和数据系统(Lung-RADS)结构式报告中结节大小、位置、性质,随访过程中形态变化等信息,用于建模。在队列1中,首先使用深度学习算法在718个连续病例中检出肺结节,经专家清洗后得到有效直径为4~20 mm的肺结节,分为实性结节(n=317)、纯磨玻璃结节(n=185)、混合型磨玻璃结节(n=57)和钙化结节(n=128)。利用梯度提升树(GBDT)算法进行肺结节分类建模,通过交叉验证算法选择最优的GBDT分类器建模参数,然后利用最优参数建立肺结节分类模型,并验证其效能。在队列2中,仅选择初诊患者LDCT中结节分类最高为Lung-RADS 3类的病例(n=116),在12个月内再次行LDCT检查,且部分进行了>12个月的随访。根据随访结果将Lung-RADS 3类结节分为:有风险的活动性结节(n=56)和无风险的非活动性结节(n=60)。利用多变量非平衡调整逻辑回归算法(IALR)进行肺结节生长预测建模,并验证其效能。结果基于影像组学特征根据GBDT算法建立肺结节分类模型,平均ROC曲线下面积(AUC)为0.80(纯磨玻璃结节AUC=0.91,钙化结节AUC=0.90,实性结节AUC=0.81,混合型磨玻璃结节AUC=0.57)。预测Lung-RADS 3类肺结节变化的模型,其ROC曲线AUC为0.69,敏感性、特异性及准确性分别为62.3%、64.1%和62.6%。结论基于机器学习的LDCT肺结节分类有较高的准确性,对Lung-RADS 3类结节预后随访的效能仍需进一步研究。

基于深度学习的肺结节分类分割算法及其在不同CT重建算法下的效能评估

目的构建一种基于深度学习的肺结节分类以及分割算法,探究其在不同CT重建算法下的诊断效能。方法回顾性收集2019年6至9月天津医科大学朱宪彝纪念医院放射科363例胸部CT平扫影像学资料,每例患者的胸部CT平扫均包含三种CT重建算法(肺重建、纵隔重建、骨重建)生成的图像,这些数据构成了模型的测试集;模型的训练集由公开数据集(LIDC-IDRI)和私有数据集共4185例患者胸部CT图像组成。模型的构建采用3D深度卷积神经网络和递归神经网络结合的方式,在多任务联合学习下训练肺结节密度类型分类和分割,最后将训练好的模型在天津医科大学朱宪彝纪念医院放射科363例测试病例上进行效果测试,得到三种CT图像重建算法下结节分类准确率和分割Dice系数指标。采用方差分析对三种CT重建算法下的结节分类准确率和分割Dice系数进行比较以分析差异是否有统计学意义。结果在三种CT重建算法下,模型对肺结节密度类型的分类准确率分别为98.67%±5.70%、98.38%±6.61%和97.89%±7.32%,其中实性结节的分类准确率分别为98.79%±5.58%、98.49%±6.89%和97.90%±7.41%,亚实性结节的分类准确率分别为97.57%±10.19%、98.52%±7.77%和98.52%±7.77%,三种不同重建算法下的肺结节的分类准确率差异无统计学意义(均P>0.05)。三种重建算法下,所有结节分割的Dice系数分别为79.87%±5.78%、79.02%±6.04%和79.31%±5.95%,三组间结节分割的Dice系数差异无统计学意义(均P>0.05)。结论结合了3D卷积神经网络和递归神经网络的深度学习算法,对不同CT重建算法图像中肺结节的分类和分割均有较为稳定的效果。

基于深度学习的自发性脑出血CT影像分割算法精准计算病灶体积的应用探讨

探讨深度学习技术在自发性脑出血CT影像分割和精准计算出血病灶体积的效果.方法回顾性分析天津医科大学总医院2016年4月至2018年4月影像及临床诊断为自发性脑出血的1223例患者资料.分为实质内出血、脑室出血、蛛网膜下腔出血和混合型出血4种类型.采用完全随机法将患者分为训练集905例、验证集156例、测试集162例,实质内出血分别为498、107和100例.由医师对出血区域进行轮廓勾勒标注,作为金标准构建模型以评测测试集性能.采用脑卒中人工智能检测分析系统构建模型,并采用多田公式计算出血体积.在测试集中筛选97例单纯实质内出血患者,按照实质内出血体积,将97例患者分为<5 ml组、5~25 ml组及>25 ml组,记录采用多田公式、模型预测的出血体积绝对和相对误差,并记录模型预测的Dice指数.结果测试集162例中,深度分割模型在实质内出血、脑室出血、蛛网膜下腔出血和混合型出血的Dice指数分别为0.87、0.85、0.67和0.77.在单纯实质内出血的97例患者中,模型计算血肿量为(29.55±37.69)ml,多田公式计算的血肿量为(24.04±31.22)ml.实质内出血体积<5 ml组、5~25 ml组及>25 ml组,采用模型预测的出血体积绝对误差分别为(0.52±0.54)、(1.53±1.22)、(7.93±8.49)ml,多田公式得到的出血体积绝对误差分别为(0.68±0.60)、(3.16±2.90)、(19.31±17.23)ml.结论利用深度学习模型自动分割脑出血可以应用于实质内血肿计算,误差小于多田公式计算结果.

基于甲状腺乳头状癌结节CT静脉期图像小波纹理分析预测中央组淋巴结转移的可行性研究

探讨基于甲状腺乳头状癌(PTC)原发癌灶的CT小波纹理分析预测PTC中央组淋巴结(CLN)转移的可行性.方法回顾性分析2013年12月至2019年8月昆明医科大学第一附属医院行PTC手术切除及中央组或全颈淋巴结清扫,并对清扫的CLN进行病理检查的250例(307枚结节)患者.术前2周内均行甲状腺CT双期增强扫描.将2013年12月至2017年12月的160例(189枚)作为训练集,2018年1月至2019年8月的90例(118枚)作为验证集.根据CLN的病理检查结果分为转移组和未转移组.使用DeepWise软件手动逐层勾画CT增强静脉期PTC癌结节,每枚结节提取576个小波纹理特征.比较两组间纹理特征参数的差异,手动筛选ROC曲线下面积(AUC)排列前10的小波纹理特征,logistic回归建立模型并验证,利用ROC曲线评价模型的诊断效能.结果CLN转移组与未转移组间有124个纹理特征比较的差异有统计学意义(P<0.05),手动筛选AUC值排列前10的纹理特征作为最佳特征参数,AUC值为0.599~0.630(P<0.05).以上10个特征间不存在共线性相关,小面积低灰度强调是独立预测风险因素.由静脉期纹理特征构建的训练集诊断CLN转移的AUC、敏感度、特异度和准确度分别为0.693、62.84%、60.47%、62.96%,验证集诊断CLN转移的AUC、敏感度、特异度和准确率分别为0.602、64.95%、33.33%、59.32%.结论基于PTC原发癌灶的CT小波纹理分析预测CLN转移可行,并具有一定价值.

基于深度学习的肺结节良恶性判别模型在靶扫描CT数据的效能验证

评估使用常规肺CT扫描数据训练的肺结节良恶性判别深度学习模型,在肺结节靶扫描CT图像上的良恶性分类效能.方法回顾性分析上海市胸科医院2016年1月至2018年12月间胸部CT扫描发现肺结节并行手术切除的患者923例,共搜集有病理检测报告且在常规扫描和靶扫描数据集上可对应的结节969个.使用基于常规扫描CT数据训练的深度学习良恶性分类模型,对于本研究中搜集的常规扫描和靶扫描数据集进行评测,评估指标包含两者的曲线下面积(AUC)、准确率、敏感度和特异度,并使用综合判别改善指数及Delong测试比较两者的性能差异.结果常规扫描数据集上的曲线下面积、准确率、敏感度和特异度分别为0.80、82.0%、86.0%和56.6%,靶扫描数据集上的曲线下面积、准确率、敏感度和特异度分别为0.84、85.0%、88.8%和60.5%.综合判别改善指数为0.056,差异有统计学意义(Z检验,P<0.05),且ROC曲线下面积差异有统计学意义(Delong检验,P=0.01).结论基于常规肺CT扫描数据训练的深度学习肺结节良恶性分类模型,在肺部靶扫描数据上可以取得更好的诊断效能.