应用深度学习进行基于前列腺癌转移报告和数据系统指南的晚期前列腺癌盆腔外脏器及转移灶分割

目的探讨应用深度学习进行基于前列腺癌转移报告和数据系统指南的晚期前列腺癌患者盆腔外脏器及转移灶分割的可行性。资料与方法回顾性收集北京大学第一医院2017年1月—2022年1月不同扫描部位(头部、颈部、胸部、腹部)的经临床综合诊断存在转移灶的数据集(头部、颈部、胸部及腹部转移患者分别为68、91、57、263例),用于进行扫描范围的分类模型及不同区域脏器和转移灶的分割模型训练。另收集90例经病理证实为前列腺癌且行全身MRI患者用于模型的外部验证。以手工标注的区域(脑实质、颈椎、肺实质、纵隔、胸椎、肝、腰椎)及转移灶标签为“金标准”,评估模型的分割性能。评价指标包括Dice相似系数(DSC)、体积相似度(VS)。结果在外部验证数据集中,分类模型在头部、颈部、胸部和腹部的符合率分别为100%(90/90)、98.89%(89/90)、96.67%(87/90)和94.44%(85/90);分割模型对不同区域脏器分割的DSC、VS范围分别为(0.86±0.10)~(0.99±0.01)、(0.89±0.10)~(0.99±0.01);分割模型对不同转移灶分割的DSC、VS范围分别为(0.65±0.07)~(0.72±0.13)、(0.74±0.04)~(0.82±0.13)。结论基于深度学习的3D U-Net模型可实现晚期前列腺癌患者的盆腔外区域及转移灶分割。

基于深度学习在CT图像上分割胆囊的研究

目的:基于深度学习方法训练模型,研究其用于腹部CT图像上分割胆囊并自动测量的可行性。方法:从本院PACS系统搜集2016年1月12日至2021年5月28日行腹部CT检查的患者,从中选取1154位患者的1181次CT检查图像,共得到2559个图像序列用于训练模型。由2位影像科医师标注胆囊,将全部数据按8:1:1的比例随机分为训练集(n=2043)、调优集(n=245)和测试集(n=271),训练3D U-net模型分割胆囊并自动测量。另搜集2022年9月10-19日的腹部CT扫描图像,随机选取共141位患者的141次检查的270个图像序列作为外部验证数据集。以外部验证集的预测结果评价模型的效能。使用Dice相似系数(DSC)、体积相似度(VS)和Hausdorff距离(HD)定量评价模型分割胆囊区域的效能。使用Bland-Altman分析评价模型自动测量的胆囊体积、径线、平均CT值与医师标注测量值的一致性。结果:外部验证集的DSC、VS、HD分别为0.980(0.970,0.980)、0.990(0.990,1.000)、1.69(1.27,2.45)mm,各数据集之间DSC、VS和HD的差异均有统计学意义(P均<0.001)。外部验证集中模型预测和医师标注测量的胆囊体积、CT值、三维径线的95%一致性界限(LoA)的可信区间分别为(-2.07,3.36)、(-1.55,1.15)、(-1.28,1.47)、(-3.34,4.07)和(-1.11,2.15),分别有2.6%、3.7%、3.7%、1.1%和3.7%的点落在95%LoA以外。结论:基于深度学习模型可在腹部CT图像上自动分割胆囊区域,是将来进一步胆囊病变智能诊断的基础。

基于腹部CT平扫图像对急性阑尾炎的诊断:影像组学研究

目的:探索使用影像组学模型在腹部CT平扫图像上诊断急性阑尾炎的可行性。方法:回顾性收集2015年5月至2021年8月北京大学第一医院经手术病理确诊的急性阑尾炎患者的术前腹部CT扫描的影像和临床数据210例,以及同期因其他急腹症行腹部CT平扫的患者210例用于影像组学模型训练。420例患者的CT检查采集于4台不同CT扫描设备。由2位影像科医生手工标注阑尾区域。将数据按7∶3的比例随机分为训练集和测试集。使用特征提取102种图像特征后,使用Pearson相关分析进行特征降维,以递归特征消除法选择最相关的20种特征训练支持向量机(support vector machine,SVM)进行二分类,得到影像组学模型。得到影像组学模型后,对测试集进行预测结果,以受试者工作特征曲线(receiver operating characteristic,ROC)评价影像组学模型的效能。结果:经过特征降维、特征选择后,共有3种形态特征、3种一级特征和14种纹理特征用于训练SVM模型。测试集中SVM模型正确预测114例(阑尾炎60例,非阑尾炎54例),错误预测12例(阑尾炎3例,非阑尾炎9例)敏感度为95.2%,特异度为85.7%,准确率为90.5%,ROC曲线下面积为0.931(95%CI=0.887~0.976)。结论:基于腹部CT平扫图像的影像组学模型可用于急性阑尾炎的预测,未来有望用于急腹症CT检查的流程优化。

基于深度学习建立颈椎病MR诊断模型研究

目的:探索利用深度学习方法在建立颈椎病MR诊断模型的可行性。方法:回顾性搜集本院2020年10月-2023年3月诊断为颈椎病患者的MR图像514例,使用已有颈椎分割模型在轴面T 2WI上分别预测硬膜囊、脊髓、椎间盘、后纵韧带和黄韧带,在矢状面T 1WI和T 2WI上预测颈椎椎体和椎间盘。由一位低年资放射科医生(阅片经验2年)修改标注,另一位高年资放射科医生(阅片经验≥15年)对低年资医师的标注进行复核。按照颈椎病的不同诊断要点分别进行3D或2D深度学习分类模型训练,包括①颈椎椎体增生模型;②颈椎椎体滑脱模型;③颈椎间盘突出分类模型;④后纵韧带增厚模型;⑤黄韧带增厚模型。将模型输出结果导入R软件进行混淆矩阵分析及ROC曲线绘制,采用正确率、灵敏度、特异度、阳性预测值、阴性预测值以及ROC曲线下面积等评价5种模型的分类效能。结果:5种分类模型中诊断效能最好的是颈椎间盘突出分类模型,正确率0.90,灵敏度0.95,特异度0.85,ROC曲线下面积0.982。颈椎椎体增生和滑脱的正确率分别为0.81和0.80,灵敏度为0.74和0.76,特异度为0.84和1.00,ROC曲线下面积分别为0.855和0.905。后纵韧带和黄韧带增厚的模型正确率分别为0.82和0.77,灵敏度为0.78和0.84,特异度为0.86和0.70,ROC曲线下面积分别为0.902和0.929。结论:本部分研究采用深度学习方法建立了颈椎病MR的自动分类诊断模型,对颈椎椎体增生、滑脱、椎间盘突出、后纵韧带及黄韧带增厚进行了分类模型训练,证明深度学习方法可以用于颈椎病MR的辅助诊断,为未来进一步探索建立颈椎病MR自动诊断模型及结构化报告的植入奠定了基础。

利用深度学习实现CT图像上腰骶椎各结构分割及椎间盘自动定位的可行性研究

目的:探索使用3D U-Net深度学习模型在CT图像上进行腰椎各结构的自动分割及椎间盘自动定位的可行性。方法:回顾性搜集2020年12月1日-2021年3月29日于本院行腰椎平扫CT的患者影像图像,排除腰椎术后、脊柱畸形及骨转移的病例,共纳入了154个图像数据。手工标注腰骶椎各椎体、椎间盘及硬膜囊。按8:1:1比例将数据随机分为训练集(n=125)、调优集(n=14)和测试集(n=15)。利用3D U-Net分割模型进行训练,以医师手动标注结果作为参考标准,根据测试集Dice相似系数(DSC)、体积相似度(VS)和Hausdorff距离(HD)作为评价模型分割效能的指标。应用连通域分割算法进行腰椎各椎间盘定位,以医师判定为金标准,采用混淆矩阵评价模型识别各椎间盘的位置的定位效能。结果:测试集中3D U-Net深度学习模型对腰骶椎各结构分割结果DSC值、VS值均>0.96。模型识别各椎间盘位置的准确率达98.7%,模型预测与医师判定一致性高。结论:3D U-Net深度学习模型和可用于CT图像中腰椎各主要结构的自动分割并通过连通域算法实现椎间盘自动定位。

基于深度学习在T2Flair图像分割脑胶质瘤病灶的研究

目的探讨深度学习方法训练模型在颅脑T2Flair图像中自动分割脑胶质瘤的可行性。方法回顾性收集2015年3月到2019年9月脑胶质瘤患者的MRI图像,共获得81位患者的合格T2Flair图像。由1位影像医生逐层标注胶质瘤的范围,由另1位高年资影像医生检查并修改。将标注好的数据按照8∶1∶1的比例随机分为训练集(n=63)、调优集(n=9)和测试集(n=9)用于3D U-Net分割模型的训练。以测试集数据的Dice相似系数(Dice similarity coefficient,DSC)为客观评价指标,评价模型分割效果,并比较模型预测脑胶质瘤体积和医生标注胶质瘤体积的差异。结果测试集中模型预测的DSC值为0.74~0.94,中位数为0.88(0.84,0.90)。医生标注脑胶质瘤的体积为32.7~168.1 cm^(3),中位数为146.0(91.7,162.0)cm^(3),模型预测脑胶质瘤体积为35.8~170.9 cm^(3),中位数为113.0(93.7,134.0)cm^(3),其绝对误差率为0.00~0.23,中位数为0.16(0.07,0.19)。结论基于深度学习模型可初步实现在T2Flair图像中自动分割脑胶质瘤,有望用于脑胶质瘤的智能诊断。

基于U-Net实现CT图像上肝段自动分割和术前评估的初步研究

目的:评估基于U形全卷积神经网络(U-Net)对CT图像上Couinaud法肝段的自动分割及体积测量的准确性,探讨其用于半肝切除术剩余肝脏体积百分比(FLR%)评估的可行性。方法:回顾性收集医学中心A的腹部CT增强扫描数据(共170例)用于肝段分割模型的建立,先分割肝脏轮廓,再训练自动分割肝段的模型,最终获得各肝段体积。将放射科医生标注的肝段数据作为金标准。采用医学中心B的CT数据(50例)作为外部验证集,以平均Dice相似性系数(DSC)评价模型效能,分析比较模型与医师在肝段分割、体积测量、FLR%评估上的差异。结果:医学中心A所有数据随机分为训练集(132例)、调优集(19例)、测试集(19例)。外部验证集平均DSC值为(0.92±0.00),肝段平均体积最小为Ⅰ段[(37.59±1.26) mL],最大为Ⅷ段[(241.76±6.07) mL]。模型与手工标注FLR%评估结果一致性高(95%一致范围为0.9768~0.9906),在手术可行性预测上差异无统计学意义(P=0.25)。结论:基于U-Net的Couinaud’s肝段自动分割、体积测量并评估半肝切除术FLR%具有可行性。

基于深度学习在CT图像上分割肾上腺的研究

目的:探索使用3D U-Net模型在CT图像上自动分割肾上腺并完成自动测量的可行性,并尝试使用模型输出值初探多期增强CT检查中正常肾上腺的强化特点及肾上腺体积随年龄段的体积变化规律。方法:第一步,训练肾上腺自动分割模型。回顾性收集2016年1月1日-2019年3月14日本中心腹盆部CT检查且结果未见异常的图像,共纳入520个薄层序列(434个检查)作为模型训练数据集。分别标注双侧肾上腺后随机分为训练集(左侧N=419,右侧N=413)、调优集(左侧N=53,右侧N=55)、测试集(左侧N=48,右侧N=52)训练3D U-Net分割模型,模型客观评价指标为测试集的Dice系数。第二步,验证肾上腺分割模型用于自动测量的可行性。回顾性收集2019年3月15日-2019年4月30日本中心住院成人患者腹盆部CT检查且结果未提示肾上腺病变的图像,共纳入988个薄层序列(523个检查)作为外部验证数据集。使用第一步建立的模型对双侧肾上腺进行分割并检查结果,对自动分割满意的图像统计其肾上腺的体积、三维径线、平均CT值,分析增强规律,并在门静脉期图像中按每15岁年龄段统计肾上腺体积随年龄变化的关系。结果:肾上腺分割模型训练数据集的测试集Dice系数分别为左侧0.942、右侧0.937,外部验证数据集中的分割满意率为57.7%(570/988)。自动分割满意的数据肾上腺体积左侧(2845.35±877.95)mm 3,右侧(2546.21±755.33)mm 3;平扫、动脉期、门静脉期、延迟期平均CT值分别为左侧14.08(8.46~17.99)HU[中位数(四分位数区间)]、(58.79±17.71)HU(平均值±标准差,后同)、(63.41±14.96)HU、(53.31±13.65)HU,右侧(15.40±6.75)HU、(58.04±16.37)HU、(61.05±13.73)HU、(52.63±12.22)HU。随年龄增长,肾上腺体积呈现先增大后减小的趋势(N=131),在33~47岁年龄段达峰,男性、女性肾上腺体积峰值分别为左侧(3951.87±912.49)mm 3、(2789.90±531.19)mm 3,右侧(3250.09±750.91)mm 3、(2288.92±524.08)mm 3。结论:基于3D U-Net可构建肾上腺分割模型,用以对肾上腺体积、三维径线、平均CT值等定量指标进行自动测量。

基于深度残差网络研发辅助诊断软件用于X线胸片分类诊断

目的:研究以深度残差网络(ResNet)为基础架构建立深度学习模型,对X线胸片(CXR)做出“有发现”与“无发现”鉴别诊断的可行性。方法:回顾性收集2017年1月1日至2018年7月1日的连续CXR图像及诊断报告,经过数据清洗后分为“无发现”组(无任何异常发现,诊断印象为“两肺心膈未见异常”,共9765例)与“有发现”组(诊断印象中提及了一种以上影像所见,共9956例)。使用ResNet152(152 layers)作为二分类模型的基础架构,结合Grad-CAM技术生成模型激活热图,训练二分类模型。数据随机分为训练集(70%)、调优集(20%)和测试集(10%)。以测试集的预测结果检测CXR二分类模型的效能。结果:在测试集中(“有发现”者1018例,“无发现”者995例),CXR二分类模型鉴别“有发现”与“无发现”的精确度分别为0.885和0.894,召回率分别为0.898和0.880,F1-分数分别为0.891和0.887,ROC曲线下面积均为0.96。结论:使用CXR二分类模型可对X线胸片做出“无发现”与“有发现”的预测。

基于深度学习的磁共振胆胰管成像图像肝外胆管及结石的自动分割:初步研究

目的探索使用深度学习方法在磁共振胆胰管成像(MRCP)图像上分割肝外胆管和检出结石的可行性。资料与方法回顾性收集2019年7月5日—2020年6月30日于北京大学第一医院就诊的225例患者共230人次3D MRCP检查图像数据纳入胆管分割研究;并补充2020年7月1日—2021年2月27日通过经内镜逆行胆胰管成像或临床综合诊断证实的胆总管结石患者数据,最终合计73例存在胆总管结石患者3D MRCP检查图像纳入胆管结石分割研究。由2位影像科专家标注数据,得到267个肝外胆管和98个胆总管结石区域的标签。使用Unet3D网络分两步(coarse-fine)训练胆总管分割模型,将267个数据随机分为训练集213个、调优集27个和测试集27个。以胆总管标签为掩膜(mask),进一步训练胆总管结石的分割模型,将98个数据随机分为训练集80个、调优集9个和测试集9个。使用客观评价指标为测试集的Dice系数,并输出标注区域与模型预测区域的径线、体积等进行比较。主观评价指标包括肝外胆管分割评分、肝外胆管轴位T2WI匹配评分和结石分割评分。结果肝外胆管分割模型的测试集共27个数据,第一步(coarse)分割肝外胆管的Dice值为0.89±0.07,第二步(fine)分割肝外胆管的Dice值为0.94±0.04。胆总管结石分割模型的测试集共9个数据,分割结石的Dice值为0.83±0.06。主观评价20个临床确诊肝外胆管结石患者数据,肝外胆管分割评分均为满分10分,肝外胆管轴位T2WI匹配评分中位数为9.75分,结石分割评价中位数为8分。结论通过深度学习方法在MRCP图像上分割肝外胆管是可行的,能较准确地分割胆管结构,并用于结石和胆管梗阻的定位。

使用U-Net深度学习网络对腰椎矢状T_(2)WI图像自动分割的可行性研究

目的:研究训练U-Net模型自动分割腰椎矢状面T_(2)WI图像中各结构的可行性。方法:回顾性搜集腰椎矢状面T2WI图像数据,共获得80个矢状面T_(2)WI序列。由2位影像医师手工标注矢状面腰椎椎体、椎间盘、椎间孔、椎管/硬膜囊、脊髓及马尾神经。将数据随机分为训练集、调优集和测试集,使用U-Net网络分两步(coarse-to-fine)训练腰椎矢状T_(2)WI分割模型。模型评价指标包括客观评估(Dice系数)和主观评估。结果:11例测试集数据中U-Net模型预测腰椎5个解剖部位分割的Dice值分别为椎体0.82~0.9(平均0.864)、椎间盘0.86~0.92(平均0.898)、椎管/硬膜囊0.76~0.87(平均0.837)、椎间孔0.6~0.76(平均0.67)、脊髓及马尾神经0.55~0.9(平均0.669)。主观评估各解剖部位分割满意率分别为椎体97.5%、椎间盘97.9%、椎管/硬膜囊86.4%、椎间孔76.7%、脊髓及马尾神经78.6%。结论:基于U-Net深度学习网络对腰椎矢状T_(2)WI图像的解剖结构进行自动分割是可行的。

基于深度学习模型对MRI乳腺强化病灶形态分类的初步研究

目的探索基于深度学习对MRI图像上乳腺强化病灶形态分类的可行性。资料与方法连续性收集并回顾分析2013年1月—2016年10月北京大学第一医院行双侧乳腺MR动态增强的290例患者的资料,使用既往研发的3D分割模型分割出乳腺中异常强化区域,由2位影像诊断医师根据第5版乳腺影像报告和数据系统病变分型(肿块、非肿块样强化)对375个图像进行分类。将上述数据按8∶1∶1随机分为训练集(n=297)、调优集(n=39)和测试集(n=39),使用Auto VGG网络训练分类预测模型,以测试集的混淆矩阵评价模型的效能。结果2位影像医师对于乳腺病灶肿块与非肿块划分的初始一致性为0.917(344/375)。测试集39个数据中,26个为肿块,13个为非肿块样强化。肿块及非肿块样强化病例的三维径线(左右、前后、上下)及体积差异均无统计学意义(P均>0.05)。测试集39个数据的预测准确率为0.87,敏感度为0.96,特异度为0.69,精确度为0.86,F1评分为0.91。结论使用深度学习方法进行乳腺MRI图像上强化病灶形态分类是可行的,有望在临床工作中应用。

U-Net深度学习模型对DCE-MRI上乳腺肿块自动分割和定位的准确性分析

目的:训练U-Net深度学习模型对乳腺动态增强磁共振图像(DCE-MRI)上乳腺肿块进行自动分割、定位和体积测量,并将结果自动导入结构化报告中,探讨其植入临床工作流程的可行性,旨在提高诊断效率和效能。方法:回顾性分析2015年2月1日-2016年12月31日本院所有乳腺MR影像和报告资料,将已取得活检但尚未治疗的88例连续乳腺癌患者的数据纳入本研究。将入组病例随机分为训练集(train set,70例)、调优集(validation set,9例)和测试集(test set,9例)。完成MR图像数据格式转换后,由两位放射科医师在每例患者的MR图像上标注双侧乳腺,并标注1个最大且经病理证实的肿块。训练集中采用U-Net分割模型在DCE-MRI图像上分割乳腺轮廓,并序贯分割其中明显强化的肿块灶。客观评价:以测试集中肿块的Dice相似性系数(Dice similarity coefficient,DSC)值评价肿块分割效果。主观评价:由2位乳腺影像诊断专家对模型预测病灶的准确性进行评估,分析假阳性病灶的性质和特征。由U-net模型输出的分割肿块的三维径线、体积和定位信息,自动填写到乳腺BI-RADS结构化报告中,并与既往影像报告中医师人工测量的结果进行比较。结果:在测试集中专家标注了9个病灶,模型检出了其中7个病灶,敏感度为77.8%(7/9);2个未预测出的病灶,1个肿瘤主体部分有明显坏死,另1个为背景显著强化。在测试集中模型预测出了16个“假阳性”区域,其中10个为腺体内多发小的强化灶,4个为乳腺癌周围子灶,2个为强化的乳头和血管等。软件自动测量肿块的三维径线和医师手工测量乳腺病灶径线一致性高。模型分割肿块的平均DSC值为0.85。结论:U-Net深度学习模型可用于乳腺DCE-MRI图像上有明显强化病灶的分割和径线测量,有必要行大样本研究以论证和实现其临床应用。

利用深度学习实现CT图像上肾脏肿瘤径线自动测量的临床可行性

目的:评估U-Net分割模型对肾脏肿瘤分割及径线测量的准确性。方法:回顾性收集本院PACS中2019年5月-2019年11月经手术病理证实的肾肿瘤患者的影像图像及结构式报告。排除未行手术治疗或病理结果未知的病例、图像及报告质量不合格及既往手术史的病例后,共纳入154例数据。从肾脏肿瘤结构式报告中导出医生测量值。利用U-Net模型自动分割肾脏肿瘤,并采用最小体积包围盒算法得到模型测量值。两位影像医生标注肾肿瘤,并采用最小体积包围盒算法得到参考值。对参考值、医生测量值、模型测量值三组数据进行统计学分析。结果:模型测量值与参考值相比,肾肿瘤短径、中径、长径之间的差异无统计学意义(P>0.05)。肿瘤各径线的医生测量值均小于参考值,差异均具有统计学意义(P<0.05)。肿瘤各径线的模型测量值大于医生测量值,差异均具有统计学意义(P<0.05)。医生测量值与模型测量值的一致性高。结论:基于U-Net的肾肿瘤分割模型自动测量肿瘤径线具有临床可行性。

U-Net模型在CT图像实现肾实质和肾窦分割及体积和径线测量

目的:利用U-Net模型实现CT图像肾脏分割,测量肾实质和肾窦体积和径线。方法:搜集本院PACS中365例腹部CT增强检查中双肾正常者动脉期薄层图像。其中93例用于训练U-Net分割模型,272例用于模型效能评价。由两位影像专家检查模型返回分割结果,评价结果是否可用于体积和径线测量。以去除最小连通域方法处理图像保留像素数计算双侧肾实质和肾窦的体积。以最小体积包围盒算法测量双侧肾实质、肾窦径线。测量结果自动填写到结构化报告完成肾脏大小定量评估。建模时人工标注93例和预测时模型分割效果好272例共同用于体积和径线测量。计算肾实质、肾窦体积及三维径线95%参考值范围,采用相关性分析探讨相关因素,应用多元线性回归分析探讨其影响因素。结果:专家评价U-Net模型可很好地完成双侧肾实质和肾窦分割。测试集中分割右肾实质DICE值0.97±0.01,分割左肾实质DICE值0.97±0.01,分割右肾窦DICE值0.84±0.06,分割左肾窦DICE值0.88±0.04。多元线性回归分析显示肾实质体积=0.654×身高-0.597×年龄+0.653×体重-6.321×侧别-8.824×性别,回归方程R2为0.304;肾窦体积=0.213×体重+0.168×年龄-4.162×侧别-2.052×性别+0.122×身高,回归方程R2为0.389。模型测量结果可自动填写入结构化报告中。结论:基于U-Net可有效分割CT图像肾实质和肾窦并测量径线及体积,自动完成影像报告中双肾大小定量评估;肾实质体积和肾窦体积均与性别、年龄、身高、体重、侧别有一定关联。

基于深度学习模型实现颈椎MR图像上各结构的自动分割

目的:探讨3D U-Net模型自动分割颈椎矢状面T_(1)WI和T_(2)WI图像上颈椎各结构的可行性。方法:回顾性搜集拟诊为颈椎病的92例患者的矢状面T_(1)WI和T_(2)WI图像资料,由两位影像医师在每例患者的2个序列图像上分别人工标注颈椎各结构,包括椎体、椎间盘、硬膜囊、脊髓和椎间孔。将178个序列的图像随机分为训练集(n=138)、调优集(n=20)和测试集(n=20)。采用训练集的数据训练3D U-Net分割模型,在调优数据集中微调参数,在测试集中采用定量指标(Dice相似系数,DSC)和定性指标(主观评分)评价模型的分割效能,并比较各结构的DSC值在3组内及3组间是否存在统计学差异。结果:在测试集中3D U-Net模型分割颈椎椎体、椎间盘、硬膜囊、脊髓和椎间孔的DSC值分别为0.87±0.03、0.85±0.04、0.87±0.04、0.82±0.05和0.57±0.08,分割颈椎各解剖结构的总体DSC值为0.80±0.13。各结构的DSC值在3组内及组间均有统计学差异(P<0.001)。主观评价显示3D U-Net模型分割颈椎各结构获得的图像均符合临床测量要求。结论:基于矢状面T_(1)WI和T_(2)WI序列的3D U-Net模型对颈椎各结构的分割可达到较高的准确性。

基于乳腺X线摄影的影像组学对乳腺肿块和钙化良恶性分类的研究

目的:探讨基于乳腺X线摄影的影像组学在乳腺肿块和钙化良恶性鉴别中的应用价值,并将结果与有经验的放射科医生相对比。方法:回顾性收集本院PACS系统中2014年5月1日-2020年3月1日诊断性乳腺X线图像,根据纳入和排除标准筛选出边界清晰的乳腺肿块性病变患者188例(316幅X线图像)和钙化性病变患者215例(364幅X线图像),训练集与测试集比例分别为222:94和256:108,良恶性病变比例约1:1。先采用深度学习的自动分割模型获取肿块和钙化区域ROI,再利用影像组学技术建立良恶性分类模型,计算模型预测病灶良恶性的曲线下面积(AUC),准确性(ACC),敏感度(SEN)和特异度(SPE),并且与有经验的放射科医师对比。结果:乳腺肿块影像组学良恶性分类模型的AUC、ACC、SPE、SEN分别为0.84、0.80、0.89、0.73,乳腺钙化影像组学良恶性分类模型的AUC、ACC、SPE、SEN分别为0.88、0.85、0.87、0.84,放射科医生鉴别乳腺肿块良恶性的ACC、SPE、SEN分别为0.80、0.88、0.76,放射科医生鉴别乳腺钙化良恶性ACC、SPE、SEN分别为0.84、0.80、0.86。两种方法的诊断结果一致性方面差异无统计学意义(P>0.05)。结论:影像组学模型可以提取并量化乳腺X线图像纹理特征,在鉴别边界清晰的乳腺肿块和钙化的良恶性方面是可行的,有潜在的临床应用价值。

3D U-Net深度学习模型基于盆腔T2WI自动分割盆腔软组织结构

目的评估3D U-Net深度学习(DL)模型基于盆腔T2WI自动分割盆腔软组织结构的可行性。方法回顾性分析147例经病理证实或盆腔MRI随访观察确诊的前列腺癌或良性前列腺增生患者,其中28例接受2次、121例接受1次盆腔MR扫描,共175组T2WI;手动标注T2WI所示软组织结构,包括前列腺、膀胱、直肠、双侧精囊腺、尿道、双侧闭孔内肌及双侧耻骨直肠肌。按8:1:1比例将数据分为训练集(n=137)、调优集(n=21)和测试集(n=17),对3D U-Net分割模型进行训练。以手动标注结果为标准,根据测试集Dice相似系数(DSC)、Jaccard相似系数(JSC)、精确率(PRE)、召回率(REC)、准确率(ACC)及分割体积差异评价3D U-Net模型分割盆腔软组织结构的效能。结果3D U-Net模型分割测试集盆腔各结构的DSC及JSC均>0.90,ACC、PRE和REC均>90.00%。3D U-Net模型分割的盆腔各结构体积与手动标注差异均无统计学意义(P均>0.05)。结论3D U-Net DL模型可用于自动分割T2WI所示盆腔软组织结构。

基于深度学习模型对乳腺X线摄影中乳房密度分类的初步研究

目的:探索基于深度学习对乳腺X线密度(MD)进行分类的可行性。方法:回顾性分析2018年9月-12月本院行双侧乳腺X线摄影检查的305例连续资料,共1220个图像数据。由两位影像诊断医师挑选其中合格的数据分别进行乳腺密度的分类训练。由两位医师根据第5版乳腺影像报告和数据系统(BI-RADS)中X线MD分型(a、b、c、d)标准对1220个图像进行分类。将上述随机分训练集(train set,n=966)、调优集(validation set,n=128)和测试集(test set,n=126),采用AutoVGG网络训练分类预测模型,以测试集的混淆矩阵评价模型的效能。在模型预测的四分类基础上,将MD进行二分类,即:非致密组(a型和b型)和致密组(c型和d型),评价模型二分类预测的效能。结果:测试集的126个数据的预测符合率为0.83,a、b、c、d各型预测符合率分别为0.88、0.78、0.80和0.76。将MD分为致密组和非致密组时,非致密组精确度(precision)为0.90,召回率(recall)为0.74,F1值为0.81;致密组精确度为0.86,召回率为0.84,F1值为0.85。结论:采用深度学习方法进行乳腺X线摄影MD二分类是可行的,有望在临床工作中应用。

利用深度学习实现腹盆部CT图像范围及期相分类:临床验证研究

目的:探讨基于深度学习的分类模型对腹盆部CT图像范围及期相进行自动分类的可行性。方法:回顾性搜集本院2019年10月14日-2019年10月18日PACS中连续416例患者的腹盆部CT图像(数据集A)。按照扫描范围分为腹部、腹盆部、盆部三类,按照扫描期相分为平扫、动脉期、门静脉期、延迟期和排泄期五类。以3D-ResNet为基础架构,训练CT图像范围及期相的分类模型。利用该模型预测2020年1月1日-2020年1月3日本院连续657例患者的腹盆部CT图像(数据集B)。以影像医师的分类结果为金标准,采用混淆矩阵评价模型的分类效能。结果:在数据集B中,扫描范围分类模型在腹部、腹盆部和盆部的符合率分别为95.7%(243/254)、98.4%(362/368)和94.3%(33/35)。对数据集B中的腹部图像进行分析,扫描期相分类模型在平扫、动脉期和门静脉期的符合率分别为100.0%(77/77)、97.6%(82/84)和100.0%(11/11);对数据集B中腹盆部图像进行分析,扫描期相分类模型在平扫、动脉期、门静脉期、延迟期和排泄期的符合率分别为96.6%(144/149)、100.0%(9/9)、100.0%(106/106)、66.7%(44/66)和100.0%(32/32);对数据集B中盆部图像分析,扫描期相分类模型在平扫、门静脉期、延迟期和排泄期的符合率分别为100.0%(13/13)、70.0%(7/10)、88.9%(8/9)和100.0%(1/1)。结论:通过深度学习模型建立腹盆部CT图像性质分类模型的准确性基本可达到临床要求。