深度学习技术在骨折诊断中应用的研究进展

骨折多为直接或间接外力导致, 严重时可导致患者死亡。伤后及时、明确的骨折诊断对确定创伤严重程度起着重要作用。医学影像学是骨折诊断和评估的重要工具, 但影像造影不清、影像数量过多及医师的主观性阅片均会降低诊断效率, 影响后续治疗。基于深度学习技术的骨折诊断模型可以有效减少由于骨折影像造影不清晰所导致的漏诊、误诊, 展现出了良好的诊断能力。笔者就深度学习技术及其在骨折诊断中应用的研究进展进行综述, 为深度学习技术在临床骨折诊断的研究与应用提供新思路。     

基于深度学习的人工智能在肌骨影像中的研究进展

人工智能(AI)已成为当今社会信息技术领域最重要的技术革命,随着深度学习算法的进步及硬件的升级,人工智能发展迅猛.基于深度学习的人工智能在医学影像的图像分割、图像分类识别和计算机辅助诊断方面都有较大的发展,本文主要讲述人工智能在肌骨影像中的研究进展.     

深度学习在小儿中枢神经系统影像学的应用进展

【摘要】多模态医学影像信息在中枢神经系统疾病的辅助诊断以及预后预测中发挥着不可替代的作用。近些年来,人工智能的高速发展对医学大数据的处理以及精准医疗的发展带来巨大潜力。深度学习提取影像信息中高通量数据客观分析,在影像学中取得了长足的进展。本文就深度学习技术在小儿中枢神经系统影像学的应用现状进行综述,包括小儿脑组织分割、脑发育、小儿脑肿瘤、脑积水、癫痫、自闭症等,并结合临床实际总结目前存在的问题,以及对其应用前景进行展望,旨在为未来深度学习的相关影像学研究提供参考。     

基于深度学习的人工智能应用于甲状腺癌诊断的进展

近年来,甲状腺癌的发病人数不断增加,伴有转移的患者人数也不断增加,甲状腺癌及其远处转移的早期诊断和治疗是降低病死率的重要方法。人工智能（AI）技术飞速发展,其与医疗领域相结合,辅助甲状腺癌的早期诊断。笔者综述了基于深度学习的AI应用于超声图像、细针穿刺细胞学、组织病理学及淋巴结转移诊断甲状腺癌的研究进展,为将来AI应用于甲状腺癌的研究提供指导。     

深度学习与骨骼影像自动化处理

【摘要】深度学习是一种以神经网络为架构、对数据进行表征学习的机器学习算法,是近年来人工智能领域新兴的研究方向,目前已成功应用于医学影像学中的多个领域,如皮肤癌的分类、糖尿病视网膜病变检测及肺结节的评估等,深度学习在骨骼影像中的应用也日益受到关注。本文对深度学习在骨骼影像自动化处理方面的研究进展进行综述。     

基于纹理分析和深度学习的肝纤维化研究进展

【摘要】肝纤维化的早期诊断和治疗,对于防治肝硬化、肝癌有重要价值,肝纤维化的非创伤性影像学诊断一直以来都是肝纤维化研究的重点。近年来,针对目前影像学检查包含的大量多模态图像信息,利用影像组学和深度学习等人工智能方法,通过分析图像中的人眼不能直接识别的海量图像信息实现辅助临床诊断受到社会各界的广泛关注。目前纹理分析和深度学习等方法在肝纤维化无创性诊断方面已经取得有效的临床进展。     

基于深度学习的人工智能在肿瘤诊断中的应用进展

随着大数据时代的到来,人工智能得以在医疗领域崭露头角并实现了飞速发展,尤其在肿瘤诊断方面存在巨大潜能。人工智能利用自动化图像分割及提取等关键技术,在实现短时间内对大量肿瘤信息汇总分析的同时,还可以反映现实环境中成像数据的分布,使肿瘤诊断从主观感知转向客观科学,从而高效精确地协助医师的诊断,为诊疗计划的制订和预后的判断提供坚实的基础。笔者拟对人工智能在肿瘤诊断中的关键技术及当前的应用进行综述。     

基于深度学习模型的X线胸片去骨的初步研究

【摘要】目的：探讨基于深度学习方法对X线胸片（CXR）进行去骨处理的可行性。方法：总样本数据集由开源数据集和自采数据集两部分组成,共300个图像对,每对图像包括一个常规CXR和一个去骨后的CXR,其中开源数据集（JSRT+BSE JSRT）241对,自采数据集（双能减影胸部X光片）59对。使用深度残差网络（ResNet）作为去骨模型的基础架构,结合动态U-Net网络,并以Imagenet预训练VGG（Visual Geometry Group）网络,提取图像激活及风格特征组成损失函数,来训练去骨模型。将总样本数据随机分为训练集（80%）、调优集（5%）和测试集（15%）。以测试集的峰值信噪比（PSNR）和结构相似性 （SSIM）结果作为CXR去骨模型的评价指标。结果：在测试集中,CXR去骨模型的PSNR（dB）和SSIM分别为31.94±2.49和93.37%±5.11%。根据PSNR值分析,88.89%的模型去骨后图像的质量较好,根据SSIM值分析,86.67%的模型去骨后图像与目标图像的结构相似性达到88%以上。结论:深度学习模型对X线胸片图像的去骨处理是可行的,可用于进一步研究并尝试应用于临床。     

基于三维卷积神经网络肺结节深度学习算法模型临床效能初步评估

【摘要】目的：为评价人工智能模型的应用价值,本研究在专家共识的基础上建立了肺结节标准测试集,对前期建立的一种基于三维卷积神经网络肺结节深度学习算法模型进行验证,评价该模型的临床效能和限度。方法：基于胸部CT肺结节数据标注与质量控制专家共识建立标准测试数据集,对前期建立的基于三维卷积神经网络的肺结节深度学习算法模型及传统CAD系统（Siemens syngo.via VB 3.0 和Philips ISP V8）进行检验,在肺结节检出灵敏度、精准度以及平均每例假阳性个数等多个指标方面进行优效验证。结果：针对测试数据集中的肺结节,Syngo.via工作站检出灵敏度为36%,精准度为69%,平均每例假阳性1.2个;Philips ISP工作站肺结节检出灵敏度为34%,精准度为73%,平均每例假阳性0.9个;三维卷积神经网络的肺结节深度学习算法模型检出灵敏度为90%,精准度为71%,平均每例假阳性2.8个。结论：该三维卷积神经网络算法模型相较于传统CAD系统,肺结节检出灵敏度显著提升。由于训练数据集的偏倚等问题,灵敏度仍有进一步提升的空间。通过针对性地补充训练数据集,如增加磨玻璃结节的比重,可进一步提升肺结节检出灵敏度。改进之后的模型有望成为影像医生肺癌筛查工作的得力助手。     

影像组学与深度学习在肿瘤放疗中的研究进展

影像组学作为一种非侵入性的图像分析方法,能够深度发掘隐藏在医学影像背后的临床信息。深度学习技术的发展将影像组学研究提升到了新的高度,大量研究结果证实了其在肿瘤放疗中的应用价值。笔者从影像组学的研究背景出发,就其在肿瘤放疗中的研究进展进行综述。     

基于深度学习模型实现颈椎MR图像上各结构的自动分割

【摘要】目的：探讨3D U-Net模型自动分割颈椎矢状面T1WI和T2WI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T1WI和T2WI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T1WI和T2WI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。     

鼻及鼻窦骨折的临床诊断及治疗

目的 探讨鼻及鼻窦骨折的诊断及治疗。方法 回顾性分析我院收治的70例鼻及鼻窦骨折病例资料,其中鼻骨骨折39例,伴有鼻窦骨折7例;单纯鼻窦骨折3l例。手术治疗39例。结果 本组行鼻骨骨折复化术25例,22例随访半年,鼻外形满意,鼻腔通气无障碍;3例遗留鼻部畸形。14例行鼻窦骨折复位手术,其中11例同时手术治疗伴发的颌面、眼及颅脑损伤。结论 鼻及鼻窦骨折主要根据X线摄片及CT检查作出明确诊断,对有骨折移位者均应手术复位,早期诊断、及时治疗有利于骨折复位片获得满意效果。眼、颌面、颅脑等临近器官损伤的诊治也非常重要。     

鼻区骨折的影像学检查技术探讨

目的:探讨鼻区骨折的最佳影像学检查方法。方法:回顾性分析110例鼻区骨折病例及其常规X线检查、CT横断面和冠状面扫描的显示情况,30例行鼻骨长轴位扫描。结果:X线显示骨折51例,CT横断面和冠状面显示105例;有5例平片显示骨折线,常规CT无明显骨折线,行鼻骨长轴位得以显示。结论:CT扫描对鼻区骨折显示优于X线,CT沿鼻骨长轴位扫描是对常规CT横断面和冠状面扫描方法的又一补充。     

人在回路深度学习垂体分割模型的建立

目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T₁WI图像按5～15岁、16～25岁、26～50岁、51～70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5～15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137～0....     

基于深度学习建立颈椎病MR诊断模型研究

【摘要】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T2WI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T1WI和T2WI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。     

基于深度学习的计算机辅助诊断系统在提高急性肋骨骨折诊断效能上的价值

目的探讨基于深度学习的计算机辅助诊断系统(DL-CAD)在提高放射医师对急性肋骨骨折诊断效能方面的作用。方法回顾性分析214例急性胸部钝挫伤患者的CT图像。两名放射实习医师和两名主治医师以盲法和随机的方式独立评估所有患者的CT图像,并于1个月后在DL-CAD的辅助下重新评估。以两名资深放射医师的一致诊断作为参考标准,比较前后两次阅片的诊断敏感度、特异度、阳性预测值、诊断信心和阅片时间。结果214例患者共有680处急性肋骨骨折。实习医师在DL-CAD辅助下前后两次的诊断敏感度(68.82%vs.91.76%,P<0.05)、阳性预测值(84.50%vs.93.17%,P<0.05)均显著提升,与主治医师独立或在DL-CAD辅助下的诊断敏感度和阳性预测值相比无显著性差异(P>0.05)。DL-CAD显著提高诊断医师的诊断信心(P<0.05),并显著降低医师的阅片时间[实习医师:(99.48±21.69)s vs.(46.40±26.40)s,P<0.05;主治医师:(65.96±17.08)s vs.(43.54±23.54)s,P<0.05]。结论 D...     

基于深度学习的人工智能技术在乳腺癌筛查及影像诊断中的应用进展

人工智能技术可使计算机模拟人类的思考过程和智能活动,在医学影像领域具有强大的图像处理和特征提取能力,应用基于人工智能的乳腺癌影像筛查能够在减轻放射科医生工作负担的同时提高乳腺癌筛查和诊断的准确性及敏感性。简要总结了目前常用的乳腺X线图像公共数据集和近期乳腺癌影像学人工智能辅助诊断竞赛情况,并对基于深度学习的人工智能技术在乳腺癌影像学筛查和诊断中的最新进展予以综述。     

多层螺旋与X线对肋骨隐匿性骨折的临床诊断效能比较

目的 分析多层螺旋CT(MSCT)与X线对肋骨隐匿性骨折的诊断价值.方法 将2019年5月至2020年10月期间因肋骨骨折于我院进行治疗的60例患者作为研究对象,所有患者入院后均采用常规X线进行检查,后采用MSCT技术检查.对比2种检查方式诊断效能的差异.结果 MSCT检出隐匿性骨折52例,X线检出隐匿性骨折41例.M...     

正侧位投照诊断鼻梁基本完整的鼻区骨折：附100例报告

介绍鼻骨正位投照法及鼻区骨折的Ｘ线表现，并着重讨论鼻梁基本完整的鼻区骨折和常规侧位片上易被忽略的征象。