基于膝关节正位X线应用深度学习构建胫股关节骨关节炎的自动诊断模型

目的 探索深度学习方法基于膝关节正位X线构建自动诊断并分级胫股关节骨关节炎(TFOA)诊断模型。方法 搜集5837幅膝关节前后位的X线图像,按照8∶1∶1的比例随机分为训练集、调优集和测试集。以两位医师依据凯尔格伦-劳伦斯(K-L)分级及国际骨关节炎研究协会(OARSI)分级系统共同阅片结果分别作为TFOA及其影像特征[骨赘(OST)及关节间隙狭窄(JSN)]分类模型的参考标准。利用高分辨率网络(HRNet)算法建立上述对应的二分类诊断[K-L 0～1(无TFOA) vs.K-L 2～4(有TFOA);OARSI 0(无OST/JSN)vs.OARSI 1～3(有OST/JSN)]及多分类分级模型(K-L 0～4,分别代表无、可疑、轻度、中度及重度TFOA;OARSI 0～3,依次代表无、轻度、中度及重度OST/JSN)。以受试者工作特征曲线(ROC)、查准率-查全率曲线(P-R)及混淆矩阵评价模型的分类效能。结果 在测试集中,二分类模型诊断TFOA、OST及JSN的曲线下面积(AUC)为0.95～0.99、P-R的AUC为0.86～0.98;多分类模型在分级TFOA、OST及JSN中...     

基于深度学习自动分割模型的DWI影像组学模型预测前列腺癌盆腔骨转移

【摘要】目的：探讨基于DWI图像利用深度学习方法建立的分割模型对盆腔骨结构的自动分割价值,以及基于自动分割图像建立的影像组学模型对前列腺癌骨转移的诊断效能。方法：回顾性搜集2017年1月－2020年1月因临床怀疑前列腺癌而行盆腔多参数MRI扫描的614例患者的DWI数据,训练3D U-Net模型对盆腔骨质结构进行自动分割。以两位影像科医师手工勾画和标注的8个盆腔骨质结构（下腰椎、骶骨、髂骨、髋臼、耻骨、坐骨、股骨头、股骨颈）为金标准,在不同数据集（训练集、调优集、测试集）中,采用Dice相似系数（DSC）、Jaccard相似系数（JSC）和Hausdorff表面距离（HSD）评估3D U-Net模型自动分割盆腔各骨质结构的效能。另搜集2020年2月-2020年12月在本院经病理证实为前列腺癌的275例患者的影像资料,用于盆腔骨质结构分割模型的外部验证集及建立预测骨转移灶的影像组学模型,采用受试者工作特征曲线（ROC）评估影像组学模型的分类效能。结果：U-Net分割模型在测试集中的DSC、JSC和HSD值分别为0.87±0.03、0.77±0.04和21.75±12.08;在外部验证集中相应参数值分别为0.82±0.06、0.71±0.08和16.27±4.35。基于275例前列腺癌患者的盆腔骨质结构自动分割图像,共提取和筛选出20个影像组学特征参数,所建立的影像组学模型在测试集中的ROC曲线下面积（AUC）为0.965（95%CI：0.899~0.993）,敏感度为97.14%（95%CI：85.1%~99.9%）,特异度为89.36%（95%CI：76.9%~96.5%）。结论：基于DWI图像利用深度学习方法建立的自动分割模型能准确分割盆腔骨质结构,随后建立的影像组学模型可以有效检出盆腔范围内的骨转移灶,为自动评估前列腺癌患者盆腔骨转移提供了新方法。     

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-...     

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-ResNe...     

46例甲状腺微小乳头状癌的CT征象分析

目的 探讨甲状腺微小乳头状癌的CT征象,提高对CT诊断的认识.方法 对46例CT平扫和(或)双期增强扫描可见显示,且经手术病理证实的55个甲状腺微小乳头状癌病灶的CT表现进行回顾性分析,总结其CT表现特点. 结果 (1)46例共55个癌灶:其中38例单发癌灶,7例双侧发生,1例单侧双发.(2)38个癌灶边缘模糊,9个侵犯甲状腺被膜,2个侵犯前方肌肉.(3)16个癌灶内见钙化灶,13个有微钙化.(4)9个癌灶CT平扫未见显示.(5)增强扫描后38个癌灶明显强化,37个低于正常甲状腺组织,18个中央见结节样强化,周围密度略低.32个病灶增强后显示病灶小于平扫.(6)21例伴颈部淋巴结转移.结论 甲状腺微小癌的CT表现具有一定的特征:平扫病灶边缘模糊,易侵犯甲状腺被膜,多伴有微钙化,增强扫描强化明显,但低于邻近正常甲状腺组织,可能出现中央明显强化结节,增强后病灶范围多小于平扫低密度范围,且可能多发小癌灶并存,常常伴发下颈部淋巴结转移,这些特征有助于甲状腺微小癌的诊断和鉴别诊断.     

3D ResNet深度学习模型自动甄别前列腺多参数MR扫描序列:多中心研究

目的 构建基于前列腺多参数MRI(mpMRI)自动甄别其主要扫描序列的3D ResNet深度学习模型,并评估其价值。方法 收集于3个医疗中心接受超声引导下前列腺穿刺的1 086例患者穿刺前1 153次前列腺mpMRI资料,并按不同扫描序列加以拆分,分别将T2WI、弥散加权成像(DWI)及表观弥散系数(ADC)图归入相应数据集,共获得5 151组图像,并将归类为非脂肪抑制T2WI(T2WI_nan,n=1 000)、脂肪抑制T2WI(T2WI_fs,n=1 188)、高b值DWI(DWI_High,b值≥500 s/mm²,n=1 045)、低b值DWI(DWI_Low,b值＜500 s/mm²,n=1 012)及ADC图(ADC map,n=906)。按8 ∶ 1 ∶ 1比例将全部图像分为训练集(n=4 122)、验证集(n=513)和测试集(n=516)。行预处理及扩增后,采用3D ResNet于训练集及验证集训练及优化自动甄别图像类别模型,以测试集评估模型分类效能。结果 所获模型分类测试集不同序列图像的准确率、敏感度、特异度、阳性预测值、阴性预测值、F1值及Kappa值分别为0.995~1.000、0.990~1.000、0.998~1.000、0.990~1.000、0.998~1.000、0.995~1000、0.994~1.000。结论 3D ResNet深度学习模型能有效自动甄别前列腺mpMRI所涉主要扫描序列。     

基于深度学习实现胰腺分割及自动体积测量的初步研究

目的 使用深度学习模型实现影像诊断为胰腺未见异常的成人群体CT图像中胰腺自动分割及体积、径线和平均CT值自动测量.方法 搜集2019年1月至10月在本院行腹盆部CT平扫及增强扫描并诊断为胰腺未见异常的患者共1195例(8301个不同期相、不同层厚的扫描序列,每个序列为一个图像数据),根据标准共纳入了5389个图...