简介:摘要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4 185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。
简介:摘要: 针对当前很多国家都进入了老龄化社会,轮椅的市场潜力的很大的。本文针对轮椅的智能化研究,提出了基于eSense算法的感应智能轮椅设计,此设计包含了肌肉感应,语音驱动相结合的功能模块。具有能够实现对使用者提供保护,同时还可以提供最大的操作自由度,轮椅在肌肉感应控制的基础上,增加了肌电控制,对使用者更加保险,实现功能强大。
简介:摘要目的间接法建立我国儿童青少年维生素A参考区间。方法采用现况研究设计,利用临床检验真实世界数据,数据来源于2016年1月至2019年6月28个省、自治区、直辖市某第三方临床检测机构的维生素A检测结果,采用高效液相色谱法完成血清视黄醇样品测定。对0~18周岁儿童青少年血清维生素A水平在人群、地区、季节方面的分布进行描述性统计,采用期望最大化(EM)算法迭代计算维生素A水平分布参数,并建立参考区间。结果共1 096 597名0~18岁儿童青少年个案数据纳入分析,年龄[M(Q1,Q3)]3(1,6)岁,男631 017名,女性465 580名。4岁前血清维生素A水平[M(Q1,Q3)]随年龄增加,新生儿中位数和四分位数为0.15(0.11,0.18)mg/L,1岁以内为0.23(0.18,0.29)mg/L,1~<4岁为0.27(0.20,0.34)mg/L,4~8岁中位数水平较平稳,为0.27~0.29 mg/L,9岁左右中位数水平达到0.30 mg/L,之后至18岁呈现随年龄增加趋势(不同性别均Ptrend<0.05)。不同地区间,华南地区维生素A中位数水平(男性0.33 mg/L,女性0.34 mg/L)高于其他地区(0.24~0.30 mg/L);不同季节间维生素A中位数差异在0.03 mg/L以内。基于EM算法采用间接法建立的我国0~18岁儿童青少年维生素A参考区间为:新生儿0.27~0.47 mg/L,1岁以内0.36~0.56 mg/L,1~<7岁0.35~0.54 mg/L,7~<16岁0.46~0.60 mg/L,16岁及以上0.38~0.59 mg/L。结论基于EM算法能够为建立我国0~18岁儿童青少年维生素A参考区间提供依据,建立的参考区间需要通过直接法进一步验证。
简介:摘要目的采用主客观评价系统分别评价深度学习方法在动静脉期CT上的分割效果,并探索影响动静脉期胰腺分割差异的因素及影响静脉期胰腺分割的相关因素。方法回顾性收集2019年1至11月北京协和医院放射科218例胰腺CT扫描数据,每例均包含动脉期和静脉期图像,并按照训练集+验证集与测试集为7∶3的比例将数据随机划分为训练集(139例)、验证集(20例)及测试集(59例),使用训练集训练二阶段全局局部渐进融合网络,在验证集上寻找最优分割效果的模型参数,对测试集进行预测并对结果进行主观及客观评价。主观评价基于胰腺与周围器官的临界区域,采用李克特5分量表;客观评价采用Dice相似系数(DSC)。采用配对t检验或Wilcoxon配对秩检验比较动静脉期主客观评分的差异。结果在十二指肠、十二指肠空肠曲、左肾上腺、门脉、肠系膜上静脉、脾动脉及脾静脉处胰腺临界区域动脉期主观评分[M(Q1, Q3)]分别为4(4, 5)、5(4, 5)、5(4, 5)、4(4, 5)、5(4, 5)、5(5, 5)及4(3, 5)分,静脉期主观评分[M(Q1, Q3)]分别为4(4, 4)、5(4, 5)、5(4, 5)、5(4, 5)、5(5, 5)、4(3, 4)、5(5, 5)分,以上临界区域的胰腺动、静脉期主观评分差异均有统计学意义(均P<0.05);静脉期DSC略高于动脉期,差异无统计学意义(DSC:0.923比0.921, P=0.952)。胰腺与十二指肠空肠曲、胃、左肾上腺存在脂肪间隙组在静脉期主观评分分别为4.64、4.68及4.63分,无脂肪间隙组的主观评分分别为4.56、4.62及4.56分,胰腺与十二指肠空肠曲、胃、左肾上腺有、无脂肪间隙两组间的主观评分差异均有统计学意义(t=2.147、2.112、2.277,均P<0.05)。除外脾,胰腺临界区域与其余周围器官的密度差在动静脉分割的差异均有统计学意义(均P<0.05)。结论利用双期CT构建深度学习胰腺自动分割模型,并对分割效果进行主客观评价,主观评价可以提高今后胰腺临界区域的分割能力。
简介:摘要目的评估基于极端梯度上升(XGBoost)算法的联合诊断模型对胃神经内分泌肿瘤(NENs)病理分级的诊断效能。方法以郑州大学第一附属医院2012年8月至2019年12月收治的81例胃NENs患者为对象,收集其临床资料和CT影像学资料。分析CT影像的病灶个数、肿瘤部位、形态、淋巴结转移状态、肿瘤最厚径、最长径和动静脉期CT值等特征;采用ITK-SNAP软件和Python 2.1.0 Pyradiomics软件对CT影像进行影像组学分析预处理并从分割图像中提取组学特征;采用XGboost算法分别建立CT影像模型、动脉期组学模型、静脉期组学模型和联合诊断模型;采用准确度、均方误差(MSE)和平均绝对误差(MAE)评价以上模型的诊断性能。结果NENs患者年龄为28.0~78.0(58.6±10.7)岁,其中男性56例,占69.1%。胃NENs病理分级G1/G2级和G3级患者病灶个数、肿瘤部位、形态、淋巴结转移状态、肿瘤最厚径和最长径的差异均有统计学意义(均P<0.05),动(静)脉期CT值差异无统计学意义(均P>0.05)。联合诊断模型中的特征分别为A_logarithm_glcm_Imc1、P_squareroot_glcm_MaximumProbability、肿瘤最厚径、最长径、A_wavelet-HHL_glrlm_GrayLevelNonUniformity和P_wavelet-LLL_ngtdm_Contrast。CT影像模型、动脉期组学模型、静脉期组学模型和联合诊断模型的准确度分别为81.8%、86.0%、87.8%和91.0%;MSE分别为539.41、490.08、429.99和371.92;MAE分别为16.72、15.25、14.23和12.33。联合诊断模型的MAE值小于CT影像模型和动脉期组学模型(P值分别为<0.001和0.004),而与静脉期组学模型的MAE值差异无统计学意义(P=0.111)。结论基于XGBoost算法的联合诊断模型对胃神经内分泌肿瘤病理分级具有良好的诊断效能。
简介:摘要目的探讨基于深度学习重建算法(DLR)的冠状动脉CT血管成像(CCTA)图像质量和对钙化病变所致冠状动脉狭窄的诊断价值。方法前瞻性纳入2020年2月至2021年2月北京协和医院放射科确诊或拟诊冠心病的33例患者,其中男26例,女7例,年龄45~86(61.9±9.0)岁。所有患者接受CCTA检查并于1个月内进行有创冠状动脉造影(ICA)检查。采用DLR和混合迭代重建算法(HIR)重建CCTA图像。分别在主动脉根部、左主干开口、左前降支近段、左回旋支近段及右冠状动脉近段选取不同的感兴趣区测量两种图像的噪声、信噪比(SNR)、对比噪声比(CNR),并以Likert 4级评分法进行图像质量主观评分(1分,优秀;4分,不能诊断)。以ICA为金标准,计算基于DLR和HIR的CCTA诊断钙化斑块所致冠状动脉血流梗阻性病变的诊断效能。结果共33例患者的123处病变纳入分析。DLR图像的噪声低于HIR图像(定义为主动脉根部CT值的标准差:18.12±3.66比24.19±5.71,P<0.001),CNR和SNR均高于HIR图像(主动脉根部CNR:43.83±23.73比26.38±9.69,P<0.001,SNR:26.66±7.83比21.23±8.65,P<0.001),主观评分优于HIR图像(1.12±0.41比1.46±0.60,P<0.001)。DLR与HIR对于诊断钙化病变所致冠状动脉血流梗阻性病变的灵敏度、特异度和准确度分别为100.0%、77.4%、78.9%和100.0%、63.5%、65.9%。与HIR相比,DLR图像上CCTA的假阳性病例减少38%。结论基于人工智能的DLR重建算法能够显著降低CCTA图像噪声并提高图像质量。DLR有助于提高CCTA对钙化斑块所致冠状动脉血流梗阻性病变的诊断效能,具有良好的临床应用价值。
简介:摘要目的探讨多视角融合以及主动轮廓约束的深度学习算法在10 μm级耳科专用CT图像上对听小骨分割的效果。方法回顾性收集2019年10月至2020年12月北京友谊医院放射科10 μm级耳科专用CT检查的受试者数据共79侧耳(56侧来自志愿者,23侧来自标本)。对锤骨、砧骨和镫骨进行标注,将其划分为训练集(55侧)、验证集(8侧)和测试集(16侧)。采用感兴趣区域快速定位结合精准分割算法,分别从冠状面、矢状面和横断面3个视角对锤骨、砧骨和镫骨进行分割与融合。针对镫骨,同时设计了基于主动轮廓损失的镫骨分割方法。分割实验采用客观指标Dice相似系数(DSC)作为判别标准,比较本方法与基础方法、本方法与其他分割方法的组间DSC差异。结果多视角融合分割算法对锤骨、砧骨和镫骨的平均DSC值分别为94.2%±2.7%、94.6%±2.6%和76.0%±5.5%;结合主动轮廓损失的约束方法后,对镫骨的平均DSC值进一步提升(76.4%±5.4%比76.0%±5.5%),且可视化结果显示镫骨结构的分割结果更加完整。结论基于10 μm级耳科专用CT数据的多视角融合算法可实现对锤骨和砧骨结构的精准分割,结合主动轮廓损失约束方法,可进一步提升对镫骨结构的分割精度。