简介:摘要:本研究聚焦于CT图像处理算法在肿瘤检测与定位中的应用。通过系统性的文献回顾和实验研究,我们探讨了不同的CT图像处理算法在肿瘤诊断中的效果及应用前景。研究发现,基于深度学习的算法在提高检测准确性和定位精度方面具有显著优势。这一研究旨在为医学影像领域提供先进的图像处理方法,推动肿瘤检测技术的进步。
简介:摘要目的通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像,临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性,探讨其潜在临床价值。方法同时行常规平扫和增强CT扫描的患者34例,通过深度学习模型将增强CT图像合成DL-SNCT图像,以平扫CT图像为金标准,主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形,均采用4分制);利用配对t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。结果主观评价上,DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分,与平扫CT图像评分相一致(P>0.05);在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分vs. 4分)],差异有统计学意义(Z=-2.89,P <0.05)。对于不同解剖部位而言,DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像(t=-12.89、-9.58,P <0.05),而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义(P>0.05)。对于不同强化模式肝脏病变而言,DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像(t=-10.84、-3.42、-3.98,P <0.05),而肝囊肿CT值与平扫CT图像差异无统计学意义(P>0.05)。结论DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT,但对于强化程度变化大的解剖部位,以及有着不同强化模式的肝脏病变,DL-SNCT在临床应用前还有很大的改进空间。
简介:摘要:目的:人工智能在冠状动脉CT血管成像图像后处理和冠状动脉狭窄诊断中的应用。方法:回顾性分析2020年1月至2022年1月40例同时行CCTA和经皮冠状动脉造影(coronaryarteriography,CAG)患者的影像学资料。图像后处理及诊断分为人工组和AI组,比较两种方法后处理用时和图像质量主客观评分及评估冠状动脉斑块性质的差异。以CAG结果为金标准,以血管为单位,比较两种方法诊断冠状动脉狭窄的敏感性、特异性、阳性预测值、阴性预测值及准确率的差异,并采用Kappa检验评价其结果的一致性。结果:AI组后处理及诊断用时为(236.57±20.66)s,较人工组[(789.74±63.38)s]缩短了约70.04%(P<0.05);两种方法得到的图像质量主客观评分差异均无统计学意义(均P>0.05)。AI组检测斑块总准确率为96.32%(131/136)。人工组与AI组对冠状动脉钙化斑块、非钙化斑块及混合性斑块检出差异无统计学意义(P>0.05),且一致性较好(Kappa=0.901,P<0.001)。以血管为单位,AI组诊断冠状动脉狭窄的敏感性、特异性、阳性预测值、阴性预测值及准确率分别为87.72%(50/57)、94.12%(48/51)、94.34%(50/53)、87.27%(50/53)和90.74%(98/108),与CAG诊断冠状动脉狭窄一致性较好(Kappa=0.815,P<0.001)。结论:AI在CCTA图像后处理效率、斑块性质识别及冠脉狭窄诊断方面具有一定的优势,可作为分析诊断CCTA的有效辅助工具。
简介:摘要:本文提出了一种基于机器学习的眼底图像检测方法、装置及系统,其中主要包括:获取待检测的眼底图像;对所述眼底图像整体区域进行第一特征集检测;对所述眼底图像中特定区域进行第二特征集检测,所述第一特征中的特征的显著度大于第二特征集中的特征的显著度;基于机器学习对检测的结论进行判定得到最终检测结果。每种类型的特征分开检测,互不影响,可以较为精确的判断每个特征的类别,同时进行多种类别多种显著度的特征的检测,可以高效精确的对眼底图像进行检测。