目的:研究快速、精确获取小鼠角膜神经三维(3D)图像及其参数的技术方案。方法:选取SPF级雌性C57BL/6小鼠4只，吸入过量乙醚麻醉后使小鼠安乐死，立即在解剖显微镜下获取具有完整角膜缘的角膜4个，经过常规固定、透膜和抗β-Ⅲ微管蛋白荧光抗体标记后整铺片处理。在高分辨率去卷积显微镜下采用科学互补性金属氧化物半导体探测器捕获图像，通过显微镜系统自携带图像处理软件对图像进行3D去卷积运算，Z轴数据平面投影以及自动拼接处理得到完整的角膜神经纤维3D图像。采用交互式显微图像分析软件Imaris的丝状追踪模块中的自动检测模式获得不同区域的角膜神经密度，采用自动路径模式手动指定计算起始点到终止点的神经纤维长度。结果:在去卷积显微镜60倍油镜下，可以观察到角膜缘处呈密集网络状的基质层神经纤维在角膜缘附近进入前弹力层，并发出密集的分枝，形成基底下神经丛。这些神经丛向角膜中心伸展形成密集的神经网络样结构，在角膜顶点汇聚成漩涡状结构。少部分神经纤维丛垂直进入上皮层，并发出许多微小的神经末梢分枝。采用Imaris软件丝状物追踪模块中的自动检测模式自动统计，发现角膜神经末梢密度从角膜缘的(2 488.88±282.84)μm/μm 2逐渐增多至角膜中央的(5 766.66±298.55)μm/μm 2；角膜基质神经纤维密度从角膜缘的(40.99±0.99)μm/μm 2递减至角膜中央的(34.57±1.28)μm/μm 2。通过自动路径模式手动测量发现，角膜缘处基质层神经纤维进入前弹力层约151 μm处开始分枝形成基底下神经丛。 结论:去卷积显微镜系统可以获得整个角膜神经纤维的3D分布，Imaris图像分析软件可以自动、快速统计待测区域角膜神经纤维的不同参数。

目的:建立基于深度学习的金属伪影去除系统（MARS），评估其对锥形束CT影像中不同厚度金属产生的伪影的去除效果。方法:采用三维打印的光敏树脂制作标准牙列模型（60 mm×75 mm×110 mm），设计目标牙位（上颌、下颌双侧第一和第二前磨牙）为可拆卸替换牙位，通过置入不同厚度（轴面及 面厚度均分别为1.0、1.5、2.0 mm，即A、B、C组）的钴铬合金全冠试件，获得完全配对的含有或不含有金属伪影的锥形束CT影像，并通过结构相似度（SSIM）及峰值信噪比（PSNR）评估不同厚度钴铬合金全冠试件产生伪影的范围。建立基于卷积神经网络（CNN）与U型网络（U-net）的MARS（CNN-MARS及U-net-MARS），检验CNN-MARS和U-net-MARS两种系统去伪影前后图像的SSIM值和PSNR值，评估其去伪影效果；通过可视化方式分析两种系统去除锥形束CT影像中金属伪影的效果。采用单因素方差分析分别对两种系统的SSIM值和PSNR值进行统计分析，检验水准为双侧α=0.05。 结果:A、B、C组钴铬合金全冠试件的SSIM值（分别为0.916±0.019、0.873±0.010、0.833±0.010）和PSNR值（分别为20.834±1.176、17.002±0.427、14.673±0.429）差异均有统计学意义（ F=447.89， P<0.001； F=796.51， P<0.001），并且随着钴铬合金全冠试件厚度增加，其SSIM及PSNR值均显著增加（ P<0.05）。对含有同一厚度钴铬合金全冠试件的图像，采用CNN-MARS与U-net-MARS去伪影后的SSIM和PSNR值均显著高于伪影去除前（均 P<0.05）。使用CNN-MARS去U-net-MARS伪影后，含不同厚度钴铬合金全冠试件图像的SSIM值和PSNR值差异均无统计学意义（均 P>0.05）。CNN-MARS与U-net-MARS去伪影后图像与原始图像的相似度较高；相比U-net-MARS，CNN-MARS去伪影后仍可见较清晰的金属边缘，目标区域的组织结构恢复更完整。 结论:本研究构建的锥形束CT图像金属伪影消除CNN-MARS与U-net-MARS模型，均可有效去除金属伪影的干扰，提升图像质量，且去伪影效果不受金属厚度的影响。相比于U-net-MARS，CNN-MARS对恢复伪影周围组织结构具有显著优势。

目的:基于卷积神经网络(convolutional neural networks, CNN)对多视角闪烁光处理，重建放射治疗中三维相对剂量分布。方法:利用互补金属氧化物半导体(CMOS)成像传感器捕获正交三视角的荧光图像，将荧光图像转化为三维图像，输入已训练的卷积神经网络中进行剂量重建，分别评估不同射野重建剂量的伽马通过率、均方误差(MSE)、百分深度剂量(PDD)曲线和横向剂量分布(CBP)曲线。卷积神经网络模型为3D-Unet，其预先在虚拟数据集上进行训练。结果:以50%最大剂量为阈值，3%/3 mm为标准，所有射野重建分布中心层面伽马通过率和立体平均伽马通过率均超过90%，均方误差维持在1%以下。所有射野重建分布的PDD曲线均方误差在1‰以下，CBP曲线均方误差在1%以下。结论:本研究实现了一种基于深度学习的三维闪烁光重建方法，完善了基于塑料闪烁体的瞬时三维相对剂量验证。

目的:探讨基于三维卷积神经网络（3D CNN）构建的人工智能辅助诊断模型对高血压性心脏病、出现心脏改变的慢性肾功能衰竭（CRF）及甲状腺功能减退症（甲减）患者超声心动图视频的诊断效能及其临床应用价值。方法:本研究为回顾性研究。收集2019年4月至2021年10月就诊于河南省人民医院的高血压性心脏病、出现心脏改变的CRF和甲减患者。依据诊断分为高血压组、CRF组和甲减组，另采用简单随机抽样方法从同期健康体检者中入选正常对照组。收集入选患者的超声心动图视频数据。每组中视频数据按约5∶1的比例分为训练集和独立测试集，采用膨胀3D卷积网络（I3D）对视频进行时空特征的联合提取，对人工智能辅助诊断模型进行训练及测试；训练集和测试集之间无病例交叉。分别使用3种不同切面［单一心尖四腔心（A4C）切面、单一胸骨旁左心室长轴（PLAX）切面、所有切面］视频数据，基于病例或视频建立模型，并进行诊断性能的统计分析，计算敏感度、特异度、受试者工作特征曲线下面积（ AUC）；并对比人工智能和超声科医师处理病例所需时间。 结果:共纳入730例受试者，男性362例（49.6%），年龄（41.9±12.7）岁，共收集了17 703条视频。其中，高血压组212例、CRF组210例、甲减组105例、正常对照组203名。使用单一PLAX切面和所有切面数据基于病例进行预测的模型诊断性能较优：（1）高血压组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为97%、89%、0.93，使用单一PLAX切面模型为94%、95%、0.94；（2）CRF组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为97%、95%、0.96，使用单一PLAX切面模型为97%、89%、0.93；（3）甲减组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为64%、100%、0.82，使用单一PLAX切面模型为82%、89%、0.86。3D CNN模型测量和分析每例受试者的超声心动图视频所需时间明显短于超声科医师［（23.96±6.65）s比（958.25±266.17）s， P<0.001］。 结论:基于3D CNN的人工智能辅助诊断模型可以联合提取超声心动图的动态时空特征，能够快速高效识别高血压性心脏病及CRF和甲减引起的心脏改变。

目的:评估新的多阶段三维（3D）深度卷积神经网络的计算机辅助诊断（CAD）系统在低剂量螺旋CT（LDCT）肺癌筛查中的应用价值。方法:回顾性分析河南省肿瘤医院2013年11月至2017年12月8 850例肺癌筛查志愿者共1 111个肺结节的基线LDCT影像资料及肺癌患者的临床信息，所有纳入本研究的人群均作了至少一次LDCT，阅片方式包括目视检测（VD）、CAD及VD结合CAD方式；肺结节的诊断标准以2名胸部影像专业高年资医师最终达成的一致性意见作为真结节(有分歧时由第3名主任医师决定）。针对结节数目、结节类型及结节的Lung-RADS分类，比较3种阅片方式的肺结节（或肺癌）的检出率、漏诊率及假阳性率。组间比较采用χ2检验。结果:与VD方式比较，CAD及VD+CAD方式结节检出率明显升高（分别为94.2%、95.7%、80.1%），漏诊率明显减低（分别为5.8%、4.3%、19.9%），差异具有统计学意义（χ2=101.650、128.500， P<0.05）；与VD方式比较，CAD方式与VD+CAD方式对Lung-RADS分类结节（χ2=25.083、23.449 ，P<0.05）及不同类型结节（χ2=6.955、6.821 ，P<0.05）的检出率明显升高，而CAD方式与VD+CAD方式对Lung-RADS分类结节及不同类型的检出率差异无统计学意义（ P>0.05）。VD方式与VD+CAD方式在肺癌阳性预测率、漏诊率及假阳性率无明显差异；与VD方式与VD+CAD方式比较，CAD方式对肺癌的阳性预测率明显降低，漏诊率及假阳性率明显升高。 结论:VD结合CAD的方式能够在降低假阳性结节检出的基础上，提高真性肺结节检出率，可作为城市人群LDCT肺癌筛查的首选方法。

目的:用精准自动勾画女性肠道器官的Dense V-Network模型对宫颈癌患者进行训练并评估。方法:将Dense Net与V-Net2个网络模型进行融合，形成一种用于三维CT图像自动分割的Dense V-Network算法。160例宫颈癌患者CT数据被随机分为训练集130例用于调整模型参数，测试集30例用于评估自动分割效果。采用戴斯相似性系数(DSC)等8个参数定量评估分割效果。结果:小肠DSC、杰卡德距离、体积差异性系数、敏感性指数、包容性指数、豪斯多夫距离、轮廓平均差异、质心偏差分别为0.86±0.03、0.25±0.04、0.10±0.07、0.88±0.05、0.85±0.05、(2.98±0.61) cm、(2.40±0.45) mm、(4.13±1.74) mm，结果优于单一算法(均 P<0.05)。 结论:Dense V-Network算法可较为准确地分割肠道器官，医生修改审查简单易行，可用于临床。

目的:探讨基于磁共振成像（MRI）检查的集成深度学习模型预测中低位直肠癌切除术应用直肠双吻合技术（DST）直线切割闭合器使用次数的临床价值。方法:采用回顾性队列研究方法。收集2018 年1月至2022年12月上海交通大学医学院附属瑞金医院收治的263例行低位前切除术（LAR）中低位直肠癌患者的临床病理资料（训练集）；男183例，女80例；年龄为63（55，68）岁。另收集128例中低位直肠癌患者的临床病理资料（验证集）；男83例，女45例；年龄为65（57，70）岁。训练集用于构建预测模型，验证集用于验证预测模型。观察指标：（1）训练集患者的临床病理特征。（2）影响训练集患者术中直线切割闭合器使用次数≥3次的因素分析。（3）预测模型的构建。（4）预测模型的效能评价。（5）预测模型的验证。偏态分布的计量资料以 M（ Q1， Q3）表示，组间比较采用Mann-Whitney U检验。计数资料以绝对数表示，组间比较采用 χ2检验。单因素分析采用Logistic回归模型，多因素分析采用Logistic逐步回归模型。绘制受试者工作特征（ROC）曲线并计算曲线下面积（AUC）。AUC>0.75表示模型可接受。AUC比较采用Delong检验。 结果:（1）训练集患者的临床病理特征。263例患者中，48例术中直线切割闭合器使用次数≥3次，215例≤2次。48例术中直线切割闭合器使用次数≥3次和215例≤2次患者术前血清癌胚抗原>5 μg/L、吻合口漏、肿瘤长径≥5 cm的例数分别为20、12、13例和56、26、21例，两者比较，差异均有统计学意义（ χ2 =4.66，5.29，10.45， P<0.05）。（2）影响训练集患者术中直线切割闭合器使用次数≥3次的因素分析。多因素分析结果显示：术前血清癌胚抗原>5 μg/L、肿瘤长径≥5 cm是影响术中直线切割闭合器使用次数≥3次的独立危险因素［优势比=2.26，3.39，95%可信区间（ CI）为1.15~4.43，1.50~7.65， P<0.05］。（3）预测模型的构建。根据多因素分析结果，纳入术前血清癌胚抗原和肿瘤长径建立临床预测模型Logit（P）=-2.018+0.814×术前血清癌胚抗原（>5 μg/L取1，≤5 μg/L取0）+1.222×肿瘤长径（≥5 cm取1，<5 cm取0）。将基于掩模区域的卷积神经网络（Mask R-CNN）分割的影像资料输入三维卷积网络（C3D），通过训练，完成影像预测模型的构建。将基于Mask R-CNN分割的影像资料及临床独立危险因素输入C3D神经网络，通过训练，完成综合预测模型的构建。（4）预测模型的效能评价。临床预测模型的灵敏度、特异度、准确度分别为70.0%、81.0%、79.4%，约登指数为0.51。影像预测模型的灵敏度、特异度、准确度分别为50.0%、98.3%、91.2%，约登指数为0.48。综合预测模型的灵敏度、特异度、准确度分别为70.0%、98.3%、94.1%，约登指数为0.68。临床预测模型、影像预测模型、综合预测模型的AUC分别为0.72（95% CI为0.61~0.83）、0.81（95% CI为0.71~0.91）、0.88（95% CI为0.81~0.95）。综合预测模型的效能分别与影像预测模型和临床预测模型比较，差异均有统计学意义（ Z=2.98，2.48， P<0.05）。（5）预测模型的验证。通过验证集对3个预测模型进行外部验证。临床预测模型的灵敏度、特异度、准确度分别为62.5%、66.1%、65.6%，约登指数为0.29。影像预测模型的灵敏度、特异度、准确度分别为58.8%、95.5%、92.1%，约登指数为0.64。综合预测模型的灵敏度、特异度、准确度分别为68.8%、97.3%、93.8%，约登指数为0.66。临床预测模型、影像预测模型、综合预测模型的AUC分别为0.65（95% CI为0.55~0.75）、0.75（95% CI为0.66~0.84）、0.84（95% CI为0.74~0.93）。综合预测模型的效能与临床预测模型比较，差异有统计学意义（ Z=3.24， P<0.05）。 结论:基于MRI检查的集成深度学习模型可以预测中低位直肠癌切除术DST直线切割闭合器使用次数≥3次的高危人群。

目的:研发基于人工智能深度学习技术的全髋关节置换术（total hip arthroplasty，THA）髋臼假体型号算法并进行初步验证。方法:回顾性分析2019年4月至2020年4月30例股骨头坏死患者资料，其中男15例，女15例；年龄（54.8±10.5）岁（范围33~72岁），左侧13髋，右侧17髋，均接受初次单侧THA。在完成髋关节图像手工标注的基础上，训练人工智能深度学习卷积神经网络对患者髋关节CT骨质进行分割，而后识别骨盆解剖标志位点，并对骨盆位置进行矫正并模拟安放髋臼杯，分别采用dice overlap coefficients（DOC）、平均误差等参数对上述步骤的精度进行评估，最终形成人工智能髋臼假体型号算法。并使用该算法与Orthoview二维术前规划软件分别对患者髋臼杯大小进行规划，将两组规划结果与已完成的实际手术结果进行比对，分别计算其符合率，从而回顾性验证本算法的规划效果。结果:在算法方面，与其他经典分割网络相比，G-net网络可更精准的完成对股骨头坏死髋关节骨质的分割，DOC为92.51%±6.70%，且具有更好的鲁棒性（robustness），点识别网络平均误差为0.87个像素值。在临床应用效果方面，人工智能组完全符合率为96.7%（29/30），较Orthoview组的73.3%（22/30）高23.4%，差异有统计学意义（ χ2=6.405， P=0.011）。 结论:深度学习技术可精准分割患者髋关节CT图像，识别髋关节特征点，人工智能THA髋臼杯放置算法与传统二维术前规划方式相比具有较高的准确性。此算法有望实现准确、快速的THA三维术前规划。

目的:研发基于人工智能深度学习技术的髋关节翻修术前CT影像分割算法，并进行验证及初步应用。方法:回顾性分析2019年4月至2022年10月于中国人民解放军总医院收治的有清晰CT数据资料的翻修病例706例，其中男520例，年龄（58.45±18.13）岁；女186例，年龄（52.23±16.23）岁。均为单侧，左侧402髋、右侧304髋。搭建transformer_unet卷积神经网络并使用Tensorflow 1.15进行网络模型训练，实现对翻修髋关节CT影像的智能分割。基于已研发的全髋关节置换术三维规划系统，初步构建髋关节翻修手术智能规划系统。分别采用dice overlap coefficient（DOC）、average surface distance（ASD）、Hausdorff distance（HD）参数对transformer_unet、全卷积网络（fully convolutional networks，FCN）、2D U-Net、和Deeplab v3+的分割精度进行评估，统计分割耗时对上述网络的分割效率进行评估。结果:与FCN、2D U-Net和Deeplab v3+学习曲线相比，transformer_unet网络可通过较少的训练量实现更优的训练效果。Transformer_unet的DOC为95%±4%，HD为（3.35±1.03） mm，ASD为（1.38±0.02） mm；FCN分别为94%±4%、（4.83±1.90） mm、（1.42±0.03） mm；2D U-Net分别为93%±5%、（5.27±2.20） mm、（1.46±0.02） mm；Deeplab v3+分别为92%±4%、（6.12±1.84） mm、（1.52±0.03） mm。Transformer_unet各系数均优于其他三种卷积神经网络，差异有统计学意义（ P<0.05）。在分割时间方面，transformer_unet分割耗时为（0.031±0.001） s，FCN为（0.038±0.002） s，2D U-Net为（0.042±0.001） s，Deeplab v3+为（0.048±0.002） s。Transformer_unet分割耗时少于其他三种卷积神经网络，差异有统计学意义（ P<0.05）。将transformer_unet与全髋关节置换术三维规划系统相结合，可初步完成髋关节翻修手术智能规划系统的构建。 结论:与FCN、2D U-Net和Deeplab v3+相比，transformer_unet卷积神经网络可更精准、高效地完成对翻修髋关节CT影像的分割，有望为人工智能髋关节翻修手术术前规划及手术机器人相关领域的研究提供技术支撑。

目的 采用基于多参数磁共振序列的卷积神经网络(convolutional neural network,CNN)联合传统影像组学标签及临床指标,术前预测肝细胞性肝癌(hepatocellular carcinoma,HCC)患者的微血管侵犯(microvascular invasion,MVI).方法 选择经病理确诊的HCC患者275例纳入本研究.将数据集随机分为训练集(n=192)和测试集(n=83).应用CNN技术,融合二维多参数磁共振肿瘤图像、三维肿瘤的传统影像组学特征标签及临床指标,开发一种HCC的MVI预测分类器.应用受试者工作特征曲线(receiver operating characteristic,ROC),比较混合模型(ModelCom)与卷集神经网络模型(ModelD)、影像组学模型(ModelR)和临床模型(ModelC)的诊断效能.结果 ModelD在训练集和测试集中的AUC分别为0.914和0.842,优于ModelC(训练集:P＜0.001;测试集:P=0.032)和ModelR(训练集:P＜0.001;测试集:P=0.044).ModelCom在训练集和测试集中的AUC分别为0.951和0.881,在训练集中优于ModelD(P=0.012),在测试集中差异无统计学意义(P=0.157).校准曲线显示出了 ModelCom具有良好的拟合优度(hosmer-lemeshow test,训练集P=0.402,测试集P=0.689).决策曲线分析提示ModelCom鉴别MVI阳性和MVI阴性的净获益高于其他模型.结论 CNN为基础的混合模型够准确预测HCC的MVI状态.