目的:为降低环境因素对心率提取的影响,提出一种基于手机指尖视频的心率提取算法.方法:首先,采集指尖视频并按照30帧/s的帧率进行图像提取,并将图像分离成R、G、B 3个通道图像.通过对比3个通道图像的亮度变化强弱情况,选取对指尖血流信号最为敏感的G通道作为信号源,提取图像亮度变化信息生成时长为10 s的容积脉搏波.其次,对该波形进行数字滤波、去除基线漂移、傅里叶变换等信号处理后,根据最大谱峰位置信息预估心率.最后,在BUT PPG数据集(Brno University of Technology Smartphone PPG Database)上验证提出的算法对心率的预测效果.结果:提出的算法心率预测值与实际心率的均方差、均方根差和平均绝对误差分别为3.71、1.92和1.2次/min.结论:提出的算法预测心率的准确率高,适合部署于手机进行日常心率监测.

目的:探讨基于磁共振DWI的影像组学模型对子宫内膜癌(EC)微卫星不稳定(MSI)状态的预测价值.方法:回顾性分析2019年5月—2023年1月在本院确诊为EC的81例患者的DWI资料.其中,MSI组29例,微卫星稳定组(MSS)52例.在DWI图像上沿病变边缘逐层勾画ROI后生成容积ROI(VOI)并提取影像组学特征,并在生成的ADC图像上测量病灶的ADC值.采用最小绝对收缩和选择算子(LASSO)和SelectKBest算法进行组学特征的筛选,然后采用决策树(DT)分析方法构建组学预测模型.使用受试者工作特征(ROC)曲线评估模型的诊断效能,采用Delong检验比较影像组学模型与ADC之间诊断效能的差异.基于1000次采样的Bootstrap算法和校准曲线来验证预测模型的临床应用价值.结果:MSI组的ADC值小于MSS组(P=0.008).模型构建方面,共筛选出5个最优DWI影像组学特征(2个一阶统计特征、1个直方图灰度共生矩阵特征、1个灰度共生矩阵特征和1个灰度游程长度矩阵特征)用于建立预测模型.诊断效能方面,DWI组学预测模型的AUC为0.927(95％CI:0.847～0.973),较ADC值的诊断效能(AUC=0.771,95％CI:0.664～0.857)显著增加(Z=2.436,P=0.015).模型验证方面,在基于Bootstrap算法的验证中,DWI组学预测模型亦显示出较高的效能,AUC为0.904(95％CI:0.885～0.916);同时,校准曲线显示该模型的预测值与实际观测值之间有较好的一致性.结论:基于DWI影像组学特征构建的预测模型较ADC值能更好地对EC患者的MSI状态进行术前评估,有望为临床诊疗提供一种新的选择.

目的 探索基于深度学习实现丘脑底核脑深部电刺激术(subthalamic nucleus deep brain stimulation,STN-DBS)自动化核团标注、手术靶点定位及电极植入路径规划.方法 来自北部战区总医院神经外科行双侧STN-DBS手术的155例患者的影像资料.首先,采用3D UX Net卷积神经网络基于MRI图像提取深度学习特征并完成丘脑底核(subthalamic nucleus,STN)及红核(red nuclei,RN)的分割;然后通过算法实现丘脑底核的自动化靶点定位;最后在规定的皮层入路点范围区域内生成不多于4根的电极植入路径.通过人工审查验证靶点及电极植入路径的临床可行性.结果 通过3D UX Net卷积神经网络算法进行核团分割,红核分割性能的Dice值为0.90.STN分割性能的Dice值为0.84.自动化生成STN靶点经人工审查验证可行的坐标与人工手术规划STN靶点坐标的欧几里得距离为(1.2±0.4)mm.25例测试集中自动化STN靶点定位及电极植入路径通过人工审查可行有20例(20/25),自动化靶点定位及电极路径与人工规划靶点及路径差异无统计学意义(P=0.059).结论 3D UX Net卷积神经网络可以较精确地分割STN及红核,通过自动化靶点定位及路径规划的STN-DBS手术计划临床可行且耗时短,可以为临床医生手术前规划提供参考.

目的 探讨表观扩散系数(apparent diffusion coefficient,ADC)直方图参数在术前区分移行型脑膜瘤(transitional meningioma,TM)与非典型脑膜瘤(atypical meningioma,AM)的价值.方法 回顾性分析经组织病理学证实的66例TM和30例AM患者资料.由2名经验丰富的放射科医生使用3DSlicer软件,在肿瘤ADC图像上采用双盲法沿着肿瘤边缘手动勾画感兴趣区(region of interest,ROI),ROI除外坏死、囊变及出血区域,由ROI灰度值构建灰度直方图,生成受试者工作特征(receiver operating characteristic,ROC)曲线,并计算曲线下面积(area under the curve,AUC).评估ADC直方图参数与Ki-67增殖指数、孕激素受体(progesterone receptor,PR)、上皮膜抗原(epithelial membrane antigen,EMA)、S-100蛋白四种病理指标的相关性.结果 TM组的方差、偏度、峰度及最大值参数均大于AM组(P均<0.05).方差、偏度、峰度、最大值及Perc.90参数与Ki-67表达呈负相关;方差、最小值及Perc.10参数在PR阳性和PR阴性之间存在显著差异(P均<0.05).结论 ADC直方图分析有助于术前区分TM和AM,衍生参数可预测Ki-67水平及PR表达.

图像配准在临床医学诊断和辅助手术过程中非常重要,采用仿X光和数字减影图像的数字重建影像(DRR)设计将使医学图像配准精度和速度提高,提出用片段着色器同时生成三维渲染图像和仿X光或者数字减影图像的DRR,将复杂优化和配准计算采用并行计算语言OpenCL完成,使整个DRR图像生成和2D/3D配准交由图像处理单元GPU完成.实验结果表明,依赖仿真的X光图像或者数字减影图像配准方法可为图像引导的手术提供精确和快速的辅助作用.

目的 胸部X线是临床实践中常见的胸部疾病筛查和诊断方式.由于放射科医生长时间阅片容易视觉疲劳以及医疗资源分配不均衡的问题,导致误诊和漏诊的情况时有发生.针对这一问题,本研究运用深度学习技术,提出了一个基于ConvNeXt模型的胸部X线图像的疾病检测方法,旨在提高胸部疾病诊断准确度、减轻误诊风险并提高医生工作效率.方法 利用大规模公开胸部X线图像数据集ChestX-ray14训练ConvNeXt模型,该模型在ResNet模型的基础上,融合了视觉Transformer结构的优势,可以有效提高模型的特征提取和识别能力,同时以AUC(ROC曲线下方的面积)作为模型性能的评价指标,与已有的分类模型CheXNet、ResNet及Swin Transformer进行了对比.此外,通过引入Grad-CAM可视化方法,利用卷积神经网络特征图的梯度信息生成胸部X线图像的类激活热力图,实现对病灶区域的定位,从而提高医生的诊断效率.结果 基于ConvNeXt模型的诊断方法在识别14种胸部疾病时平均AUC值可达0.842,特别在识别积液(AUC值为0.883)、水肿(AUC值为0.902)和疝气(AUC值为0.942)等疾病时表现较为令人满意.结论 本文提出的方法在胸部X线图像的疾病检测中具有较好的性能,是一种对胸部X线图像进行胸部疾病诊断进而协助医生提高工作效率的有益尝试.

目的:探讨利用深度学习在图像处理上的优势与放疗结合是否会使放疗过程更加智能化。方法:生成对抗网络(GAN)是一种利用神经网络的生成模型，输入相关特征可生成高质量剂量分布图像。先使用随机无条件GAN进行模拟分布数据的验证，再使用条件GAN(cGAN)训练肿瘤病例的DICOMRT数据，利用靶区和器官轮廓信息直接生成剂量分布图。结果:对于理想数据验证，GAN生成模拟分布效果优良，通过提取靶区轮廓和真实剂量切片数据使用cGAN训练，得到病例计划靶体积和危及器官的剂量分布。结构中预测值与真实剂量之间最大值和平均值的绝对误差评价表现为[3.57%，3.37%](计划靶体积)、[2.63%，2.87%](脑)、[1.50%，2.70%](临床靶体积)、[3.87%，1.79%](大体肿瘤体积)、[3.60%，3.23%](危及器官-1)、[4.40%，3.13%](危及器官-2)。结论:利用GAN模型可以生成模拟分布数据，同时结合先验知识的cGAN模型可以建立靶区和器官信息与剂量分布之间的关系。通过输入靶区和器官轮廓信息直接快速生成对应的剂量分布，是剂量预测的一种有效尝试。

目的:探讨基于生成对抗网络重建PET图像在改善儿童低剂量 18F-FDG PET图像质量及病灶检出中的价值。 方法:回顾性分析2021年8月至2021年12月于首都医科大学附属北京友谊医院行 18F-FDG全身PET/CT显像的61例患儿[男38例、女23例，年龄(4.0±3.5)岁]的PET图像，将所有患儿通过列表模式提取的低剂量扫描(30 s、20 s、10 s)图像输入生成对抗网络进行深度学习(DL)重建，获取相应模拟标准全剂量(DL-30 s、DL-20 s、DL-10 s)图像。测量标准全剂量120 s、30 s、20 s、10 s、DL-30 s、DL-20 s、DL-10 s图像的肝血池及原发病灶半定量参数，计算靶本比(TBR)、对比噪声比(CNR)及 CV。采用5分Likert量表对图像质量进行主观评分，对比各组图像阳性病灶检出情况，计算阳性病灶检出的灵敏度及阳性预测值。采用Mann-Whitney U检验、Kruskal-Wallis秩和检验及 χ2检验分析数据。 结果:30 s、20 s、10 s组图像CNR分别低于DL-30 s、DL-20 s、DL-10 s组( z值：-3.58、-3.20、-3.65，均 P<0.05)。DL-10 s组评分低于120 s、DL-30 s及DL-20 s组[4(3，4)、5(4，5)、4(4，5)、4(4，5)分； H＝97.70， P<0.001]；120 s、DL-30 s、DL-20 s及DL-10 s组图像的TBR、CNR、 CV、病灶及肝血池SUV max和SUV mean差异均无统计学意义( H值：0.00~6.76，均 P>0.05)。DL-30 s、DL-20 s、DL-10 s组图像阳性病灶检出的灵敏度分别为97.83%(225/230)、96.96%(223/230)和95.65%(220/230)，阳性预测值分别为96.57%(225/233)、93.70%(223/238)、84.94%(220/259)；DL-10 s组阳性预测值较低( χ2＝23.51， P<0.001)。DL-10 s组对不同部位阳性病灶检出的假阳性及假阴性病灶较多。 结论:基于生成对抗网络的DL-20 s组图像质量较高，能达到临床诊断要求。

目的:探讨基于机器学习的 18F－FDG PET影像组学特征对≥60岁弥漫性大B细胞淋巴瘤(DLBCL)患者的预后评估价值。 方法:回顾性分析2011年3月至2019年11月166例未经治疗的DLBCL患者(年龄≥60岁)的 18F－FDG PET/CT资料，其中男88例、女78例，年龄60~93岁；训练组115例，验证组51例。对患者PET图像进行病灶勾画及影像组学特征提取，运用3种机器学习方法[最小绝对收缩和选择算子(LASSO)、随机森林(RF)和极端梯度提升(Xgboost)]筛选特征，采用支持向量机(SVM)对特征进行分类并生成影像组学标签(RS)，对患者总生存(OS)进行预测。根据Cox比例风险回归模型构建多参数模型，并通过一致性指数(C－index)进行评估。 结果:共提取1 421种影像组学特征，筛选出10个预测效能强的特征并生成RS。单因素Cox回归分析示，RS[风险比( HR)＝5.685, 95% CI: 2.955~10.939； P<0.001]是OS的危险因素。构建出包含RS、代谢特征及临床风险因素的多参数模型，其较临床模型、基于PET模型及美国国家综合癌症网络国际预后指数(NCCN－IPI)在预测OS上具有更高的效能(训练组C－index：0.752、0.737、0.739、0.688；验证组C－index：0.845、0.798、0.844、0.775)。 结论:基于机器学习 18F－FDG PET影像组学特征的RS是≥60岁DLBCL患者生存预后的预测因素。构建的包含影像组学特征的多参数模型能较好地预测患者预后。

目的:探讨人工智能（artificial intelligence，AI）在双源CT冠状动脉血管成像（coronary computed tomography angiography，CCTA）中的应用价值。方法:回顾性分析2021年1-12月在本溪市中心医院拟诊的冠状动脉疾病患者50例的影像资料，所有患者进行过CCTA检查和冠状动脉造影（coronary arteriography，CAG），CCTA图像上传到后处理工作站，经过2名影像科医师进行后处理和诊断，同时图像也经过AI软件进行后处理并生成诊断报告。在冠状动脉狭窄的诊断方面，将AI的诊断结果与CAG的结果对照；在心肌桥（myocardial bridging，MB）的诊断方面，将AI的诊断结果与医师的诊断结果对照；判断AI诊断的准确性。结果:在冠状动脉狭窄的诊断中，AI诊断的敏感度为93.22 %，特异度81.32 %，阳性预测值76.39 %，阴性预测值94.87 %，与CAG结果一致性较好（Kappa=0.71， P < 0.001）；在心肌桥的诊断中，AI诊断的敏感度为30.77 %，特异度81.45 %，阳性预测值25.81 %，阴性预测值84.87 %，与医师结果一致性差（Kappa =0.11， P=0.162）。 结论:AI辅助诊断在双源CT的CCTA诊断冠状动脉狭窄中具有较高的价值，但在心肌桥诊断中尚存不足。