目的 探讨数字断层融合摄影(DTS)在股骨干骨折内固定术后复查中的应用价值.方法 收集90例股骨干骨折内固定术后患者,于术后6月时完成了数字化X线摄影(DR)及DTS检查.由两名放射科医师采用5分法对两种影像学检查方法所获图像进行图像质量评价及对比.同时由临床医师对DTS及DR的骨折愈合显示率进行对比.结果 术后6月时,DTS图像质量评分为(3.689±1.148)分,DR图像质量评分为(2.778±1.197)分,两组差异具有统计学意义(P＜0.05).DTS图像骨折愈合情况显示率为95.56％(86/90),DR图像骨折愈合情况显示率为72.23％(65/90),差异具有统计学意义(P＜0.05).结论 在股骨干骨折内固定术后复查中,DTS能清晰显示术区骨质结构,准确判断骨折愈合情况,图像质量较DR更优,可作为股骨干骨折内固定术后复查较为理想的影像学检查方法,临床实用性较强.

目的 探讨99mTc-MDP全身骨断层融合显像半定量技术对前列腺癌骨转移病灶识别的价值.方法 选择我院于2021年5月～2023年5月前列腺癌患者80例,术后病理显示前列腺癌骨转移患者54例,无骨转移患者26例.所有患者均行99mTc-MDP全身骨断层融合显像半定量技术检查.由1名主治医师和1名主任医师独立完成图像分析.经QMetrix分析即可获得平均标准化摄取值(SUVmean)和最大标准化摄取值(SUVmax).比较骨转移组与无骨转移组血清前列腺特异性抗原(PSA),SUVmean和SUVmax变化;分析99mTc-MDP全身骨断层融合显像诊断骨转移准确率、灵敏度和特异度;Pearson分析PSA与SUVmean和SUVmax相关性.结果 骨转移组血清PSA水平高于无骨转移组(P＜0.05).骨转移组SUVmean和SUVmax值大于无骨转移组(P＜0.05).99mTc-MDP全身骨断层融合显像诊断骨转移准确率为88.89％(48/54).99mTc-MDP全身骨断层融合显像诊断骨转移灵敏度为79.63％,特异度为80.77％.经Pearson相关性分析显示,PSA与SUVmean和SUVmax呈线性正相关(P＜0.05).结论 99mTc-MDP全身骨断层融合显像半定量技术对前列腺癌骨转移病灶诊断准确率较高,且具有良好诊断灵敏度和特异度,值得临床借鉴.

随着前列腺癌(PCa)图像引导放疗(IGRT)软、硬件水平的提高,临床价值可观的辅助技术层出不穷.这些辅助技术中基于黄金基准标志物(GFM)的图像匹配和校准提高了PCa IGRT中靶区位置准确度,使患者得到了更高的治疗获益.通过注入水凝胶增加了前列腺同直肠前壁距离,从而降低了直肠毒性.MRI上GFM辨识准确度较高,可满足CT-MRI影像融合和单独基于MRI的PCa IGRT要求.MRI对水凝胶注入评价较全面,可保证水凝胶对直肠的保护效果.MRI的应用对提高放疗疗效和患者生活质量具有重要意义,已成为PCa IGRT中的研究热点.

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

目的探讨酰胺质子转移加权成像(amide proton transfer weighted imaging,APTw)的影像组学术前预测宫颈癌淋巴血管间隙侵犯(lymphovascular space invasion,LVSI)的价值.材料与方法回顾性分析经手术病理证实的宫颈癌患者病例及影像资料66例.所有患者均行盆腔3.0 T MRI检查,包括轴位T2WI、矢状位T2WI、动态对比增强磁共振成像(dynamic contrast enhanced magnetic resonance imaging,DCE-MRI)和3D-APTw序列扫描.在APTw-T2WI融合图像上对肿瘤实质区域进行感兴趣区(region of interest,ROI)勾画并记录APT值.在APT重建图像上进行肿瘤病灶分割并提取影像组学特征.采用组内相关系数(intra-class correlation coefficient,ICC)选取观察者内和观察者间复测信度好的影像组学特征(ICC>0.900).采用递归特征消除法(recursive feature elimination,RFE)及最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)算法进行特征降维和筛选.基于logistic回归分类器构建临床模型、APTw影像组学模型和联合组学模型.采用受试者工作特征(receiver operating characteristic,ROC)曲线和决策曲线分析(decision curve analysis,DCA)评估模型的诊断效能和临床价值,采用DeLong检验比较不同模型的预测效能.结果在训练集中,APTw影像组学模型预测宫颈癌LVSI的效能高于临床模型(AUC=0.826 vs.0.675),差异有统计学意义(DeLong检验P<0.05).联合组学模型在训练集和测试集中的AUC值分别为0.838和0.825.DeLong检验结果显示,联合组学模型在训练集中术前评估LVSI的效能显著高于临床模型和APTw影像组学模型(P均<0.05).决策曲线显示APTw影像组学模型和联合组学模型在训练集和测试集中均具有较高的临床价值.结论基于APTw的影像组学模型在术前预测宫颈癌LVSI方面具有较高的潜力,联合临床因素能进一步提高预测效能,有望为宫颈癌患者的个体化治疗和预后评估提供重要的支持.

目的 青少年特发性脊柱侧弯(adolescent idiopathic scoliosis,AIS)是危害青少年健康的常见疾病之一.临床上,X线图像Cobb角测量法是评估患者脊柱侧凸严重程度的"金标准".由于X线图像中肋骨和骨盆阴影重叠以及椎骨形态差异等因素影响,人工测量在寻找关键点时步骤复杂且耗时长,快速且准确的Cobb角自动测量方法具有重要临床应用价值.现有深度学习方法中基于分割的方法易受图像质量影响;基于关键点检测方法过于关注局部特征提取导致定位不准确等问题.为此,本文提出了一种以椎骨为中心的标志点检测方法,来实现脊柱侧弯Cobb角自动估计算法.方法 构建一种基于融合多尺度和注意力机制M型椎骨检测网络(multi-scale attention M-shaped network,MSAM-Net).首先,使用多尺度金字塔拆分注意力(multi-scale pyramids squeeze attention,MPSA)模块和注意力特征融合(attentional feature fusion,AFF)模块提取椎骨特征和上下文信息,然后,根据椎体中心和角偏移量定位4个角标志点,以在脊柱侧弯评估任务中提高椎骨标志点检测的性能,进而实现近胸段、主胸段和胸腰段曲线的Cobb角估计.结果 为了评估Cobb角估计与真实侧弯角度之间的偏差程度,本研究算法基于AASCE MICCAI 2019挑战赛数据集,使用4种指标对Cobb角精度进行评估,分别是对称平均绝对百分比误差(symmetric mean absolute percentage error,SMAPE)、欧氏距离(Euclidean distance,ED)、曼哈顿距离(Manhattan distance,MD)和切比雪夫距离(Chebyshev distance,CD).测试得到SMAPE为9.39％,ED为4.18;MD为5.92;CD为5.34.与基于分割和检测的5种深度学习方法进行对比,实现更好的Cobb角测量结果.结论 本研究可以准确识别和定位X线图像中椎骨,帮助医生测量AIS患者的Cobb角,为临床AIS诊断、手术计划和脊柱健康分析提供决策支持.

针对当前皮肤病辅助诊断中生物医学特征建模规模较小且耗费巨大人工成本,而患者疾病特征的时间序列同样无法准确描述等难点,本研究运用融合文本分类算法,融合常用的文本分类模型TextLSTM、TextCNN、RCNN得到皮肤疾病辅助诊疗模型(TLNN模型),通过提取图像传感器医学特征向量化后进行预处理减少焦块数量以及消除偏差较大的特征信息,提高决策数据精度.在ISIC2018和PH2数据集进行对照实验,TLNN模型的准确率为72.36%,高于其余3种文本分类模型.在与医生主观诊断对比实验中,模型诊断准确率为92%,接近于医生94%的平均准确率,而有效诊断效率(1.17 min/例)明显高于医生人工诊断(4.57 min/例),整体效率提升幅度达290%,结果表明对比传统人工诊断,融合文本分类算法模型能以更短时间获得精确的诊断.TLNN模型可以应用于疾病诊断,辅助医生医疗决策,为患者提供优质便捷的智能诊疗服务.

目的:探讨基于B1场校正T1-mapping测量肺癌影像组学特征的一致性及可重复性.方法:回顾性搜集2020年6月—2022年3月在本院经病理确诊的70例肺癌患者的术前胸部T1-map-ping和T1加权容积内插屏气检查(T1-VIBE)图像.其中,有41例进行了T1-mapping重复扫描(间隔30 min).由2位测量者独立采用半自动勾画方法分别在T1-mapping和T1-VIBE图像上逐层沿着病灶边缘勾画ROI,融合生成全病灶的容积ROI(VOI),然后提取原始图像及不同变换预处理图像上病灶VOI的影像组学特征.采用组内相关系数(ICC)评价组学特征在观察者内、观察者间的一致性及重复扫描时的可重复性,以ICC≥0.80为一致性或可重复性好(满足临床要求).结果:自T1-mapping和T1-VIBE图像分别可提取1906个组学特征(包括一阶特征396个、形态特征14个及纹理特征1496个).基于T1-mapping提取的组学特征在观察者内及观察者间的ICC的中位数(Q1,Q3)分别为0.94(0.87,0.98)和0.91(0.83,0.96),基于T1-VIBE提取的组学特征在观察者内及观察者间的ICC的中位数(Q1,Q3)均为0.98(0.95,0.99);2个序列分别有1450(72.72％)和1768(91.76％)个组学特征同时满足观察者内和观察者间的一致性要求.T1-mapping重复扫描提取的组学特征的ICC的中位数(Q1,Q3)为0.83(0.69,0.93),有1002(52.57％)个组学特征同时满足重复扫描时的可重复性;其中,形状特征的可重复性表现最佳(ICC≥0.80者达100％),而一阶特征、灰度共生矩阵(GLCM)及灰度级区域矩阵(GLSZM)特征的可重复性相对较差(ICC≥0.80者仅占49.75％～53.98％).基于不同变换预处理图像提取的组学特征中,Gradient变换明显提高了原始特征的可重复性(ICC≥0.80者达86.05％),而采用Exponential、LBP2D、LBP3D、Logarithm和Square变换方法获得的特征降低了原始特征的可重复性(ICC≥0.80这仅占36.05％～50.00％).结论:T1-mapping的影像组学特征表现出中等可重复性,在临床应用之前需要首先对其进行可重复性评估.

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.

提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.