目的:评估基于计算机视觉技术开发的眼底图像质量评估系统的准确性。方法:选取2016至2017年在“上海糖尿病眼病研究”中由上海市各社区卫生服务中心的工作人员采用免散瞳眼底照相机拍摄的787例2型糖尿病患者的2 397幅彩色眼底像图片作为测试数据集。患者年龄（69.65±19.09）岁，男性384例，女性403例。根据眼底图像预处理、成像质量评价、内容检测和评估结果输出4个模块开发眼底图像质量评估系统。将2 397幅彩色眼底像图片输入该系统自动进行图像质量评价和视盘、黄斑识别，并根据图像质量判断规则对图像进行合格与否的判断并分类。同时由12位专业眼底图片阅片医师对此数据集的图像质量进行人工分类，其中合格1 846幅，不合格551幅。将系统判断结果与人工判断结果进行比对分析。结果:眼底图像质量评估系统可对输入的彩色眼底像图片自动进行眼别和眼位识别，并进行图像质量评估，之后直观输出评估结果。每幅眼底图像评估时间<1 s。1 846幅人工判断为图像质量合格的图片，经系统判断亦为合格者1 788幅（96.86%）；551幅人工判断为不合格的图片经系统判断结果亦为不合格者550幅（99.82%）。图像质量不合格原因为图像过暗（62幅，11.27%）、图像过亮（51幅，9.27%）、黄斑区不清晰（59幅，10.73%）、黄斑视盘未见（36幅，6.54%）、未见眼底结构（125幅，22.73%）、图像模糊（175幅，31.82%）、图像有遮挡（42幅，7.64%）。系统评估与人工判断结果总体一致率为97.54%。结论:该眼底图像质量评估系统对眼底图像质量的评估结果与专业阅片医师判断结果一致性高，具有客观性。 （中华眼科杂志，2020，56：920-927）

容量反应性被定义为患者在10~15 min接受500 ml晶体溶液后，每搏量（stroke volume, SV）增加10%~15%。床旁超声技术在手术室内的广泛应用使得利用超声进行容量评估成为可能。经胸超声心动图（transthoracic echocardiography, TTE）检查是无创操作，经食管超声心动图检查（trans-esophageal echocardiography, TEE）是微创操作，TEE在围手术期可以动态、实时、连续监测容量，并且图像质量稳定良好。文章对预测容量反应性的超声指标分类（呼吸-脉搏参数、静脉呼吸变异度、舒张功能相关参数、容量反应性试验）进行综述，以期提供较为全面的认识。

目的:比较基于普通影像及超分辨率(SR)重建技术的图像构建的影像组学模型在预测颅内未破裂动脉瘤支架介入术后沉默性脑梗死患者临床预后中的应用。方法:选择郑州大学第一附属医院和南昌大学第一附属医院2016年1月至2021年12月期间接受支架介入治疗的未破裂颅内动脉瘤，并通过磁共振弥散加权成像技术(DWI)筛选沉默性脑梗死患者218例。使用SR重建技术提高了图像质量，分别对普通DWI图像及SR重建技术处理的图像提取大量的影像组学特征，并采用相关分析、单因素分析和最小绝对收缩和选择算子(LASSO)回归模型来选择最佳的影像组学特征。基于这些特征通过逻辑回归分类器建立临床预后预测模型，并利用受试者操作特征(ROC)曲线评价模型的预测效能。结果:根据每个患者的影像均提取1 835个影像组学特征。在测试集中，基于SR重建技术构建的影像组学模型在预测患者临床预后方面表现出更好的性能，ROC分析显示其曲线下面积(AUC)为0.764，而基于普通DWI影像构建的模型的AUC值为0.714。结论:相较于普通DWI影像，SR重建技术有望于提高图像质量并增加对预测颅内未破裂动脉瘤支架介入术后出现沉默性脑梗塞患者的临床预后的准确性。

目的:探讨利用更快的区域卷积神经网络算法（Faster R-CNN）分析直肠癌磁共振（MRI）平扫图像以评估环周切缘（CRM）状态的可行性。方法:病例纳入标准：（1）CRM阳性区域位于提肛肌肛管平面至腹膜反折之间，电子结肠镜及组织病理学检查证实为直肠恶性肿瘤；（2）术后病理或术前高分辨MRI检查证实有CRM阳性。排除标准：新辅助治疗后、手术后复发、图像质量差伪影、肿瘤巨大及广泛坏死等组织变性以及既往盆腔手术史直肠临近组织结构改变的病例。根据以上标准，收集青岛大学附属医院2016年7月至2019年6月期间，350例CRM阳性直肠癌患者的MR平扫图像。将患者按照性别和肿瘤部位分类，应用计算机随机数字法以6∶1比例随机分配为训练组（300例）和测试组（50例）。利用LabelImg软件在T2加权成像（T2WI）图像上对CRM阳性区域进行标识。应用标识的训练组图像对Faster R-CNN模型进行迭代训练、优化参数，直到网络收敛获得最佳的深度学习模型。利用测试集数据评估人工智能平台的识别性能，选取指标包括准确度、敏感性、阳性预测值、受试者工作特征曲线和曲线下面积（AUC），以及识别单张图像所花费的时间。结果:训练后的Faster R-CNN模型判定CRM状态的准确度、敏感性、特异性、阳性预测值和阴性预测值分别为0.884、0.857、0.898、0.807和0.926；AUC为0.934（95%CI：91.3%~95.4%）。Faster R-CNN模型对单张图像的自动识别时间为0.2 s。结论:基于Faster R-CNN建立的对直肠癌CRM阳性MRI图像识别和分割的人工智能模型，可完成对原位肿瘤外侵引起CRM阳性区域的风险评估，具有初步筛选的应用价值。

目的:探讨高分辨C型臂CT(简称C臂CT)技术在巴马小型猪颈动脉内血流导向装置(FD)置入术中对支架打开程度和贴壁评估中的应用价值。方法:采用血管内治疗方式将Tubridge FD置入巴马小型猪颈动脉内。术后即刻行高分辨C臂CT扫描，对FD的打开程度及后处理图像的质量进行评估；然后对FD置入血管行三维数字减影血管造影(3D-DSA)扫描，通过后处理工作站，将高分辨C臂CT和3D-DSA图像信息采用双容积融合技术行二次重建并获得融合后图像(简称双容积重建法)，并与行高分辨C臂CT扫描的同时持续注射稀释对比剂后获得的支架血管重建图像(简称稀释对比剂法)进行对比，并记录两种操作方法的射线曝光剂量，以评估其在FD贴壁评估中的准确性和安全性。观察FD置入术中和术后24 h内不良事件的发生情况。结果:9只巴马小型猪的左侧颈动脉内共置入9枚Tubridge FD。高分辨C臂CT平扫重建图像显示，8枚FD打开完全，1例FD远心端打开不良；图像质量为Ⅰ级8例，Ⅱ级1例。在支架贴壁方面，双容积重建法和稀释对比剂法均能较清晰展示FD的贴壁情况，其中8枚FD贴壁良好(贴壁评分为0分)，1枚FD远心端贴壁不良(贴壁评分为1分，分类Ⅰa型)，二者评估结果的一致率为100%。在射线曝光剂量方面，双容积重建法射线总曝光的剂量面积乘积明显高于稀释对比剂法[(906.89±44.49)μGym 2对比(725.44±42.17)μGym 2， t＝24.36， P<0.001]。2只巴马小型猪在应用稀释对比剂法中出现中度血管痉挛，所有动物术中及术后24 h内均未观察到血管夹层、血栓脱落等并发症的发生。 结论:高分辨C臂CT能清晰展示国产颅内FD的细微结构和完全打开情况，结合多种后处理技术能有效观察其贴壁情况。

目的:对基于深度学习的ResNet50-OC模型彩色眼底照片质量多分类的效果进行评估。方法:纳入2018年7月在南京医科大学附属明基医院收集的彩色眼底照片PD数据集及EyePACS数据集，临床医师根据眼底图像的成像质量将其大致分为质量较好、曝光不足、曝光过度、边缘模糊和镜头反光5类。在训练集中，每个类别包含1 000张图像，其中800张选自EyePACS数据集，200张选自PD数据集；在测试集中，每个类别包含500张图像，其中400张选自EyePACS数据集，100张选自PD数据集。训练集总计5 000张图像，测试集总计2 500张图像。对图像进行归一化处理和数据扩增。采用迁移学习方法初始化网络模型的参数，在此基础上对比当前深度学习主流分类网络VGG、Inception-resnet-v2、ResNet和DenseNet，选取准确率和Micro F1值最优的网络ResNet50作为分类模型的主网络。在ResNet50训练过程中引入One-Cycle策略加快模型收敛速度，得到最优模型ResNet50-OC并将其应用于眼底照片质量多分类，评估ResNet50与ResNet50-OC对眼底照片进行多分类的准确率和Micro F1值。结果:ResNet50对彩色眼底照片质量多分类准确率和Micro F1值明显高于VGG、Inception-resnet-v2、ResNet34和DenseNet。ResNet50-OC模型训练15轮对眼底图像质量多分类准确率为98.77%，高于ResNet50训练50轮的98.76%；ResNet50-OC模型训练15轮对眼底图像质量多分类的Micro F1值为98.78%，与ResNet50训练50轮的Micro F1值相同。结论:ResNet50-OC模型可以准确、有效地对彩色眼底照片质量进行多分类，One-Cycle策略可减少训练次数，提高分类效率。

目的 开发并验证自动识别肝脏增强CT期相的深度学习模型.方法 回顾性收集行肝脏增强CT患者图像766例,用于构建3期增强期相分类模型和动脉期(AP)分类模型,将肝脏增强CT各期相自动识别为动脉早期(EAP)或动脉晚期(LAP)、门脉期(PVP)、平衡期(EP).此外,回顾性收集5家不同医院行肝脏增强CT患者图像221例,用于模型外部验证.以放射科医师标注结果为参考标准,评估模型效能.结果 在外部验证集中,模型识别各增强期相准确率达到90.50%～99.70%.结论 基于残差网络构建的肝脏增强CT期相自动识别模型有望提供高效、客观、统一的图像质量控制工具.

目的 为了实现图像性质的自动甄别,通过深度学习技术和程序构建多参数乳腺MRI图像自动分类模型并验证其效能.材料与方法 回顾性收集我院2010年1月至2020年11月乳腺MRI图像质量合格数据862例(数据集Ⅰ),按序列分三类:T2WI、T2WI脂肪抑制序列(fat-suppressed T2WI,FS T2WI)、表观扩散系数(apparent diffusion coefficient,ADC),训练序列分类模型.回顾性收集我院2013年2月至2020年4月乳腺MRI图像质量合格数据377例(数据集Ⅱ),按动态对比增强(dynamic contrast-enhanced,DCE)-MRI 期相特征分三类:无对比剂期(no-contrast,NoC)、对比剂增强早期(contrast enhanced early,CEearly)、对比剂增强期(contrast enhanced,CE),训练DCE期相分类模型.回顾性收集我院2021年10月至2021年12月乳腺MRI图像质量合格数据95例(数据集Ⅲ),用于模型(序列和DCE期相)预测效能的独立验证,并通过程序对数据集Ⅲ中的扩散加权成像(diffusion weighted imaging,DWI)参数进行分类:DWI-high和DWI-low.以影像医师依据图像序列、强化特点及参数进行分类的结果为金标准,采用混淆矩阵的方法评价模型的分类效能.结果 在序列分类模型中,总体准确率为92.0％,对ADC、T2WI、FS T2WI各自分类的准确率为100.0％、84.9％、100.0％;在DCE期相分类模型中,总体准确率为90.4％,对NoC、CEearly、CE各自分类的准确率为89.7％、39.2％、95.7％;程序在DWI参数分类中,对DWI-high和DWI-low的分类结果与医师完全一致.结论 利用深度学习模型和程序技术对多参数乳腺MRI进行图像序列、期相和参数分类,输出结果与医师分类结果一致性高,基本满足临床需要.

目的 探讨深度学习技术在超声心动图图像质量控制中应用的可行性和价值.方法 选取四川省人民医院2015～2022年间收集的180 985张超声心动图图像建立实验数据集,训练了超声心动图标准切面图像质量评价方法所建立的两个任务模型,包括7类切面(6类标准切面和其他切面)的智能识别和6类标准切面的质量评分.将模型在测试集上的预测结果与超声医师标注结果进行比较,评估两个模型的准确性、可行性以及运行的时效性.结果 标准切面识别模型的总体分类准确率为98.90%,精确度为98.17%,召回率为98.18%,F1值为98.17%,分类结果接近专家识别水平;6种标准切面质量评分模型的平均PLCC为0.933,平均SROCC为0.929,平均RMSE为7.95,平均MAE为4.83,预测结果与专家评分一致性强.在3090 GPU上部署后,单帧推理时间小于20毫秒,满足实时需求.结论 超声心动图标准切面图像质量评价方法能够提供客观、准确的评价结果,促进超声心动图图像质量控制管理朝实时、客观、智能化方向发展.

目的 研究深度学习技术智能诊断龋齿和根尖周炎的效果,初步探讨深度学习在口腔疾病诊断中的应用价值.方法 以2 298张包含健康牙齿、龋病、根尖周炎的根尖片数据集为研究对象,随机划分为1 573张训练集图像,233张验证集图像以及492张测试集图像.通过多种神经网络对比验证,选择性能较好的MobileNetV3网络模型应用于牙病诊断,并通过调整网络超参数优化模型.采用精确率、准确率、召回率和F1分数评估模型识别龋齿和根尖周炎的能力,并使用类激活热力图对网络模型性能进行可视化分析.结果 基于MobileNetV3网络模型的牙齿病变检测算法对健康牙齿、龋病和根尖周炎进行分类的精确率、召回率和准确率分别为99.42%、99.73%和99.60%,F1分数为99.57%,达到了较为理想的智能诊断效果.可视化类激活热力图也显示出网络模型能够较为准确地提取牙科病变的特征.结论 基于MobileNetV3网络模型的牙齿病变检测算法能够排除图像质量和人为因素的干扰,具有较高的诊断准确率,可满足口腔医学教学和临床应用需求.