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 通过机器学习分析"舌边白涎"舌象特性,对舌象进行局部特征识别研究,探讨卷积神经网络算法在舌象识别应用中的性能.方法 使用Python进行图像预处理,搭建用于舌象识别的视觉几何组 16层(visual geometry group 16,VGG16)卷积神经网络模型,分析其对"舌边白涎"舌象鉴别分析的效果,并结合热力图分析"舌边白涎"典型舌象表现.结果 基于PyTorch框架,进行卷积神经网络的舌象鉴别研究,VGG16 及残差网络 50 层(residual network 50,ResNet50)模型验证准确率均较高,达到 80%以上,且ResNet50 模型优于VGG16 模型,可为舌象识别提供一定参考.基于加权梯度类激活映射(gradient-weighted class activa-tion mapping,Grad-CAM)技术,通过舌苔舌色差异分布的网络可视化,有助于直观进行模型评估分析.结论 基于卷积神经网络模型对舌象数据库进行分析,实现"舌边白涎"舌象识别,有助于临床诊疗的客观化辅助分析,为舌诊智能化发展提供一定借鉴.

目的 通过动态脑网络特征分析的方法探索2型糖尿病(type 2 diabetes mellitus,T2DM)认知功能正常患者的自发神经活动改变.材料与方法 本研究前瞻性纳入39名认知功能正常的T2DM患者及年龄、性别、文化程度与T2DM患者相匹配的同等数量的健康对照者,两组患者均行3.0 T静息态脑功能磁共振扫描.图像经预处理后,使用GIFT工具包进行动态脑网络分析,提取动态功能连接指标并比较组间差异,并分析以上指标与T2DM患者临床指标的相关性.结果 与对照组相比,T2DM患者在state5中的平均滞留时间和时间分数显著高于健康对照组(P=0.014、0.039),并且初级视觉网络和突显网络的功能连接显著升高(P=0.027),空间视觉网络和基底节网络的功能连接显著降低(P=0.044),然而上述动态脑功能指标与空腹血糖值等临床指标无显著相关性(P均>0.05).结论 认知功能正常T2DM患者的动态脑功能连接模式以及视觉相关网络的动态功能连接存在异常改变,这为理解T2DM相关神经病理机制提供了一定的借鉴意义.

目的:研究双相障碍Ⅱ型抑郁发作患者的默认网络和边缘系统功能连接、炎性细胞因子表达水平及二者的相关性。方法:纳入33例双相障碍Ⅱ型抑郁发作患者和46名健康对照进行静息态磁共振扫描检查，图像预处理后采用独立成分分析方法从影像数据中提取默认网络和边缘系统，比较患者组和对照组的静息态脑网络间功能连接差异。检测患者组和对照组的血清炎性细胞因子白介素-6(interleukin，IL-6)、IL-8、IL-10、肿瘤坏死因子-α(tumor necrosis factor-α，TNF-α)和趋化因子C-C配体4(C-C motif chemokine ligand 4，CCL4)水平，探讨差异脑区的功能连接与炎性细胞因子表达水平之间的相关性。SPSS 17.0软件进行数据统计分析，两样本比较采用 t检验或Mann-Whitney U检验，采用Spearman进行相关性检验。 结果:患者组默认网络的右侧内侧前额叶(团块体素大小＝7体素，团块水平 PGRF<0.05，MNI坐标：x＝6，y＝54，z＝9， t＝－3.765)、左侧额上回(团块体素大小＝10体素，团块水平 PGRF<0.05，MNI坐标：x＝－21，y＝54，z＝15， t＝－4.139)功能连接减弱，边缘系统的左侧小脑Ⅳ、Ⅴ小叶(团块体素大小＝21体素，团块水平 PGRF<0.05，MNI坐标：x＝－15，y＝－24，z＝－30， t＝4.468)和小脑后叶扁桃体(团块体素大小＝8体素，团块水平 PGRF<0.05，MNI坐标：x＝－15，y＝－51，z＝－45， t＝4.138)功能连接增强。患者组血清炎性细胞因子IL-10[7.39(6.33，9.32)pg/mL，6.54(5.84，7.39)pg/mL， Z＝－2.937， P＝0.003]、CCL4[39.31(25.77，68.70)pg/mL，31.30(20.32，40.89)pg/mL， Z＝－2.209， P＝0.027]表达水平高于对照组。患者组小脑Ⅳ、Ⅴ小叶功能连接与血清IL-10水平呈正相关( r＝0.432， P＝0.031)；小脑后叶扁桃体功能连接与血清IL-10水平呈正相关( r＝0.429， P＝0.032)，与血清CCL4水平呈正相关( r＝0.402， P＝0.046)。 结论:静息态下双相障碍Ⅱ型抑郁发作患者默认网络和边缘系统功能连接异常，血清炎性细胞因子表达水平升高且可能与边缘系统功能连接存在相关。

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）

目的:研究利用生成对抗网络(GAN)建立头颈部肿瘤MRI图像与CT图像的映射模型，实现MRI引导放疗中伪CT (sCT)的预测生成。方法:收集45例鼻咽癌患者治疗前影像信息与IMRT计划信息。首先对MRI (T1)和CT图像进行刚性配准、裁剪、去背景、数据增强等预处理操作；其次对病例进行GAN训练，随机选取30例作为训练集放入网络进行建模学习，另15例用于测试。比较预测sCT与真实CT的图像质量，以及后续比较预测sCT进行重计算的剂量分布与真实计划的剂量分布。结果:测试集的预测sCT与实际CT图像质量比较显示，二者误差较小，体素平均绝对误差值为(79.15±11.37) HU，结构相似性系数值为0.83±0.03。sCT重计算的剂量分布与实际剂量较为接近，不同区域水平下的MAE值相对处方剂量均<1%。在2mm/2%、3mm/3%准则下，所有病例sCT重计算剂量分布的γ通过率均>92%、>98%。结论:提出并实现了使用GAN进行鼻咽癌患者sCT的生成，为MR-IGRT实施奠定了基础。图像质量与剂量学比较均显示了方法的可行性与准确性。

目的:探讨使用U-Net深度学习网络对MRI表观扩散系数（ADC）图像中前列腺癌（PCa）自动分割及定位的可行性。方法:回顾性搜集2017年6月1日至2019年3月31日北京大学第一医院因临床怀疑PCa拟行前列腺穿刺的男性患者的临床和影像资料。共纳入245例患者，根据病理结果将所有患者分为PCa组（ n=184）与非PCa组（ n=61），并随机分为训练集（PCa 129例，非PCa 19例）、验证集（PCa 18例，非PCa 3例）和测试集（PCa 37例，非PCa 39例）。由1名放射科医师依据病理结果在ADC图上勾画PCa癌灶，并通过前列腺腺体分割模型将测试集前列腺腺体自动划分6分区。经过前列腺腺体自动分割等预处理后，采用U-Net深度学习网络进行PCa分割模型的训练。以医师标记结果为金标准，用Dice相似系数（DSC）评价AI模型对测试集PCa癌灶的分割效果。并分别以患者及病灶为单位评价模型对PCa的检出效能，以6分区法评价模型对癌灶自动定位的准确性。 结果:测试集中，医师标注癌灶51个，最大径线为（1.9±0.7）cm，6分法癌灶分区456个（PCa区122个、非PCa区334个）。以病灶为单位，AI模型对测试集PCa的分割DSC为（70.2±21.7）%，检出癌灶的灵敏度94.1%（48/51）。以患者为单位，AI模型检出PCa患者灵敏度为97.3%（36/37），特异度为66.7%（26/39），准确度为81.6%（62/76）。AI模型对PCa癌灶定位分区的准确度为90.8%（414/456），对癌区检出的灵敏度为95.1%（116/122），特异度为89.2%（298/334）。结论:U-Net深度学习模型对MRI ADC图像中PCa的检出具有较高的灵敏度，对PCa 6分区定位具有较高的准确度，预测结果可自动填写入结构化报告，进一步提高了临床工作效率。

目的:研究一种基于深层卷积神经网络(DCNN)全自动近视性黄斑病变(MMD)筛查及其严重程度评估系统。方法:收集安徽省第二人民医院6 068张眼底图像构建训练集，并选取公开的眼底图像数据集构建测试集。对眼底图像进行预处理及扩增、MMD病变等级标注、数据清洗。构建全自动MMD筛查系统，该系统由两级网络结构组成，第一级网络结构用于识别MMD是否存在，第二级网络结构用于判断MMD病变的严重等级。比较VGG-16、ResNet50、Inception-v3和Densenet这4种常用的DCNN方法在MMD筛查及严重程度识别任务中的准确率、特异性、敏感度、精确率、F1值、曲线下面积(AUC)、Kappa系数性能。结果:Densenet网络模型在MMD筛查任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.898、0.918、0.919、0.908和0.962。Inception-v3网络模型在MMD严重程度识别任务中表现最优，其敏感度、特异性、精确率、F1值和AUC分别为0.839、0.952、0.952、0.892和0.965。可视化结果显示，本研究所采用的网络结构模型可自动学习MMD严重等级判断的临床特征，准确识别弥漫性和局灶性脉络膜萎缩区域。结论:基于DCNN的眼底图像MMD筛查方法可自动化提取MMD的有效特征，并准确进行MMD筛查及其严重等级判断，可有效辅助临床。

目的:探讨基于多模态MRI影像组学模型在辅助新生儿脑白质损伤（WML）诊断的价值。方法:回顾性分析2018年4月至2021年12月大连市妇女儿童医疗中心（集团）诊断为新生儿WML的91例患儿临床及MRI影像学资料，其中预后良好组58例，预后不良组33例。对各序列[（T 1WI、T 2WI、弥散加权成像（DWI）、磁敏感加权成像（SWI）]图像病灶进行感兴趣区（ROI）勾画。分别构建T 1WI + T 2WI（模型1）、T 1WI+T 2WI+DWI（模型2）、T 1WI + T 2WI + SWI（模型3）三种模型。利用PyRadiomics工具对ROI区域进行重采样、图像预处理和特征提取，在深睿科研平台上对已提取的特征进行标准化处理。运用逻辑回归分类器建立影像组学模型和10次5折交叉验证，并筛选关键特征，绘制受试者工作特征（ROC）曲线评价模型的预测能力，并使用DeLong比较不同模型的效能。 结果:在三种模型中，模型2、模型3在验证集曲线下面积（AUC）值为0.95、0.93，高于模型1的AUC值（0.90）；模型1、模型2、模型3的准确度分别为86%、89%、87%，灵敏度分别为79%、90%、88%，特异度分别为90%、88%、86%。DeLong检验模型1与模型2比较差异有统计学意义（ P<0.05），而模型3与模型1、模型3与模型2比较差异无统计学意义（ P>0.05）。 结论:基于多模态MRI影像组学模型在辅助新生儿WML诊断中有较高的应用价值。