针对肺气肿智能化诊断高度依赖高质量标注数据、图像空间信息复杂及特征提取不足等问题,本研究基于Goddard评分法设计了一种肺气肿分级算法.首先,利用SimSiam框架进行自监督学习,以解决对大量高质量标注数据的依赖;其次,引入连续 3D卷积模块和高效多尺度注意模块(efficient multi-scale attention,EMA),通过整合上肺野、中肺野及下肺野的信息捕捉肺部图像中的关键空间信息,以提升模型在处理复杂肺部CT图像时的特征提取能力和识别精度.实验结果显示,在识别肺气肿存在、轻度肺气肿与无肺气肿、肺气肿严重程度的分级任务中,模型准确率分别为 88.79%、83.44%、57.4%.结果表明,本算法在肺气肿识别和分类任务中表现良好,具有一定的临床意义.

目的 探讨基于多尺度3D-CT特征构建的模型能否为肾细胞癌(RCC)组织亚型和WHO/ISUP分级提供稳健的预测.方法 回顾性分析来自4个医疗中心的507例经术后病理证实为RCC的患者,将其分为训练集(中心1～3,346例)、内部验证集(中心1～3,87例)和外部测试集(中心4,74例).构建的预测模型包含以下模块:由3D-UNet构建的肾脏-肿瘤语义分割模型、基于感兴趣区域的多尺度特征提取器以及由XGBoost算法构建的2个分类器.另外,采用五折交叉验证和多中心外部测试的策略验证和测试模型的稳定性和泛化能力.最后,通过计算单一特征的SHAP量探索每个特征对模型决策的贡献.结果 无论RCC组织亚型还是WHO/ISUP分级预测,相比单期相CT模型,多期相CT模型的准确率和效能都更加优秀.在预测RCC组织亚型模型中,五折交叉验证的AUROC分别为0.86、0.85、0.88、0.88和0.89,最优模型的内部验证集和外部测试集AUROC分别为0.89和0.75.而对于WHO/ISUP分级的预测模型,五折交叉验证的AUROC分别为0.81、0.82、0.79、0.73和0.81,最优模型的内部验证集和外部测试集AUROC分别为0.82和0.73.在模型的可解释性分析上,一阶统计量和灰度矩阵特征分别为RCC组织亚型预测模型贡献量排名第一、二的特征;而在WHO/ISUP分级预测模型中一阶统计量则发挥了最重要的作用.结论 基于多尺度3D-CT特征构建的模型可为术前评估RCC组织亚型和WHO/ISUP分级提供一个强有力的预测.

腹部计算机断层扫描(CT)图像背景复杂,且肾脏肿瘤存在形态各异、大小不一以及边缘不清晰等特点,直接对整个CT图像进行分割往往无法有效分割出肾肿瘤.针对这些问题,提出一种基于3D U-Net和DeepLabV3+级联的多尺度肾肿瘤分割网络,利用基于空洞卷积的多尺度特征金字塔自适应地控制网络的感受野范围,将高级语义特征和低级语义特征融合,有效改善大肿瘤的分割边缘同时提升小肿瘤的分割精度.采用Kits2019公开的210例CT数据进行五折交叉验证,并对从苏州科技城医院收集的30例CT数据进行独立测试.五折交叉验证实验获得的Dice系数为0.796 2±0.274 1,敏感度为0.824 5±0.276 3,精确度为0.805 1±0.284 0;在外部测试集上获得的Dice系数为0.8172±0.1100,敏感度为0.829 6±0.150 7,精确度为0.831 8±0.116 8,对比其他多种方法分割精度有较大提升.

[目的]针对放射治疗中剂量分布预测结果精度低的问题,提出一种基于深度学习技术的肿瘤放疗三维剂量分布预测模型.[方法]选择130例宫颈癌患者数据,包括CT影像和靶区文件.通过基于卷积神经网络和残差块的深度学习U-Net模型,用于自动提取调强放疗放疗计划的CT影像、靶区和危及器官解剖结构群的多尺度和多层次特征图并进行三维剂量分布预测.采用定量分析方法,包括实际剂量与预测值之间的误差包括最大剂量(Dmax)、平均剂量(Dmean)、D99、D98、PTV56、PTV63和PTV70等.[结果]对于宫颈癌,根据检测结果绘制剂量-体积直方图,直接反映了真实剂量与预测剂量的差异,实际误差满足基本要求.[结论]通过深度学习模型的训练回归,拟合了调强放疗计划特征图参数与三维剂量分布之间的复杂非线性函数关系.在实际临床应用中,该训练模型可以准确预测新患者的个性化三维剂量分布.