目的:探讨基于临床变量结合多参数磁共振成像(MRI)影像组学特征构建的列线图模型对乳腺癌化疗患者预后的预测价值.方法:选取2020年1月～2021年12月青岛市中心医院接受化疗的150例乳腺癌患者作为研究对象.所有患者化疗前均行乳腺MRI检查,利用分割软件手动勾画多参数乳腺MRI肿瘤感兴趣区,提取最佳影像组学特征.对所有患者随访2年,根据疾病复发、转移及死亡等预后情况分成预后良好组、预后不良组,并将患者按7:3比例分为训练集(n=105)和测试集(n=45).收集患者的临床资料及多参数MRI影像组学特征,通过单因素和多因素Logistic回归分析乳腺癌化疗患者预后的影响因素,基于Logistic回归分析分别构建临床模型、影像组学模型及联合列线图模型并绘制列线图,采用受试者工作曲线分析3种模型对乳腺癌化疗患者预后的预测价值.结果:150例乳腺癌化疗患者中复发转移33例、死亡19例,共52例纳入预后不良组.Logistic回归分析显示,TNM分期、雌激素受体(ER)及孕激素受体(PR)是影响乳腺癌化疗患者预后的临床预测因子(P<0.05).训练集中预后良好、预后不良患者分别有69、36例,测试集中预后良好、预后不良患者分别有29、16例;通过最小绝对收缩和选择算法分别从TIRM、DWI、DCE-MRI序列中筛选出16个与乳腺癌化疗患者预后相关的组学特征并计算影像组学评分,且训练集、测试集中预后良好患者的影像组学评分均高于预后不良组(P<0.05).ROC曲线结果显示,影像组学模型、临床模型及联合列线图模型在训练集的曲线下面积(AUC)为0.853、0.741、0.923(P<0.05);影像组学模型、临床模型及联合列线图模型在测试集的AUC为0.797、0.749、0.896(P<0.05).结论:基于化疗前的影像组学评分、TNM分期、ER及PR是乳腺癌化疗患者预后的独立预测因子,而临床-多参数MRI影像组学的列线图可有效提高乳腺癌化疗患者预后的预测效能.

目的:探讨基于多参数MR的影像组学融合模型术前预测宫颈鳞癌脉管间隙浸润（LVSI）的应用价值。方法:回顾性研究。纳入2016年6月—2019年3月山西省肿瘤医院宫颈鳞癌患者168例。患者年龄22~76（52.0±10.1）岁，临床分期为国际妇产联盟（FIGO）ⅠB期127例、ⅡA期41例。所有患者术前行多参数盆腔MR扫描，均接受根治性子宫切除术联合盆腔淋巴结清扫术治疗。收集其临床病理资料和多参数MRI数据，以7∶3的比例按照随机抽样法分为训练集117例和验证集51例。在T 2加权像（T 2WI）、表观弥散系数［ADC，由2个b值的弥散加权成像数据自动生成］及增强T 1加权像（cT 1WI）3个序列的MRI上，对病灶进行手动分割勾画肿瘤轮廓感兴趣区（ROI），得到三维感兴趣区（VOI）并提取特征，通过以最大相关最小冗余和最小绝对收缩与选择算子回归为主的三步降维法筛选特征并构建影像组学模型。多因素logistic回归分析筛选临床特征并联合影像组学模型建立融合模型，制作列线图。受试者操作特征曲线（ROC 曲线）、校正曲线、决策分析曲线评估列线图的效能及临床效益。 结果:术后病理检查确诊LVSI阳性42例，阴性126例。训练集与验证集患者的年龄、FIGO分期、肿瘤最大径、肿瘤分化程度、LVSI状态等临床病理特征比较，差异均无统计学意义（ P值均>0.05）。基于T 2WI、ADC及cT 1WI多参数MRI提取的影像组学特征，经特征筛选后得到7个关键特征，均与宫颈癌LVSI相关（ P值均<0.05），并构建影像组学模型。训练集T 2WI、ADC及cT 1WI 3个序列独立构建的影像组学模型预测宫颈癌LVSI的ROC曲线下面积（AUC）分别为0.630［95%可信区间（ CI）0.557~0.698］、0.686（95% CI 0.563~0.694）、0.761（95% CI 0.702~0.818），3个序列共同构建的联合影像组学模型对应的AUC为0.887（95% CI 0.842~0.925），诊断效能最优，并在验证集中得到验证。联合影像组学模型与肿瘤分化程度构建的融合模型列线图预测宫颈癌LVSI，在训练集与验证集中的AUC分别为0.893（95% CI 0.851~0.929）、0.854（95% CI 0.749~0.943），校正曲线显示出列线图有良好的校正性能；决策曲线表明当风险阈值概率范围在0.50~0.96时，采用影像组学融合模型预测宫颈癌LVSI的净收益优于“将所有患者视为宫颈癌LVSI阳性或阴性”。 结论:基于多参数MRI影像组学特征与临床特征的融合模型对宫颈癌LVSI状态有良好的预测价值。

目的:基于胃充盈超声造影下的影像组学构建胃间质瘤美国国立卫生研究院(NIH)危险度分级的预测模型，包括临床超声模型、超声影像组学模型以及两者的联合模型，分别探讨三种模型对胃间质瘤NIH危险度分级的预测效果。方法:回顾性分析2021年6月至2022年6月于天津医科大学肿瘤医院接受手术治疗且病理证实为胃间质瘤的患者共204例，收集其临床及超声影像资料，其中NIH危险度分级为高危险度及中危险度的患者共101例，纳入高危组；NIH危险度分级为低危险度及极低危险度的患者共103例，纳入低危组。通过ITK-SNAP软件对胃间质瘤最大径线的超声图像进行手动分割，应用Python 3.8.7中的Pyradiomics(v3.0.1)模块对所分割的感兴趣区(ROI)图像进行影像组学特征提取。将患者按照7∶3的比例随机分为训练集和测试集。应用Sklearn模块，通过XGBoost算法构建临床超声模型、超声影像组学模型以及两者的联合模型，评估ROC曲线下面积(AUC)、敏感性、特异性及准确性；通过Delong检验比较三种模型的预测能力；应用校准曲线评价模型性能，应用临床决策曲线确定患者的净获益。结果:从ROI中共提取578个影像组学特征，经回归降维处理，最终保留8个超声影像组学特征用于建模。最终，测试结果显示临床超声模型、超声影像组学模型以及联合模型的AUC、敏感性、特异性及准确性分别为0.75、69.3%、68.9%、69.1%，0.87、79.2%、81.6%、80.4%，0.91、80.2%、83.5%、81.9%。Delong检验结果显示，对于胃间质瘤NIH危险度分级预测的ROC曲线，超声影像组学模型与临床超声模型AUC间的差异有统计学意义( Z＝2.698， P<0.001)，联合模型明显优于临床超声模型( Z＝4.062， P<0.001)及超声影像组学模型( Z＝2.225， P＝0.026)。校准曲线显示出联合模型具备较高性能，决策曲线同样显示出联合模型具有优越的临床实用性。 结论:基于胃充盈超声造影下的影像组学构建胃间质瘤NIH危险度分级的预测模型具有可行性，结合临床和超声特征的联合模型预测性能更具优势，在一定程度上可帮助临床术前预测胃间质瘤NIH危险度分级，在个性化医疗时代可以辅助医生选择最佳的管理方案。

目的:验证基于深度学习的宫颈癌靶区自动分割勾画临床适用性。方法:选取535例宫颈癌CT影像，参照RTOG及JCOG标准勾画宫颈癌临床靶区(CTV)，经专家审查后作为参考勾画，用于自动分割勾画训练和测试。另从测试组中随机挑选根治4例及术后6例，分别由初、中、高级医师手动勾画CTV。统计Dice系数(DSC)、平均表面距离(MSD)和豪斯多夫距离(HD)用于自动分割勾画测试，以及比较医师手动勾画和自动勾画相对于参考勾画的准确性。同时，分别记录算法和手动勾画耗时。结果:数据经VB-Net网络训练得到根治CTV 1(dCTV 1)、dCTV 2、术后CTV 1(pCTV 1)自动分割模型，自动勾画结果与参考勾画具有较好的一致性(DSC：0.88、0.70、0.86；MSD：1.32、2.42、1.15 mm；HD：21.6、22.4、20.8 mm)。dCTV 1算法与三组医师勾画相近( P>0.05)；dCTV 2及pCTV 1算法均优于初中级医师勾画( P<0.05)，自动分割勾画耗时较手动勾画显著缩短。 结论:基于深度学习的宫颈癌靶区自动分割勾画准确性与高级医师手动勾画相当，应用于临床中将有助于大幅提高工作效率，具有提高勾画一致性和准确性的潜能。

目的:探讨乳腺影像报告和数据系统（BI-RADS）分类联合影像组学预测模型鉴别X线摄影不同表现类型乳腺病灶良性与恶性的效能。方法:回顾性分析东南大学附属中大医院2013年5月至2020年8月接受乳腺X线摄影检查并经病理证实的2 055例女性患者。根据BI-RADS分类第5版将病灶分为肿块型及非肿块型，肿块型又分为小肿块（最大径≤2 cm）、大肿块（最大径>2 cm），非肿块型又分为非对称、钙化及结构扭曲。通过手动分割病灶感兴趣区提取影像组学特征并构建影像组学模型。使用受试者操作特征曲线及曲线下面积（AUC）评估BI-RADS分类、影像组学及两者联合鉴别诊断乳腺X线摄影不同表现类型良性与恶性病变的效能，采用DeLong检验比较3种模型的AUC。结果:BI-RADS分类、影像组学模型及BI-RADS分类联合影像组学模型诊断乳腺病灶良性与恶性AUC值分别为0.924±0.006、0.827±0.009及0.947±0.005；与BI-RADS分类、影像组学模型比较，联合模型的诊断的AUC最高，差异具有统计学意义（ Z值分别为9.29、14.94， P<0.001）。联合模型鉴别大肿块、小肿块及非肿块乳腺病灶良性与恶性的AUC（分别为0.958±0.007、0.933±0.013、0.939±0.008）均高于BI-RADS分类（AUC分别为0.937±0.010、0.896±0.020、0.916±0.011， Z值分别为5.32、3.90、5.08， P<0.001）、影像组学模型（AUC分别为0.872±0.012、0.851±0.021、0.758±0.016， Z值分别为7.86、4.53、12.13， P<0.001）。联合模型诊断非对称乳腺病灶良性与恶性的AUC（0.897±0.017）高于BI-RADS分类（AUC为0.866±0.020， Z=4.27， P<0.001）、影像组学模型（AUC为0.633±0.029， Z=7.44， P<0.001）；而联合模型诊断诊断钙化和结构扭曲乳腺病灶良性与恶性的AUC（分别为0.971±0.010、0.811±0.057）仅高于影像组学模型（AUC分别为0.827±0.021、0.586±0.075， Z值分别为7.40、3.15， P<0.001），与BI-RADS分类差异无统计学意义（AUC分别为0.959±0.012、0.800±0.061， Z分别为1.87、0.39， P>0.05）。 结论:BI-RADS分类结合影像组学模型预测X线摄影不同表现类型乳腺病灶良性与恶性的效能较高，具有重要的临床应用价值。

MRI技术无辐射，软组织分辨率高，因此MR引导下的放疗现已成为放疗领域的热点研究工作。放疗中精确勾画靶区是非常关键的，目前多为手动分割，耗时、主观且缺乏一致性，自动图像分割可以在不降低分割质量前提下提高效率和可重复性。本文综述了在放疗中MRI的自动分割方法，对不同放疗部位包括前列腺、鼻咽癌、脑部肿瘤以及其他器官，就自动分割目标、挑战和方法进行分析和讨论。

随着人工智能技术的发展，图像分割技术在直肠癌放疗领域有越来越多的研究和应用。新辅助放化疗是局部晚期直肠癌患者的标准治疗策略。对于放疗科医师而言，手动勾画放疗靶区及危及器官是一项非常费时耗力的工作。采用人工智能技术可以构建放疗靶区自动勾画模型，显著提高放疗靶区勾画的效率和鲁棒性。此外，结合影像组学方法，基于计算机断层扫描、磁共振成像等影像图像，提取直肠肿瘤区域的特征可以建立直肠癌新辅助治疗的疗效评估和预测模型，以帮助临床医师制订个体化的治疗方案。其中，分割感兴趣区，并且从中提取影像特征是模型构建的关键步骤。本文基于图像分割在直肠癌放疗领域中的应用展开综述，以探究图像分割对直肠癌放疗的重要性以及未来的研究方向。

目的:探讨基于智能术前规划的下颌骨重建手术机器人系统的可行性与精准性。方法:术前选取上海交通大学医学院附属第九人民医院就诊的115例头颅无异常的成年患者的CT影像，男57例，女58例，年龄(40.3±9.1)岁，就诊时间2010年2月至2019年5月；另选取115例肿瘤侵蚀下颌骨的成年患者的CT影像，男62例，女53例，年龄(55.6±7.2)岁，就诊时间2008年3月至2019年8月。建立智能颌骨重建手术机器人系统，主要由工作站、UR5六自由度机械臂、光学定位跟踪仪、六自由度力传感器、截骨手术工具组成。将2组患者的颌面CT图像数据用于训练残差连接的3D V-Net分割网络自动分割下颌骨，并用该网络对1例54岁需腓骨重建的下颌骨肿瘤男性患者的头颅CT数据进行自动分割，形成下颌骨模型，以手动分割结果为标准，评价自动分割的精度。使用基于机器学习的颌骨特征点还原法根据该患者的上颌骨特征点自动还原下颌骨特征点，形成重建方案，以下颌骨未缺损部分实际特征点与还原的特征点位置的误差值评价精度。利用该患者的下肢CT数据，制作5个3D打印的腓骨仿真模型。应用智能颌骨重建手术机器人系统，基于术前规划的图像，结合光学定位系统以及力传感器信号，实现机械臂与手术医生协同操作进行腓骨塑形，完成30次截骨。以CT影像下的术后腓骨段截骨面与术前规划的位置距离与角度偏差为精度标准，验证手术机器人系统精度。采用描述性方法进行统计学分析，数据以 ± s表示。 结果:设计的分割网络自动分割下颌骨肿瘤患者下颌骨的精度为96.581%，耗时小于30 s。该病例下颌骨特征点的误差值为(2.24±1.74) mm。下颌骨重建手术机器人能精确、快速地实施腓骨模型塑形，截骨的位置误差为(1.02±0.45) mm，角度误差为(0.96±0.42)°，术中耗时约15 min。结论:智能术前规划能精确地分割下颌骨并定位下颌骨特征点，下颌骨重建手术机器人系统能精确地实现功能性下颌骨重建。

目的:探索不同分割方法构建的 18F－FDG PET/MR影像组学模型对鉴别帕金森病(PD)和多系统萎缩(MSA)诊断效能的影响。 方法:回顾性收集2017年12月至2019年6月间于华中科技大学同济医学院附属协和医院行 18F－FDG PET/MR检查的PD及MSA患者共90例[男37例、女53例，年龄(55.8±9.5)岁]，其中PD患者60例，MSA患者30例，按7∶3的比例随机分为训练集和验证集。采用自动标签功能解剖学(AAL)脑区模板匹配图像的自动脑区分割方法以及ITK－SNAP软件手动逐层分割方法勾画双侧尾状核及壳核作为ROI，分别从 18F－FDG PET和T 1加权成像(WI)中各提取1 172个影像组学特征。采用最小冗余最大相关性(mRMR)和最小绝对收缩和选择算子(LASSO)算法对训练集进行特征降维并建立影像组学模型，同时采用十折交叉验证以减少模型过拟合。采用ROC曲线评价不同分割方法建立的影像组学模型在训练集及验证集中的鉴别诊断效能，并采用Delong检验比较其差异。 结果:训练集63例(42例PD，21例MSA)，验证集27例(18例PD，9例MSA)。采用自动分割和手动分割所建立的影像组学模型( 18F－FDG_Radscore和T 1WI_Radscore)在训练集和验证集中，其Radscore值在PD组和MSA组之间差异均有统计学意义( z值：－5.15~－2.83,均 P<0.05)。基于自动分割的 18F－FDG_Radscore和T 1WI_Radscore在训练集、验证集的ROC AUC分别为0.848、0.840和0.892、0.877；基于手动分割的两者的AUC分别为0.900、0.883和0.895、0.870；在训练集或验证集中，基于自动和手动分割方法所建立的影像组学模型的诊断效能之间的差异均无统计学意义( z值：0.04~0.77,均 P>0.05)。 结论:基于自动分割和手动分割方法的 18F－FDG PET/MR影像组学在鉴别PD和MSA中均有较好的诊断效能，但自动分割省时省力且可重复性较高，其在PD和MSA鉴别诊断中具有更大的潜力和实用价值。

目的:探讨基于治疗前超声图像的乳腺癌原发灶瘤内及瘤周影像组学特征联合临床病理因素构建的列线图预测模型对乳腺癌新辅助化疗(NAC)疗效的预测价值。方法:回顾性选取2018年9月至2023年6月于滨州医学院附属医院接受NAC的乳腺癌患者166例，按照7∶3比例随机分为训练集和验证集，根据术后病理结果分为病理完全缓解组和非病理完全缓解组。使用3D Slicer软件手动勾画超声图像中的病灶作为瘤内区域，半自动分割外扩5 mm获得瘤周区域；使用Pyradiomics提取影像组学特征；采用最小冗余最大相关(mRMR)与最小绝对收缩和选择算子(LASSO)回归筛选最优影像组学特征；通过随机森林算法分别构建瘤内、瘤周、瘤内＋瘤周3种影像组学模型并获得影像组学评分。通过单因素及多因素Logistic回归分析从临床病理指标中筛选NAC效果的独立预测因素并构建临床模型。选择效能最高的影像组学评分和临床独立预测因素构建联合模型并绘制列线图。采用ROC曲线下面积(AUC)评估各模型的预测效能。结果:最终分别筛选出11、6、9个最优影像组学特征构建瘤内、瘤周、瘤内＋瘤周影像组学模型，3种模型在训练集和验证集的AUC分别为0.820、0.754，0.778、0.701，0.852、0.804。将ER、HER-2、Ki-67作为独立预测因素构建临床模型，训练集和验证集的AUC分别为0.802、0.855。瘤内＋瘤周影像组学评分联合ER、HER-2、Ki-67构建了列线图预测模型，训练集和验证集AUC分别提高至0.908、0.883。Delong检验显示，列线图模型AUC优于3种影像组学模型和临床模型(均 P<0.05)，预测效能最佳。 结论:基于治疗前超声图像的乳腺癌原发灶瘤内＋瘤周影像组学评分联合ER、HER-2、Ki-67临床病理因素构建的列线图预测模型对乳腺癌NAC疗效具有较好的预测价值，有望指导临床决策。