-
基于磁共振平扫对直肠癌侵犯环周切缘行卷积神经网络风险评估的研究
编辑人员丨1周前
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。
...不再出现此类内容
编辑人员丨1周前
-
基于无监督学习的数字病理切片自动分割方法
编辑人员丨2023/8/5
目的 使用无监督的方式进行图像分割,作为人工标记的一种替代.方法 选取了共100张HE染色和巴氏染色切片的全片数字化图像(whole slide image,WSI)数据作为研究和测试的对象,其中乳腺切片70张,肺切片20张,甲状腺切片10张.为了保证数据的多样性,乳腺的切片包含了正常组织、炎症、肿瘤,肺切片取材主要为下叶新生物(包含了炎症和肿瘤),甲状腺为细针穿刺的细胞(均为良性).每张图像的最大总倍率(原始倍率)均为400倍,文件格式为ndpi.对每张WSI进行人工的标注,每张WSI的标注区域都大于10个视野,标注后的信息将用于有效性的验证.使用基于超像素与全卷积神经网络的算法构建无监督图像分割技术,对没有标记的WSI的任意感兴趣区域(regions of interest,ROI)进行图像分割.与区域邻接图合并的方法进行比较,以欠分割错误差率、边缘召回率和平均交并结果比判定两种方法的分割效果,并比较两种方法的效率.在执行效率的比较中,测试过程包含了超像素的预处理的时间,去掉了加载深度学习引擎的时间.结果 对WSI任意ROI区域按纹理和颜色对图像实现了无监督的自动分割,乳腺切片、肺切片和甲状腺切片测试的结果差异小,多次测试的结果稳定,但该方法在对炎症和肿瘤的区分中表现一般.其欠分割错误差率、边缘召回率和平均交并结果分别为19.10％、82.06％和45.06％.区域邻接图合并的方法的欠分割错误差率、边缘召回率和平均交并的结果分别为21.52％、78.39％和44.81％.在GPU模式下整个过程平均耗时为0.27 s,在CPU模式下平均耗时为1.30 s,由于区域邻接图合并的方法没有实现GPU模式,在CPU模式下平均耗时为10.5 s.结论 本方法通过简单的人机交互操作得到理想的像素级标注结果,可以有效降低数字病理切片数据标注的成本,比区域邻接图合并的方法在处理图像纹理的方面表现得更好,处理速度更快.
...不再出现此类内容
编辑人员丨2023/8/5
