目的 本研究基于半监督算法残差网络(semi-supervised algorithm Residual network,SMRNet)的深度学习方法,探索其在计算机辅助自主分析膝关节MRI诊断前交叉韧带(anterior cruciate ligament,ACL)损伤方面的应用.方法 使用100名经过关节镜确认的ACL损伤患者和100名关节镜确认无ACL损伤的患者的术前MRI图像.在选取适当层面后,裁剪并用于SMRNet的训练.SMRNet对单个MRI切片上ACL损伤的概率进行最终判断.4名临床医师对相同图像进行读片诊断.结果 SMRNet分类的敏感性、特异性、准确性、阳性预测值和阴性预测值分别为97.00％、94.00％、95.50％、94.17％和96.91％.医师的整体阅片情况类似,敏感性区间91.00％～96.00％、特异性区间90.00％～94.00％、准确性区间90.50％～95.00％、阳性预测值区间90.09％～94.12％、阴性预测值区间90.90％～95.92％,二者差异无统计学意义(P＞0.05).结论 经过训练的SMRNet模型在ACL损伤检测上超越部分临床医师,为膝关节MRI诊断提供高效可靠方法,展现深度学习在医学影像的潜力.未来,SMRNet有望成为膝关节MRI诊断的重要工具,为患者提供更精准的诊疗方案.

针对糖尿病视网膜病变(DR)分割任务中病变区域多尺度特征难以学习、边界模糊等问题,提出一种改进的U型多病变分割模型DDAPNet.首先,对DR图像进行Patch处理,使模型更好地捕捉病变的局部特征;其次在主干特征提取后引入重新设计的密集空洞注意力金字塔(DDAP)模块,扩大感受野,解决病变边界模糊问题;同时采用金字塔切分注意力进行特征增强,然后将二者进行特征融合;最后在跳跃连接中嵌入改进的残差注意力模块,降低浅层冗余信息的干扰.在数据集和医院真实数据集上进行联合验证,实验结果表明,相较于基础模型,DDAPNet模型对微动脉瘤、出血点、软渗出DDR物和硬渗出物的分割在Dice系数上分别提高了4.31%、2.52%、3.39%、4.29%,在mIoU上分别提高了1.80%、2.24%、4.28%、1.98%.该模型对病灶边缘的分割更为连续和平滑,有效提升了软渗出物等视网膜病变的分割性能.

提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

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:探讨缺血性脑卒中患者静息态功能磁共振成像(resting-state functional magnetic resonance imaging，rs-fMRI)的神经活动局部一致性(regional homogeneity, ReHo)指标预测其恢复期的记忆功能情况及残差学习(residual learning, REL)对机器学习模型预测性能的影响。方法:2019年6月至2021年6月采集35名首次缺血性脑卒中患者卒中后1周(急性期)的rs-fMRI数据，并在卒中后6个月(恢复期)随访瑞氏听觉词语学习测试(Rey auditory verbal learning test，RAVLT)的记忆评分。利用卒中患者急性期rs-fMRI数据提取的ReHo指标，分别构建传统支持向量回归(support vector regression，SVR)模型以及基于REL的SVR(REL-SVR)模型对患者卒中后6个月时的记忆评分进行预测。利用Pearson相关系数评价模型性能，并比较两个模型的预测准确性。结果:基于急性期的ReHo指标，SVR模型所得预测值与真实值之间的相关系数 r＝0.524( P＝0.001)，而REL-SVR模型所得预测值与真实值之间的相关系数 r＝0.671( P<0.001)。预测模型右侧颞中回颞极(权重：1.03)、右侧颞中回(权重：1.03)、右侧颞下回(权重：1.03)、右侧枕中回(权重：0.57)、左侧额上回(权重：0.32)、左侧内侧额上回(权重：0.53)、左侧缘上回(权重：1.54)、左侧距状裂(权重：0.65)、左侧舌回(权重：0.58)、左侧楔叶(权重：0.65)、左侧楔前叶(权重：0.83)和小脑(权重大于1.0)等脑区的权重较大。 结论:缺血性脑卒中患者急性期的ReHo指标可有效预测其恢复期的记忆功能，且REL能够提升传统SVR模型的性能。

目的:探讨术前CT图像影像组学联合深度学习方法预测肝细胞癌（HCC）首次经动脉化疗栓塞术（TACE）疗效的价值。方法:该研究为回顾性队列研究。回顾性收集2015年1月至2021年1月于哈尔滨医科大学附属第二医院行TACE治疗的HCC患者影像及临床信息。共纳入265例患者，于初次TACE后1~2个月，根据改良的实体瘤疗效评估标准（mRECIST）评估病灶术后改变，分为有反应组（175例）和无反应组（90例）。采用随机数表法按8∶2的比例分为训练集（212例，有反应组140例、无反应组72例）和测试集（53例，有反应组35例、无反应组18例）。采用单因素和多因素logistic回归筛选临床变量，构建临床模型。从术前CT图像中提取影像组学特征，经降维构建影像组学模型。采用深度学习方法，建立3种残差神经网络（ResNet）模型（ResNet18、ResNet50和ResNet101），并对其效能进行比较和集成，取最佳模型为深度学习模型。应用logistic回归将3个模型两两联合，建立联合模型。采用受试者操作特征曲线在测试集中评价模型区分TACE后有反应与无反应的效能。结果:在测试集中，临床模型、影像组学模型区分TACE后有反应与无反应的曲线下面积（AUC）为0.730（95% CI 0.569~0.891）、0.775（95% CI 0.642~0.907），ResNet18、ResNet50和ResNet101的AUC分别为0.719、0.748、0.533，将ResNet18、ResNet50集成获得深度学习模型，AUC为0.806（95% CI 0.665~0.946）。两两融合后，深度学习-影像组学联合模型效能最高，AUC为0.843（95% CI 0.730~0.956），优于深度学习-临床模型（AUC为0.838，95% CI 0.719~0.957）和影像组学-临床模型（AUC为0.786，95% CI 0.648~0.898）。 结论:联合影像组学和深度学习的联合模型可以在术前预测HCC患者行TACE的疗效，具有较高的效能。

髋关节外科是骨科和运动医学中发展缓慢的专业。影像学的发展和关节镜微创外科技术的发展，为这个学科带来了契机。相对于其他关节微创技术，髋关节镜手术由于设备器械要求高、操作难度大、学习曲线长，发展更加缓慢。然而，随着疾病诊断和手术技术难关的不断突破，髋关节镜外科在近20年进入了快速发展期，目前已成为运动医学领域发展最迅猛的领域。尤其是近10年，中国的髋关节镜事业发展迅速，手术数量、种类及医生数量呈现爆发式增长，已形成具有影响力的髋关节镜专科医生队伍，技术水平及相关研究水平与国际差距正在缩小，甚至在部分领域的研究处于领先。总体来说，国内外研究显示髋关节镜手术效果肯定，大部分患者术后症状改善显著。然而仍有部分患者术后运动恢复不佳，髋部残留疼痛，提示对髋部疾病的认识仍有待提高，髋关节镜技术发展还处于初步阶段。因此，准确的诊断及适应证选择、详尽评估患者运动需求及心理状况、完善的术前规划、熟练的手术操作、严格的功能康复仍是每个髋关节镜医生时刻牢记的成功关键，也是髋关节镜专科医生队伍主攻的研究方向；髋关节镜的发展仍需要不断开展临床和基础研究，以建立更优化的、更全面的诊疗体系。

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。

本研究回顾性分析了198例女性患者的乳腺动态增强磁共振成像（DCE-MRI）图像序列，年龄21~79（45.5±13.7）岁。以病理检查为金标准，采用深度学习方法建立CBAM-ResNet自动分类模型，统计图像级别的分类结果，同时结合集成学习思想得到患者个体的分类结果。基于残差网络的CBAM-ResNet分类模型在单张图像层面对乳腺肿瘤的分类准确率达到82.69%，灵敏度为85.67%。采用投票机制后，在患者层面的分类准确率为88.24%，灵敏度为87.50%。试验结果表明该分类算法具有较高的诊断准确率。

目的:探讨3D打印导板辅助血肿置管引流治疗中等量基底节区高血压脑出血的临床效果。方法:回顾性分析川北医学院附属大竹医院2016年1月至2021年1月收治的中等量基底节区高血压脑出血微创穿刺治疗患者42例的临床资料，其中传统穿刺组（根据术前头颅CT阅片定位）19例，3D打印穿刺组23例。比较分析两组患者术前准备时间（入院到手术开始时间）、手术时间、血肿穿刺次数、血肿的抽吸比率、术后引流管留置时间、血肿的残留率、发生穿刺道出血及颅内感染情况，并随访患者术后3 d、7 d格拉斯哥昏迷（GCS）评分、1、3、6个月格拉斯哥预后（GOS）评分。结果:两组患者术前准备时间和手术时间差异均无统计学意义（ t=0.25、0.40，均 P > 0.05）；3D打印导板辅助血肿穿刺可减少术中再次血肿穿刺置管概率，但其差异无统计学意义（χ 2=0.48， P > 0.05）。两组患者术后发生穿刺道出血及颅内感染概率差异均无统计学意义（χ 2=0.05、0.03，均 P > 0.05）。3D打印导板缩短了术后血肿引流时间［（3.10±0.38）d比（3.46±0.52）d］及降低血肿的残留率［（32.04±5.33）%比（37.37±5.51）%］（ t=2.65、χ 2=3.20，均 P < 0.05）。两组患者术后第3、7天GCS评分［（12.04±1.19）分比（11.26±0.93）分、（13.65±0.88）分比（12.94±0.97）分］差异均有统计学意义（ t=2.33、2.46，均 P < 0.05）。3D打印穿刺组患者术后1、3、6个月GOS评分（18分、21分、22分）均明显优于传统穿刺组（9分、11分、12分）（χ 2=4.34、4.69、5.17，均 P < 0.05）。 结论:3D打印导板辅助血肿穿刺置管引流治疗中等量基底节区高血压脑出血可提高穿刺的精准率、降低血肿的残留率，改善患者的短期及远期预后，不会延长术前准备时间，同时具有经济、安全、学习曲线短等特点。