目的 探讨深度学习超声组学列线图评估浸润性乳腺癌侵袭转移生物学特性指标的价值.资料与方法 回顾性收集2021年1月—2022年12月茂名市人民医院180例经病理证实浸润性乳腺癌患者的超声影像资料,且病理报告了淋巴结转移(LNM)或淋巴血管间隙浸润(LVSI)或神经侵犯(PNI)状态,依据LNM/LVSI/PNI状态,3个指标均以8∶2划分为训练队列和验证队列.基于Pyradiomics影像组学和ResNet50深度学习提取器分别提取1 316个影像组学特征和2 048个深度学习特征.采用随机森林机器学习算法开发评估模型,并计算模型评分.基于影像组学和深度学习模型评分开发深度学习超声组学列线图.使用受试者工作特征曲线评估模型的性能,Delong检验分析不同模型的性能差异.结果 在LNM、LVSI、PNI状态评估中,所有队列列线图曲线下面积均表现中度以上评估性能(≥0.73),准确度均>0.70,LNM评估中,训练队列的曲线下面积为0.97,准确度为0.93,敏感度为0.88,特异度为0.96.Delong检验显示列线图评估性能在训练队列中优于影像组学模型(LNM,Z=2.04,P=0.04;LVSI,Z=2.80,P=0.01;PNI,Z=3.52,P<0.01),优于或与深度学习模型相似(LNM,Z=4.52,P<0.01;LVSI,Z=1.86,P=0.06;PNI,Z=0.31,P=0.76).结论 深度学习超声组学列线图可有效评估浸润性乳腺癌侵袭转移生物学特性指标.列线图整合影像组学与深度学习特征信息提高了评估性能.

目的:将深度学习图像重建（DLIR）算法与双能量CT（DECT）结合，评估胃癌低keV单能图像质量，并与常规自适应统计迭代重建（ASiR-V）算法图像进行比较。方法:该研究为横断面研究，前瞻性收集2022年9月至2023年3月郑州大学第一附属医院31例胃癌患者的DECT图像，基于动脉期和静脉期图像，使用DLIR算法分别在低、中、高强度水平下（DLIR-L、DLIR-M、DLIR-H）重建55 keV单能量图像，同时使用ASiR-V算法重建70 keV 40%混合系数（ASiR-V40%）图像。在图像客观评价中，分别在4组重建图像上计算病灶和肌肉的信噪比（SNR）、对比噪声比（CNR）。在图像的主观评价中，对各组重建图像的总体图像质量、病灶显示能力及诊断信心进行评分。4组间SNR和CNR的比较采用单因素重复测量方差分析或Friedman检验，评分的比较采用Friedman检验，用Bonferroni校正对事后两两比较进行调整。结果:在客观评价中，动脉期和静脉期55 keV DLIR-H图像上CNR 病灶、SNR 病灶以及SNR 肌肉最高，且在70 keV ASiR-V40%、55 keV DLIR-L、DLIR-M以及DLIR-H图像上呈逐渐升高的趋势（ P<0.05）。在主观评价中，与70 keV ASiR-V40%相比，55 keV DLIR-H的总体图像质量评分升高，但差异无统计学意义（ P>0.05），DLIR-M评分相似或略差，而DLIR-L图像质量评分下降（ P<0.05）。55 keV DLIR的各水平重建图像的病灶显示能力及诊断信心在动、静脉期均高于70 keV ASiR V40%图像（ P<0.05）。 结论:相比70 keV ASiR-V40%常规图像，55 keV DLIR-H图像具有更高的病灶对比度和诊断信心，且图像噪声更低。55 keV DLIR-M图像与70 keV ASiR-V40%的整体图像质量相当，但前者的病灶对比度和诊断信心更高。55 keV DLIR-L无法将图像质量提升至70 keV ASiR-V40%水平。

目的:利用机器学习算法建立急性心肌梗死（acute myocardial infarction，AMI）患者发生急性肾损伤（acute kidney injury，AKI）风险预测模型，并与传统Logistic回归模型比较。方法:该研究为回顾性研究。收集首都医科大学附属北京安贞医院2011年7月至2016年12月AMI患者的人口学、实验室检查、治疗方案和用药情况等资料。AKI诊断标准参照2012年改善全球肾脏病预后组织公布的AKI诊疗指南，入选AMI患者采用单纯随机抽样法将其分为训练集（70%）及内部测试集（30%）。运用SelectFromModel和Lasso回归模型选择重要特征因素为AMI患者发生AKI的预测因素。分别利用Logistic回归模型（模型A）及机器学习算法（模型B）建立AMI患者发生AKI的风险预测模型，DeLong法比较模型A和模型B在测试集中的受试者工作特征曲线（receiver-operating characteristics curve，ROC曲线）下面积（area under the curve， AUC），并选出最佳模型。 结果:共6 014例AMI患者被纳入该研究，年龄（58.4±11.7）岁，男性3 414例（80.5%），AKI 674例（11.2%），训练集4 252例（70.7%），测试集1 762例（29.3%）。SelectFromModel和Lasso回归模型选取的12项临床指标包括心肌梗死次数、ST段抬高型心肌梗死、室性心动过速、Ⅲ度房室传导阻滞、入院时伴失代偿性心力衰竭、入院血肌酐、血尿素氮、肌酸激酶同工酶峰值、使用利尿剂、利尿剂日最大剂量、利尿剂使用天数及使用他汀类药物。Logistic回归模型结果显示，预测测试集AMI患者发生AKI的ROC曲线 AUC为0.80（95% CI 0.76～0.84）。机器学习算法模型在测试集中得到的ROC曲线 AUC为0.82（95% CI 0.78～0.85）。2种模型ROC曲线 AUC比较的差异无统计学意义（ Z=0.858， P=0.363），但机器学习算法预测模型ROC曲线 AUC略高于传统模型。 结论:基于机器学习算法构建的AMI患者发生AKI的风险预测模型与传统Logistic回归模型的预测效应相似，但机器学习算法模型有更优的趋势，引入机器学习算法模型可能提高预测AMI患者发生AKI风险的能力。

目的:提出一种新型脉冲神经元模型及其网络，描述其建模方法，并用计算机模拟验证其性能。方法:在充分考虑生物学适应性（激活电位阈值和不应期开关），及其对尖峰放电脉冲产生及其传导的动态调节机制基础上，在新型脉冲神经元模型中引入了突出后电位多通道滤波器，实现了输出电流及神经元突触强度的动态调节。提出基于自适应最小均方（LMS）的误差反向传播（BP）学习算法，并将其应用于尖峰放电神经网络的调节。结果:在自发噪声下，新型脉冲神经元模型的尖峰放电间期信号直方图满足泊松分布。通过2个新型脉冲神经元的简单连接，可以形成多种复杂的尖峰放电模式。新型脉冲神经元模型具有自发本征噪声的特征，能够形成复杂的周期尖峰放电模式。对于输入噪声控制，该模型的不应期与门限电位适应性参数的稳定性较好。刺激电流-尖峰放电脉冲频率间的线性关系较好。结论:所提出的新型脉冲神经元模型在自发噪声条件下能产生多种模式的振荡和相干振荡，这与生物神经元极其相似，能实现复杂的噪声信号处理。所采用的具有不同频带的多通道突触后电位滤波器，能使一些突触后电位信号变得平稳。所提出的基于于自适应LMS的BP学习算法克服了尖峰放电信号的瞬态变化特性导致的误差驱动学习算法无法应用的问题。

目的:探讨多视角融合以及主动轮廓约束的深度学习算法在10 μm级耳科专用CT图像上对听小骨分割的效果。方法:回顾性收集2019年10月至2020年12月北京友谊医院放射科10 μm级耳科专用CT检查的受试者数据共79侧耳（56侧来自志愿者，23侧来自标本）。对锤骨、砧骨和镫骨进行标注，将其划分为训练集（55侧）、验证集（8侧）和测试集（16侧）。采用感兴趣区域快速定位结合精准分割算法，分别从冠状面、矢状面和横断面3个视角对锤骨、砧骨和镫骨进行分割与融合。针对镫骨，同时设计了基于主动轮廓损失的镫骨分割方法。分割实验采用客观指标Dice相似系数（DSC）作为判别标准，比较本方法与基础方法、本方法与其他分割方法的组间DSC差异。结果:多视角融合分割算法对锤骨、砧骨和镫骨的平均DSC值分别为94.2%±2.7%、94.6%±2.6%和76.0%±5.5%；结合主动轮廓损失的约束方法后，对镫骨的平均DSC值进一步提升（76.4%±5.4%比76.0%±5.5%），且可视化结果显示镫骨结构的分割结果更加完整。结论:基于10 μm级耳科专用CT数据的多视角融合算法可实现对锤骨和砧骨结构的精准分割，结合主动轮廓损失约束方法，可进一步提升对镫骨结构的分割精度。

目的:探讨基于 18F－FDG PET/CT的机器学习模型对风湿性多肌痛(PMR)的诊断价值。 方法:回顾性分析2014年11月至2022年12月间入住常州市第一人民医院免疫风湿科，疑似PMR并行 18F－FDG PET/CT检查的177例患者[男119例、女58例，年龄67.0(61.0，72.0)岁]资料。将患者按照7∶3随机等比抽样分为训练集和验证集。利用分类和回归树(CART)、最小绝对收缩和选择算子(LASSO)算法和logistic回归3种机器学习模型对PET/CT影像学特征进行学习。通过ROC曲线分析评估各模型的诊断效能，采用Delong检验比较不同AUC的差异。 结果:PMR患者78例(44.1%，78/177)，非PMR患者99例(55.9%，99/177)；训练集124例，验证集53例。Logistic回归模型(训练集：AUC＝0.961；验证集：AUC＝0.930)在诊断PMR方面优于CART(训练集：AUC＝0.902， z＝2.96， P＝0.003；验证集：AUC＝0.844， z＝2.46， P＝0.014)，与LASSO算法诊断效能相似(训练集：AUC＝0.957， z＝0.95， P＝0.340；验证集：AUC＝0.930， z＝0.00， P＝1.000)，但其评估部位较少。简化后的PMR－Logit评分在总体人群中的AUC为0.951，诊断PMR的灵敏度为89.74%(70/78)，特异性为90.91%(90/99)。 结论:基于 18F－FDG PET/CT影像学特征的机器学习模型有望成为一种有效诊断PMR的工具。

目的:研究基于聚类的多Atlas分割方法对正常组织感兴趣区分割的改善，以达到更好的危及器官的勾画效果。方法:选取2019—2020年浙江省肿瘤医院已完成治疗的100例宫颈癌患者的CT图像作为Atlas图谱库。按照危及器官（膀胱、直肠和外轮廓）的体积特征参数作为测度，利用k均值聚类（k-means）算法将Atlas图谱库划分成若干子集。将待分割图像匹配到相对应的图谱库中进行多Atlas分割。使用相似性系数（DSC）对分割结果进行评价分析。结果:以30例患者作为测试组，比较了不同聚类方法所生成的子图谱库对图像分割结果的改进。相较于一般多Atlas分割，聚类多Atlas分割方法能显著提高膀胱（DSC为0.83±0.09∶0.69±0.15， P<0.001和直肠（DSC为0.7±0.07∶0.56±0.16， P<0.001）的分割准确性，但左、右双侧股骨头（0.92±0.04、0.91±0.02）和骨髓（0.91±0.06）的差异无统计学意义。并且聚类多Atlas分割方法平均分割时间短于一般多Atlas分割方法（2.7∶6.3 min）。 结论:聚类多Atlas分割方法不但会减少与待分割图像配准的Atlas图像个数，而且预期能提高分割效果，并获得较高的准确率。

目的:提出一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法。方法:选取2021年采集的男性志愿者的CT胸腔图像250张，通过Canny自适应阈值法提取CT胸腔图像轮廓，并比较Sobel算法、Canny双阈值法和Canny自适应阈值法的相似度；使用霍夫变换来确定感兴趣区域，考察感兴趣区域的选取大小、重建卷积核和管电流对CT胸腔图像噪声的影响。结果:Canny自适应阈值法保留了更多细节，边缘的连续性和完整性有所提高，对边缘检测与图像分割更加灵活以及更加具有鲁棒性。Canny自适应阈值法结构相似性指数最高（0.644），均方根误差最小（0.371），其在边缘轮廓检测方面相似度最高，效果更显著。随着方形感兴趣区域大小的增加，平均噪声呈现下降趋势，噪声标准差在某些区间有所增加，特别是在较大的方形区域。在同一重建卷积核的情况下，CT胸腔图像升主动脉的平均噪声比胸主动脉的高，升主动脉的噪声标准差比胸主动脉的低。对于升主动脉，重建卷积核E的升主动脉平均噪声（41.97 dB）最低，噪声标准差（20.64 dB）最大；对于胸主动脉，重建卷积核E的平均噪声（30.78 dB）最低。胸主动脉的平均噪声和噪声标准差随管电流的增加而下降。结论:提出了一种基于Canny边缘检测算法求取CT胸腔图像噪声的方法，适用于检测CT胸腔图像。

目的:提出可应用于图像质量差、多叶准直器（MLC）遮挡和非刚性变形的兆伏级图像的无标记射束方向观（BEV）肿瘤放疗跟踪算法。方法:采用窗口模板匹配、图像结构转换和demons非刚性配准方法，解决兆伏级图像中的配准问题。在模体中生成质量保证（QA）计划并在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像装置（EPID）图像作为固定图像；同时采集计划系统中对应射野角度的数字重建影像（DRR）图作为浮动图像，验证算法的准确性。此外收集21例肺部肿瘤治疗患者的共533对图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于跟踪结果的第三方验证。结果:算法可应对不同程度（10%~80%）的图像缺失，模体验证中86.8%的跟踪误差在3 mm以下，80%在2 mm以下。配准前后归一化互信息（NMI）变化为（1.182±0.026）~（1.202±0.027）（ P<0.005），豪斯多夫距离（HD）变化为（57.767±6.474）~（56.664±6.733）（ P<0.005）。病例结果以平移为主（-6.0~6.2 mm），但非刚性形变仍存在。配准前后NMI变化为（1.216±0.031）~（1.225±0.031）（ P<0.005），HD变化为（46.384±7.698）~（45.691±8.089）（ P<0.005）。 结论:本文算法可应对不同程度图像缺失，且在数据缺失图像的非刚性配准中表现较好，适用于不同放疗技术，为多模态、部分数据及图像质量较差的兆伏级图像处理提供了参考思路。

目的:基于机器学习提出可应用于低图像质量、多叶准直器(MLC)遮挡和非刚性变形兆伏级(MV)图像的无标记射束方向观(BEV)肿瘤放疗跟踪算法。方法:采用窗口模板匹配法和Voxelmorph端到端无监督网络，处理MV图像中的配准问题。使用动态胸部模体，验证肿瘤跟踪算法的准确性。将模体质量保证(QA)计划在加速器上手动设置治疗偏移后执行，收集治疗过程中的682幅电子射野影像系统(EPID)图像作为固定图像；同时采集计划系统中对应射野角度的数字影像重建(DRR)图作为浮动图像，进行靶区跟踪研究。收集21例肺部肿瘤放疗的533对EPID和DRR图像进行肿瘤跟踪研究，提供治疗过程中肿瘤位置变化定量结果。图像相似度用于算法的第三方验证。结果:算法可应对不同程度(10%~80%)的图像缺失，且对数据缺失图像的非刚性配准表现较好。模体验证中86.8%的跟踪误差<3 mm，<2 mm的比例约80%作用。配准后标准化互信息(NMI)由1.18±0.02提高到1.20±0.02( t＝－6.78， P＝0.001)。临床病例肿瘤运动以平移为主，平均位移3.78 mm，最大位移可达7.46 mm。配准结果显示存在非刚性形变，配准后NMI由1.21±0.03增至到1.22±0.03( t＝－2.91， P＝0.001)。 结论:肿瘤跟踪算法跟踪精度可靠且鲁棒性好，可用于无创、实时、无额外设备和辐射剂量的肿瘤跟踪。