目的:建立基于红外图像的瞳孔直径测量算法,以便在实际临床环境中使用.方法:纳入2022-09/12于沈阳何氏眼科医院门诊患者188例,共收集红外瞳孔图像13 470张.所有用于瞳孔分割的红外图像均使用Labelme软件进行标注.瞳孔直径的计算分为四个步骤:图像预处理、瞳孔识别与定位、瞳孔分割及直径计算.计算过程中使用修改后的YoloV3模型和DeeplabV3+模型,这两个模型需要事先训练.结果:测试数据集共1 348张红外瞳孔图像,修改后的YoloV3模型的检测率为99.98％,瞳孔的平均精确度(AP)为0.80.DeeplabV3+模型达到了 99.23％的背景交并比(IOU),93.81％的瞳孔IOU和平均96.52％的IOU.测试数据集中瞳孔直径范围为20至56像素,平均为36.06±6.85像素.预测和实际值之间瞳孔直径的绝对误差范围为0至7像素,平均绝对误差(MAE)为1.06±0.96像素.结论:本研究成功展示了一种基于红外图像的稳健瞳孔直径测量算法,证明该算法具有高度准确性和可靠性,适用于临床应用.

[目的]昆虫常在色彩、纹理或形态上和背景相似,具有伪装性,识别难度大.本研究旨在探索基于深度学习的伪装昆虫前背景自动分割方法.[方法]将显著目标检测算法(salient object detection algorithm)、大模型 图像分割算法(large-scale model-based image segmentation algorithm)以及伪装目标检测算法(camouflaged object detection algorithm)应用于伪装昆虫数据集,该数据集包括10类昆虫共1 900张图片;并进一步针对现有伪装目标检测算法的不足,提出了一种基于DGNet(deep-gradient network)的网络模型改进方法,即 ZDNet(zoom-deep gradient network).在构建该模型时,充分运用图像特征增强、交错图像金字塔、梯度诱导和跳跃式特征融合等技术.利用伪装目标检测公开数据集COD10K与CAMO构建了包含螽斯、蜘蛛等10个目昆虫的图像数据集,结合迁移学习进行网络训练,将经过训练的模型用于分割伪装昆虫.[结果]现有的伪装目标检测模型用于伪装昆虫前背景分割时,其分割性能明显优于显著目标检测模型和大模型分割图像.同时,ZDNet在性能上也明显优于现有的伪装目标检测算法,获得的S度量值、最大F度量值、平均F度量值、最大E度量值、平均E度量值和平均绝对误差(mean absolute error,MAE)分别为0.890,0.865,0.824,0.966,0.951和0.020.[结论]研究结果证明了 ZDNet网络模型能够获得很好的伪装昆虫前背景分割结果,有利于提高昆虫识别的性能,也进一步拓宽了伪装目标检测方法的应用范围.

目的:建立一种三维定量测量方法用于评估颞下颌关节髁突骨改建。方法:将2014年11月至2019年8月就诊于北京大学口腔医学院·口腔医院颞下颌关节病及口颌面疼痛诊治中心且诊断为颞下颌关节急性不可复性关节盘前移位或关节盘绞锁、采用手法复位关节盘结合前伸再定位 垫治疗的41例患者（共82侧髁突）资料纳入研究，其中男性10例，女性31例，年龄为12~30（19.7±4.4）岁。获取治疗前后6~12个月的锥形束CT图像。根据髁突轴位、矢状位及冠状位影像中“双线征”数目定性评价髁突骨改建，将82侧髁突分为无改建组（0个“双线征”）、部分改建组（1~4个“双线征”）和显著改建组（5~6个“双线征”）3组。应用锥形束CT数据进行髁突骨改建的三维定量测量。采用基于人工预标注结合分水岭算法的半自动分割方法分别对治疗前后的锥形束CT影像进行分割，重建颞下颌关节髁突的表面模型，应用基于距离图的初始配准和基于灰度信息的二次配准，将治疗前后的髁突图像配准重叠后髁突和髁头的体积差定量反映髁突骨改建程度。 结果:二维定性评价的 Kappa值为0.66~0.87。三维定量测量髁突及髁头体积的同一研究者组内相关系数（intraclass correlation coefficient，ICC）值分别为0.998和0.941，不同研究者组间ICC值分别为0.999和0.942。治疗后髁突和髁头的体积较治疗前增加量分别为（41.7±90.2） mm3和（62.8±70.9） mm3。82侧髁突中无改建组21侧、部分改建组20侧，显著改建组41侧。显著改建组治疗后较治疗前髁突和髁头体积增加量均为最大，部分改建组次之，无改建组最小（ P<0.05）。 结论:三维定量测量评价髁突骨改建程度的方法一致性和可靠性良好，定量变化值可以反映不同程度的髁突骨改建，其中将髁头作为感兴趣区计算的体积变化量更敏感。

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:评价前列腺癌图像引导放疗时锥形线束CT（CBCT）的使用频率和匹配策略对靶区和危及器官剂量学参数的影响。方法:回顾性分析北京大学第一医院2022年6月—2023年5月收治的21例前列腺癌根治性放疗患者的561套每日CBCT图像，患者均接受中等分割容积弧形调强放疗（VMAT），剂量为70 Gy分25次，2.8 Gy/次。根据不同图像引导方式和频率，校准摆位误差后将计划CT刚性配准到CBCT，CT值和结构通过形变配准算法传播到CBCT，根据形变矢量场将每日剂量映射到计划CT进行剂量累加。将每日在线CBCT验证的实际累积剂量与每周CBCT方案（第1-3、6、11、16、21天CBCT扫描）进行比较。比较基于骨匹配与基于软组织匹配（自动骨匹配后手动前列腺匹配并最终以直肠前壁为主做微调）两种匹配方式的摆位误差及剂量学参数。非正态分布的计划剂量和累积剂量之间的剂量学参数采用Wilcoxon符号秩和检验进行分析，符合正态分布的移床值和平均剂量参数采用配对 t检验进行分析。 结果:与每日CBCT图像引导相比，每周方案的CTV_D 98%［（69.08±1.58）∶（65.24±3.64）Gy， P<0.001］明显减少。采用骨匹配的CTV_D 98%为（69.27±2.14）Gy，但直肠高量较高：V 60 Gy为3.18%±3.10%、V 65 Gy为0.77%±1.23%。采用软组织匹配方案的靶区覆盖率足够，CTV_D 98%为（69.08±1.58）Gy；且直肠高量区剂量的百分体积明显减少，V 60 Gy为2.02%±2.42%，V 65 Gy为0.34%±0.68%。 结论:中等分割前列腺癌放疗，每日CBCT图像引导的靶区覆盖度优于每周方案。自动骨匹配后手动前列腺匹配并最终依据直肠前壁做微调的匹配策略，能在保证靶区覆盖率前提下较好地保护直肠。

术前是否存在淋巴结转移是影响直肠癌临床治疗决策和预后的主要因素之一，但现有的影像学标准难以准确判断淋巴结的良恶性，亟需新的方法来解决这一临床难题。近年来影像组学与深度学习在医学影像领域得到了广泛的关注，可自动检测与分割淋巴结、鉴别良恶性淋巴结及预测淋巴结转移的发生等，有望提高术前分期的准确性，进而指导治疗决策。然而不同的研究间结果差异性较大，其中一个重要的原因是各研究之间工作流程存在差异。只有明确、统一并标准化具体操作流程、开展大规模前瞻性外部验证才能实现人工智能辅助诊断模型的转化与推广。该文中以影像组学和深度学习的工作流程为线索，对其在评价直肠癌淋巴结状态方面的研究进行综述。

目的:探讨使用U-Net深度学习网络对MRI表观扩散系数（ADC）图像中前列腺癌（PCa）自动分割及定位的可行性。方法:回顾性搜集2017年6月1日至2019年3月31日北京大学第一医院因临床怀疑PCa拟行前列腺穿刺的男性患者的临床和影像资料。共纳入245例患者，根据病理结果将所有患者分为PCa组（ n=184）与非PCa组（ n=61），并随机分为训练集（PCa 129例，非PCa 19例）、验证集（PCa 18例，非PCa 3例）和测试集（PCa 37例，非PCa 39例）。由1名放射科医师依据病理结果在ADC图上勾画PCa癌灶，并通过前列腺腺体分割模型将测试集前列腺腺体自动划分6分区。经过前列腺腺体自动分割等预处理后，采用U-Net深度学习网络进行PCa分割模型的训练。以医师标记结果为金标准，用Dice相似系数（DSC）评价AI模型对测试集PCa癌灶的分割效果。并分别以患者及病灶为单位评价模型对PCa的检出效能，以6分区法评价模型对癌灶自动定位的准确性。 结果:测试集中，医师标注癌灶51个，最大径线为（1.9±0.7）cm，6分法癌灶分区456个（PCa区122个、非PCa区334个）。以病灶为单位，AI模型对测试集PCa的分割DSC为（70.2±21.7）%，检出癌灶的灵敏度94.1%（48/51）。以患者为单位，AI模型检出PCa患者灵敏度为97.3%（36/37），特异度为66.7%（26/39），准确度为81.6%（62/76）。AI模型对PCa癌灶定位分区的准确度为90.8%（414/456），对癌区检出的灵敏度为95.1%（116/122），特异度为89.2%（298/334）。结论:U-Net深度学习模型对MRI ADC图像中PCa的检出具有较高的灵敏度，对PCa 6分区定位具有较高的准确度，预测结果可自动填写入结构化报告，进一步提高了临床工作效率。

目的:探究椎旁肌退变在单节段退行性腰椎滑脱及退行性腰椎管狭窄中的差异及其临床意义。方法:回顾分析2014年1月至2020年10月于中国医科大学附属盛京医院脊柱外科明确诊断为L 4,5节段并行手术治疗的退行性腰椎滑脱患者30例，年龄为（61.63±8.42）岁（范围44~82岁），身体质量指数（24.07±3.17）kg/m 2；退行性腰椎管狭窄症患者30例，年龄（59.67±12.89）岁（范围31~80岁），身体质量指数（25.29±3.48）kg/m 2；健康对照组选取门诊体检健康成人30名,年龄（58.33±7.36）岁（范围52~83岁），身体质量指数（25.72±2.58）kg/m 2；三组均为男性。选取所有患者L 3,4、L 4,5、L 5S 1节段椎间盘水平的轴位MRI，应用盛京医院与中科院沈阳自动化研究所合作研发的深度学习自动分割测量系统测量被选取图像中多裂肌横截面积（multifidus muscle cross sectional area，MMCSA）、竖脊肌横截面积（erector spinaecross sectional area，ESCSA）、多裂肌脂肪浸润程度（multifidus muscle fatty infiltration rate，MMFIR）和竖脊肌脂肪浸润程度（erector spinaefatty infiltration rate，ESFIR），采用单因素ANOVA检验比较三组多裂肌、竖脊肌的影像学参数，再采用LSD- t检验对各节段椎旁肌影像学参数进行两两比较。 结果:三组的年龄（ H=5.303， P>0.05）、身体质量指数（ F=2.267， P>0.05）的差异均无统计学意义，且性别均为男性。多裂肌横截面积在L 3,4节段，退行性腰椎滑脱组较退行性腰椎管狭窄组增加189.11 mm 2（ P=0.010）；在L 4,5节段，退行性腰椎滑脱组较健康对照组减少205.52 mm 2（ P=0.002），退行性腰椎管狭窄组比健康对照组减少184.14 mm 2（ P=0.006）；在L 5S 1节段，退行性腰椎滑脱组较退行性腰椎管狭窄组减少174.93 mm 2（ P=0.018），退行性腰椎滑脱组较健康对照组减少406.06 mm 2（ P<0.001），退行性腰椎管狭窄组较健康对照组减少231.13mm 2（ P=0.002）。竖脊肌横截面积在L 4,5节段，退行性腰椎管狭窄组较健康对照组减少398.70 mm 2（ P=0.006）；在L 5S 1节段，退行性腰椎滑脱组较退行性腰椎管狭窄组减少500.02 mm 2（ P<0.001），退行性腰椎管狭窄组较健康对照组减少455.37 mm 2（ P<0.001）。退行性腰椎滑脱组L 3,4节段多裂肌脂肪浸润程度较健康对照组增加4.96%（ P=0.001），退行性腰椎滑脱组L 5S 1节段竖脊肌脂肪浸润程度较退行性腰椎管狭窄组减少5.41%（ P=0.004），退行性腰椎管狭窄组L 5S 1节段竖脊肌脂肪浸润程度较健康对照组增加5.02%（ P=0.008）。 结论:退行性腰椎滑脱组和退行性腰椎管狭窄症组患者各节段椎旁肌横截面积均有不同程度的减小，退行性腰椎滑脱组患者多裂肌脂肪浸润程度较为明显，而退行性腰椎管狭窄组患者竖脊肌脂肪浸润程度更高。

目的:探索深度神经网络(DNN)辅助的心肌声学造影(MCE)定量分析对经皮冠状动脉介入治疗(PCI)成功开通梗死相关动脉后的急性ST段抬高型心肌梗死(STEMI)患者短期预后的预测价值。方法:回顾性纳入2021年6－11月于武汉大学人民医院接受PCI成功开通梗死相关动脉(心肌梗死再灌注后血流分级3级)的STEMI患者97例。PCI后48 h内进行MCE检查，随访至术后120 d。主要心血管不良事件定义为心源性死亡及因充血性心力衰竭、再发心肌梗死、卒中、再发心绞痛再入院。心肌分割框架由基于U-net和LSTMs的组成，输出各心肌节段平台期增强强度(A)、灌注速率常数(β)和微循环血流量(MBF)，并进行MCE定量参数重复性检验。通过MBF将患者等分为低MBF组与高MBF组，比较两组间基线特征、心血管不良事件的差异。其他纳入变量包括常规生化检查、室壁运动分析、MCE定性分析及左室射血分数等。通过Cox风险回归分析探索各变量与预后的关系。绘制ROC曲线以评估模型预测效能，使用综合判别改善指数(IDI)进行模型间的预测效能比较。结果:自动心肌分割所有帧(3 810帧)耗时377 s。其中92.89%、7.11%的帧由经验医师评价为"良好分割"和"需要校正"。A、β、MBF的观察者内及观察者间组内相关系数为0.97~0.99。20例患者在随访期间出现心血管不良事件，多因素Cox回归分析显示，梗死相关动脉支配区域MBF每增加1 IU/s，短期发生心血管不良事件的风险降低6%( HR 0.94，95% CI＝0.91~0.98)。低MBF组短期内发生心血管不良事件的风险比高MBF组高4.5倍( HR 5.50，95% CI＝1.55~19.49)。在MCE传统定性分析中加入DNN辅助的MCE定量分析后，预后预测IDI为15%(AUC 0.86，敏感性0.78，特异性0.73)。 结论:STEMI患者PCI术后的梗死相关动脉支配区域微循环血流量是短期心血管不良事件的独立保护因素。基于DNN的MCE心肌分割框架可快速、客观、可重复地输出微循环定量灌注参数。在传统定性分析中加入DNN的定量分析对预后预测提供了增量价值，有望成为STEMI-PCI术后患者风险分层与临床随访的有力工具。

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。