医学图像是医生对患者进行病情诊断和治疗规划的有力工具.现今对于医学图像的分割不再局限于手工分割方法,通过传统方法与深度学习方法来实现医学图像分割已经取得更好、更准确的结果.本文基于近年来一些较为出众的医学图像创新分割方法进行综述,通过阐述深度学习方法如SAM、SegNet、Mask R-CNN和U-NET以及传统方法如活动轮廓模型、阈值分割模型创新等,对比各种图像分割方法的异同点,对医学图像分割方法做出总结与展望.以此来帮助学者们更好地了解目前的研究进展与未来的发展趋势.

目的 旨在研究一体化18F-氟乙基酪氨酸(18F-fluoroethyltyrosine,18F-FET)正电子发射断层成像(positron emission tomography,PET)/MR对成人胶质瘤的O6-甲基鸟嘌呤DNA甲基转移酶(O6-methylguanine DNA methyltransferase,MGMT)基因启动子甲基化状态的鉴别能力.材料与方法 回顾性分析未经活检或治疗的胶质瘤患者资料16例,均完成一体化PET/MR扫描,包括18F-FET PET、常规MRI及体素内不相干运动(intravoxel incoherent motion,IVIM)成像.以靶本比(target-background ratio,TBR)=1.6为阈值对PET图像进行感兴趣体积(volume of interest,VOI)分割,通过刚性配准获得肿瘤VOI对应的IVIM图及其参数表观扩散系数(apparent diffusion coefficient,ADC)、真实扩散系数(true diffusion coefficient,D)、伪扩散系数(pseudo diffusion coefficient,D)、灌注分数(perfusion fraction,f)、分布扩散系数(distributed diffusion coefficient,DDC)和异质性指数(heterogeneity index,α),使用pyradiomics对各参数进行特征提取,获得对应的一阶灰度直方图特征.计算每个IVIM参数图对应的特征值与18F-FET PET参数的关系,并利用组间比较和受试者工作特征(receive operating characteristic,ROC)曲线分析探究PET和IVIM参数对MGMT启动子甲基化的区分能力.结果 IVIM-α的两个特征值90分位值(r=0.526,P<0.05)和最大值(r=0.520,P<0.05)与PET参数平均标准摄取值(mean standard uptake value,SUVmean)呈正相关;IVIM-α 和SUVmean在MGMT启动子甲基化状态阳性和阴性两组之间的差异有统计学意义(P<0.05),阳性组的IVIM-α均值和SUVmean显著高于阴性组;融合IVIM-α均值和SUVmean对MGMT启动子甲基化状态进行区分的曲线下面积(area under the curve,AUC)为0.77.结论 基于一体化PET/MR的18F-FET PET和IVIM参数能够有效预测胶质瘤的MGMT启动子甲基化状态.

目的:探讨胸段食管鳞癌腹腔淋巴结转移的影响因素，构建胸段食管鳞癌腹腔淋巴结转移的预测模型并进行转移概率的风险亚组分析。方法:采用回顾性病例对照研究方法。收集2015年3月至2019年4月郑州大学第一附属医院收治的443例行胸腹腔镜食管癌根治术联合系统性淋巴结清扫治疗胸段食管鳞癌患者的临床病理资料；男259例，女184例；中位年龄为64岁，年龄范围为41~81岁。基于胸段食管鳞癌腹腔淋巴结转移的多因素分析结果构建列线图预测模型，绘制其校正曲线和决策曲线，预测模型的预测性能采用一致性指数评估。根据列线图模型对胸段食管鳞癌腹腔淋巴结转移预测的总分进一步行递归分割分析，构建决策树模型对患者进行风险亚组分析。观察指标：(1)胸段食管鳞癌腹腔淋巴结转移情况。(2)胸段食管鳞癌腹腔淋巴结转移的影响因素分析。(3)胸段食管鳞癌腹腔淋巴结转移列线图预测模型的构建。(4)胸段食管鳞癌腹腔淋巴结转移决策树模型的构建及转移概率的风险亚组分析。偏态分布的计量资料以 M(范围)表示。计数资料以绝对数和百分比表示，组间比较采用 χ2检验。等级资料组间比较采用非参数秩和检验。多因素分析采用Logistic回归模型。经Logistic回归模型多因素分析后，应用RStudio 3.4软件构建列线图模型。 结果:(1)胸段食管鳞癌腹腔淋巴结转移情况：443例患者中，89例发生腹腔淋巴结转移，腹腔淋巴结转移率为20.09%(89/443)。(2)胸段食管鳞癌腹腔淋巴结转移的危险因素分析：单因素分析结果显示肿瘤位置、肿瘤长度、肿瘤分化程度、病理学T分期、神经侵犯、脉管侵犯和胸部淋巴结转移是胸段食管鳞癌腹腔淋巴结转移的相关因素( χ2=12.177， Z=-2.754，-4.218，-4.254，　 χ2=3.908，33.025，30.387， P<0.05)。多因素分析结果显示：肿瘤位置、脉管侵犯和胸部淋巴结转移是胸段食管鳞癌腹腔淋巴结转移的独立影响因素(优势比=2.165，3.442，2.876，95%可信区间为1.380~3.396，1.787~6.633，1.631~5.071， P<0.05)。(3)胸段食管鳞癌腹腔淋巴结转移列线图预测模型的构建：应用多因素分析结果筛选指标，包括肿瘤位置、脉管侵犯和胸部淋巴结转移，构建胸段食管鳞癌腹腔淋巴结转移列线图预测模型，一致性指数为0.846。校正曲线分析结果显示：列线图预测模型预测胸段食管鳞癌腹腔淋巴结转移概率与实际淋巴结转移概率吻合度较高。决策曲线分析结果显示：胸段食管鳞癌腹腔淋巴结转移概率阈值为0.001~0.819时，应用该列线图预测模型有较好收益。(4)胸段食管鳞癌腹腔淋巴结转移决策树模型的构建及转移概率的风险亚组分析：决策树模型根据腹腔淋巴结转移概率将患者分为6个风险亚组：A组，无脉管侵犯+胸部淋巴结无转移；B组，无脉管侵犯+胸部淋巴结转移1~3枚；C组，无脉管侵犯+胸部淋巴结转移≥4枚；D组，脉管侵犯+胸部淋巴结转移0~2枚+肿瘤位于胸上段或胸中段；E组，脉管侵犯+胸部淋巴结转移0~2枚+肿瘤位于胸下段；F组，脉管侵犯+胸部淋巴结转移≥3枚。A组为低危组，腹腔淋巴结转移概率为11%；B和D组为中低危组，腹腔淋巴结转移概率分别为27%和21%；C和E组为中高危组，腹腔淋巴结转移概率分别为56%和55%；F组为高危组，腹腔淋巴结转移概率为80%。 结论:肿瘤位置、脉管侵犯和胸部淋巴结转移是胸段食管鳞癌腹腔淋巴结转移的独立影响因素。脉管侵犯对腹腔淋巴结转移影响最大，胸部淋巴结转移数目次之，而肿瘤位置最小。构建胸段食管鳞癌腹腔淋巴结转移列线图预测模型及决策树模型可将患者腹腔淋巴结转移概率分为6个风险亚型。

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:探讨基于孕期MRI检查的原始数据集采用阈值分割方式构建子宫颈数字化三维模型的方法及意义。方法:本研究为前瞻性研究，共招募了2023年6至8月在中国医科大学附属盛京医院进行盆腔MRI检查的12例健康孕妇，包括6例孕中期、6例孕晚期，利用快速平衡稳态采集序列获得层厚为4 mm、层间距为0 mm的MRI原始数据集，将原始数据集导入Mimics软件中进行子宫颈数字化三维重建，同时测量并比较孕中期与孕晚期孕妇子宫颈长度、直径、前角和后角、内口面积、表面积及体积等各项参数。采用独立样本 t检验和Mann-Whitney U 检验进行统计学分析。 结果:12例孕妇均成功重建孕期子宫颈的数字化三维模型，该模型可以多视角、多平面地观察子宫颈的整体形态和结构，并可对子宫颈进行三维测量。孕中期孕妇的子宫颈长度［（4.15±0.80）与（2.71±0.72）cm］、子宫颈体积［（42.58±9.24）与（28.44±10.18）cm 3］和子宫颈长度与直径比值（1.06±0.21与0.72±0.19）明显大于孕晚期（ t值分别为3.30、-2.52及-2.98， P值均<0.05），但子宫颈内口面积明显小于孕晚期［（18.56±5.97）与（27.68±4.72）mm 2， t=2.93， P=0.016］；孕中期与孕晚期的子宫颈前角、后角及表面积比较差异均无统计学意义（ P值均>0.05）。 结论:基于MRI数据利用阈值分割的三维重建方法可以构建在体孕期子宫颈数字化三维模型，模型能够立体呈现孕期子宫颈的形态学特征，显示不同孕周子宫颈的结构差异，为孕期子宫颈的孕期监测、形态学观察及定量研究提供了新的方法。

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:构建并验证基于增强CT的融合影像组学及深度学习特征的模型，评估该模型术前鉴别诊断胰腺腺鳞癌(PASC)和胰腺导管腺癌(PDAC)的效能。方法:回顾性收集2011年1月至2020年12月间海军军医大学第一附属医院经手术病理证实且术前1个月内行增强CT检查的201例PASC患者(PASC组)和332例PDAC患者(PDAC组)的临床资料。依据国际预测模型建模共识，按收治时间顺序将2011年1月至2018年1月共397例患者(156例PASC和241例PDAC)组成训练集，将2018年2月至2020年12月共136例患者(45例PASC和91例PDAC)组成验证集。采用nnU-Net模型进行胰腺肿瘤自动分割，评估临床及CT特征、提取门静脉期影像组学特征及深度学习特征，随后进行特征降维和特征筛选。利用二元logistic回归模型，在训练集中建立临床模型、影像组学模型和深度学习模型，采用受试者工作特征曲线下面积(AUC)、灵敏度、特异度和准确度评估3种模型的性能，采用决策曲线分析(decision curve analysis, DCA)评估模型的临床净收益。结果:在训练集和验证集中，PASC组和PDAC组肿瘤大小、环形强化、上游胰腺萎缩及肿瘤囊变差异均有统计学意义( P值均<0.05)。多因素logistic回归结果显示，临床模型中肿瘤大小、环形强化、胆总管扩张及上游胰腺萎缩与PASC显著相关。影像组学模型中，环形强化、胆总管扩张、上游胰腺萎缩和影像组学分数与PASC显著相关。深度学习模型中，环形强化、上游胰腺萎缩和深度学习分数与PASC显著相关。在训练集中，深度学习模型诊断能力最强，其AUC值、灵敏度、特异度和准确度分别为0.86(95% CI 0.82~0.90)、75.00%、84.23%和80.60%，而临床模型和影像组学模型分别为0.81(95% CI 0.76~0.85)、62.18%、85.89%、76.57%和0.84(95% CI 0.80~0.88)、73.08%、82.16%、78.59%。在验证集中，深度学习模型的AUC值、灵敏度、特异度和准确度分别为0.78(95% CI 0.67~0.84)、68.89%、78.02%和75.00%，临床模型和影像组学模型分别为0.72(95% CI 0.63~0.81)、77.78%、59.34%、65.44%和0.75(95% CI 0.66~0.84)、86.67%、56.04%、66.18%。DCA表明，在训练集和验证集中当高风险阈值分别>0.05和>0.1时，采用深度学习模型预测的PASC较"将所有患者诊断为PDAC"或"所有患者都诊断为PASC"更能让患者获益。 结论:基于胰腺肿瘤CT图像自动分割的深度学习模型能有效鉴别PASC与PDAC，为术前无创诊断PASC提供一种新方法。

目的:探讨 18F-脱氧葡萄糖(FDG)PET/CT对非小细胞肺癌(NSCLC)不同密度淋巴结N 1、N 2期转移的诊断价值。 方法:纳入2007年10月至2017年12月间北京医院118例[男68例、女50例，年龄27～87(65.4±10.8)岁]N 0～N 2期NSCLC初诊患者。患者均行术前 18F-FDG PET/CT检查，检查后1个月内行肺癌切除并局部淋巴结清扫手术。将显像结果和清除术切除的肺门纵隔淋巴结病理结果进行对比，计算并比较不同密度(钙化、部分钙化、高密度、低＋等密度)组淋巴结的转移构成比。以受试者工作特征(ROC)曲线分别获得诊断不同密度淋巴结N 1、N 2期转移的淋巴结短径和最大标准摄取值(SUV max)界值，并计算诊断效能。采用两独立样本 t检验、Mann-Whitney U检验及 χ2检验( χ2分割)行统计学比较。 结果:获得病理结果的433枚肺门纵隔淋巴结中，N 0期365枚，N 1、N 2期淋巴结68枚。钙化组( n＝8)N 1、N 2期转移构成比为0，部分钙化组、低＋等密度组的转移淋巴结构成比分别为28.6%(8/28)、20.3%(44/217)，均高于高密度淋巴结组[8.9%(16/180), χ2值：7.369、9.945，均 P<0.017( χ2分割阈值)]；部分钙化组与低＋等密度组之间差异无统计学意义( χ2＝1.021， P>0.017)。N 1、N 2期淋巴结的SUV max高于N 0期淋巴结[6.94(4.51，11.36)与2.45(1.93，3.42)； z＝-10.388， P<0.01]。ROC曲线分析示，肺门纵隔淋巴结N 1、N 2期转移的SUV max诊断界值为3.66，灵敏度、特异性、准确性分别为85.3%、78.9%、80.0%；低＋等密度组、高密度组的SUV max诊断界值分别为3.66、2.79，对应的灵敏度、特异性、准确性、阳性预测值分别为93.2%、86.7%、88.0%、64.1%和93.8%、57.9%、61.1%、17.9%，除灵敏度外，其余3个指标差异有统计学意义( χ2值：10.724、7.326、32.971，均 P<0.01)。将淋巴结短径(短径界值1.0 cm)与SUV max联合后，低＋等密度组的特异性(94.2%)高于单纯应用短径(80.9%)或SUV max的特异性(86.7%; χ2值：14.048、5.661，均 P<0.05)；高密度组特异性及准确性均高于单纯应用SUV max的结果( χ2值：58.043、37.037，均 P<0.01)。 结论:18F-FDG PET/CT对NSCLC低＋等密度淋巴结N 1、N 2期转移有很好的诊断价值，但对部分钙化淋巴结转移诊断价值有限。将淋巴结短径与SUV max界值进行联合可提高 18F-FDG PET/CT对低＋等密度、高密度淋巴结转移的诊断特异性或准确性。

目的:本研究旨在利用乳腺锥形束CT(CBCT)的三维影像资料，定量分析我国部分地区女性乳腺体积密度和相关乳房特征，比较并分析地区间及年龄间的差异和分布规律。方法:回顾性调查了位于我国华北、西南和华南的3家三级甲等医院的1 440位乳腺CBCT受检者的图像资料。利用科宁Imaging Viewer阅片系统中的测量工具和基于阈值分割的腺体分割显示工具，辅助测量各项乳房特征指标及乳腺体积密度(VBD)。乳房特征在不同地区之间，不同年龄组之间的差异采用Kruskal-Wallis H检验来评估；Spearman相关系数用于分析各项乳房特征与年龄之间，乳房尺寸和乳房密度特征之间的相关性。 结果:被调查女性胸壁有效直径( Deff)和乳房厚度(CNL)、乳房体积( BV)和腺体体积( GV)及VBD的总体中位数分别为12.5和6.8 cm、374.5和48.6 cm 3及14.6%。其中，不同地区女性的 Deff、CNL和 BV显著不同，VBD在不同地区的分布差异无统计学意义( P>0.05)。CNL、 BV与年龄呈显著正相关； GV和VBD与年龄呈显著负相关。VBD与 Deff、CNL和 BV均存在显著负相关。 结论:本研究调查了我国多个地区女性的乳房尺寸及密度特征参数，可以为进一步开展非压迫乳房模型的建立、乳腺CBCT患者剂量评估、乳腺癌风险评估等相关研究提供数据基础。

目的:评估3D-酰胺质子转移加权成像（APTw）、表观扩散系数（ADC）直方图分析预测异柠檬酸脱氢酶（ IDH）突变型WHO 2/3级胶质瘤中α地中海贫血伴智力低下综合征X连锁（ ATRX）基因突变的价值。 方法:选择自2017年6月至2023年10月于南方医科大学珠江医院神经外科中心功能神经外科就诊并经手术病理确诊的78例 IDH突变型WHO 2/3级胶质瘤患者为研究对象，其中52例为 ATRX野生型，26例为 ATRX突变型。收集患者术前3D-APTw、ADC图像资料，经后处理后分别采用基于包含瘤周水肿的病灶勾画方式以及基于肿瘤实体的病灶勾画方式对病灶进行分割，之后分别从3D-APTw及ADC图像中提取直方图特征（10百分位数、90百分位数、最大值、平均值、中位数、最小值、偏度、峰度、熵、全距、均匀性和方差）。采用单因素分析比较 ATRX突变型组与 ATRX野生型组患者间各直方图特征的差异，采用多因素Logistic回归分析筛选 ATRX基因突变的独立预测因子并用独立预测因子构建Logistic回归预测模型。采用受试者工作特征（ROC）曲线评估各独立预测因子及Logistic回归预测模型对 ATRX基因突变的预测价值。 结果:（1）基于包含瘤周水肿的病灶勾画方式时，单因素分析示 ATRX突变型组与 ATRX野生型组患者间相对3D-APTw最小值、3D-APTw偏度、相对ADC 90百分位数、相对ADC平均值、相对ADC中位数、ADC峰度、ADC偏度、ADC均匀性及ADC熵的差异均有统计学意义（ P<0.05）。基于肿瘤实体的病灶勾画方式时，单因素分析示 ATRX突变型组与 ATRX野生型组患者间相对3D-APTw 90百分位数、3D-APTw偏度、相对ADC 90百分位数、相对ADC平均值、相对ADC中位数、ADC峰度、ADC偏度、ADC均匀性及ADC熵的差异均有统计学意义（ P<0.05）。（2）基于包含瘤周水肿的病灶勾画方式时，多因素Logistic回归分析示3D-APTw偏度及ADC峰度为 IDH突变型WHO 2/3级胶质瘤患者中 ATRX基因突变的独立预测因子（ OR=0.168，95% CI：0.034~0.800， P=0.025； OR=0.508，95% CI：0.319~0.807， P=0.004），以此2个直方图特征构建的Logistic回归预测模型为 P（Y=1|X）=1/1+e -（1.827-1.785×3D-APTw偏度-0.678×ADC峰度）。基于肿瘤实体的病灶勾画方式时，多因素Logistic回归分析示3D-APTw偏度及ADC峰度为 IDH突变型WHO 2/3级胶质瘤患者中 ATRX基因突变的独立预测因子（ OR=0.164，95% CI：0.034~0.791， P=0.024； OR=0.496，95% CI：0.312~0.788， P=0.003），以此2个直方图特征构建的Logistic回归预测模型为 P（Y=1|X）=1/1+e -(1.585-1.810×3D-APTw偏度-0.702×ADC峰度)。（3）ROC曲线分析显示：基于包括瘤周水肿的病灶勾画方式时，3D-APTw偏度、ADC峰度作为独立预测因子的曲线下面积（AUC）分别为0.725（95% CI：0.608~0.842， P=0.001）、0.794（95% CI：0.685~0.904， P<0.001）；Logistic回归预测模型的AUC为0.836（95% CI：0.729~0.942， P<0.001），当最佳阈值为0.505时，其预测 ATRX基因突变的敏感度为73.10%，特异度为90.40%。基于肿瘤实体的病灶勾画方式时，3D-APTw偏度、ADC峰度作为独立预测因子的AUC分别为0.705（95% CI：0.587~0.823， P=0.003）、0.808（95% CI：0.704~0.913， P<0.001）；Logistic回归预测模型的AUC为0.844（95% CI：0.739~0.949， P<0.001），当最佳阈值为0.399时，其预测 ATRX基因突变的敏感度为84.60%，特异度为80.80%。 结论:3D-APTw及ADC直方图分析能在一定程度上预测 IDH突变型WHO 2/3级胶质瘤中 ATRX基因是否发生突变。