目的 探索基于深度学习实现丘脑底核脑深部电刺激术(subthalamic nucleus deep brain stimulation,STN-DBS)自动化核团标注、手术靶点定位及电极植入路径规划.方法 来自北部战区总医院神经外科行双侧STN-DBS手术的155例患者的影像资料.首先,采用3D UX Net卷积神经网络基于MRI图像提取深度学习特征并完成丘脑底核(subthalamic nucleus,STN)及红核(red nuclei,RN)的分割;然后通过算法实现丘脑底核的自动化靶点定位;最后在规定的皮层入路点范围区域内生成不多于4根的电极植入路径.通过人工审查验证靶点及电极植入路径的临床可行性.结果 通过3D UX Net卷积神经网络算法进行核团分割,红核分割性能的Dice值为0.90.STN分割性能的Dice值为0.84.自动化生成STN靶点经人工审查验证可行的坐标与人工手术规划STN靶点坐标的欧几里得距离为(1.2±0.4)mm.25例测试集中自动化STN靶点定位及电极植入路径通过人工审查可行有20例(20/25),自动化靶点定位及电极路径与人工规划靶点及路径差异无统计学意义(P=0.059).结论 3D UX Net卷积神经网络可以较精确地分割STN及红核,通过自动化靶点定位及路径规划的STN-DBS手术计划临床可行且耗时短,可以为临床医生手术前规划提供参考.

目的:研究快速、精确获取小鼠角膜神经三维(3D)图像及其参数的技术方案。方法:选取SPF级雌性C57BL/6小鼠4只，吸入过量乙醚麻醉后使小鼠安乐死，立即在解剖显微镜下获取具有完整角膜缘的角膜4个，经过常规固定、透膜和抗β-Ⅲ微管蛋白荧光抗体标记后整铺片处理。在高分辨率去卷积显微镜下采用科学互补性金属氧化物半导体探测器捕获图像，通过显微镜系统自携带图像处理软件对图像进行3D去卷积运算，Z轴数据平面投影以及自动拼接处理得到完整的角膜神经纤维3D图像。采用交互式显微图像分析软件Imaris的丝状追踪模块中的自动检测模式获得不同区域的角膜神经密度，采用自动路径模式手动指定计算起始点到终止点的神经纤维长度。结果:在去卷积显微镜60倍油镜下，可以观察到角膜缘处呈密集网络状的基质层神经纤维在角膜缘附近进入前弹力层，并发出密集的分枝，形成基底下神经丛。这些神经丛向角膜中心伸展形成密集的神经网络样结构，在角膜顶点汇聚成漩涡状结构。少部分神经纤维丛垂直进入上皮层，并发出许多微小的神经末梢分枝。采用Imaris软件丝状物追踪模块中的自动检测模式自动统计，发现角膜神经末梢密度从角膜缘的(2 488.88±282.84)μm/μm 2逐渐增多至角膜中央的(5 766.66±298.55)μm/μm 2；角膜基质神经纤维密度从角膜缘的(40.99±0.99)μm/μm 2递减至角膜中央的(34.57±1.28)μm/μm 2。通过自动路径模式手动测量发现，角膜缘处基质层神经纤维进入前弹力层约151 μm处开始分枝形成基底下神经丛。 结论:去卷积显微镜系统可以获得整个角膜神经纤维的3D分布，Imaris图像分析软件可以自动、快速统计待测区域角膜神经纤维的不同参数。

目的:探索基于薄层CT影像的3D虚拟重建及打印技术在“网络云+双轨”教学中的应用前景。方法:选取2021年4月至2022年4月期间在空军军医大学第二附属医院见习的医学学员共120名作为研究对象，分为试验组和对照组各60名。试验组采用3D虚拟重建及打印技术辅助的“网络云+双轨”教学；对照组采用“网络云+双轨”教学。经过6个月学习后，通过闭卷考试、技能操作、演讲答辩和问卷调查4种方式比较教学效果。采用SPSS 23.0进行 t检验和卡方检验。 结果:试验组在出科考试中，理论知识考核（84.25±5.53）分、操作技能考核（87.68±5.72）分，均优于对照组的（79.43±6.69）分、（82.97±5.32）分，差异有统计学意义（ P<0.001）。试验组在演讲[（44.90±2.56）分]与答辩[（45.83±2.62）分]两个环节中的成绩均高于对照组的（41.88±2.71）分、（43.85±2.56）分，差异有统计学意义（ P<0.001）。在调查问卷中，试验组见习学员的实践能力、主动学习能力、表达能力和实习积极性的评分均显著高于对照组（ P<0.001），获取信息能力的评分高于对照组，差异均有统计学意义（ P<0.001）。 结论:3D虚拟重建及打印技术辅助下的“网络云+双轨”教学可显著提升学员的客观学习效果与主观学习能动性，具有较高的教学应用与推广价值。

目的:基于深度学习及全脑T 1高分辨MRI建立脑龄预测模型，依此探讨肝硬化及肝性脑病（HE）患者大脑衰老趋势，并试图揭示肝硬化及HE加速大脑衰老的具体损伤区域。 方法:横断面研究。从来自全球的8个公开数据库中选取3 609名健康个体的全脑T 1高分辨MRI数据作为训练集搭建基于3D全卷积神经网络的脑龄预测模型。通过计算实际年龄和预测脑龄间平均绝对误差（MAE）和皮尔逊相关系数（ r）、决定系数（ R 2）来评价模型的预测效果。再从公开数据库中的人类连接组计划中制作一个测试集（ n=555）来测试模型的准确性。招募2013年12月至2020年5月于天津市第一中心医院就诊的136例肝硬化患者作为病例组（无HE肝硬化组79例和伴HE肝硬化组57例），同期向社会招募70名健康者作为健康对照组。计算所有受试者的预测脑龄与实际年龄差值（Brain-PAD）、数字连接试验-A（NCT-A）和数字-符号试验（DST）评分，评估健康对照组、无HE肝硬化组及伴HE肝硬化组3组间大脑衰老程度及认知功能，并采用网络遮挡敏感性分析来评估各脑区在脑龄预测中的重要性。 结果:训练集中该脑龄预测模型的实际年龄和预测脑龄间MAE=2.85， r=0.98， R2=0.96；测试集中，MAE=4.45， r=0.96， R2=0.92。在本地数据集中，健康对照组该模型的MAE=3.77， r=0.85， R2=0.73。两组肝硬化患者NCT-A用时均长于健康对照组，而DST得分则均低于健康对照组，差异均有统计学意义（均 P<0.001）。健康对照组Brain-PAD为（0.8±4.5）岁，无HE组Brain-PAD为（6.9±8.1）岁，伴HE组为（10.2±7.7）岁，3组间差异有统计学意义（ P<0.001），且两两组间比较差异亦均有统计学意义（均 P<0.05）。肝硬化患者视觉网络、躯体运动网络的预测重要性占比增加，伴HE组较无HE组占比进一步增加。 结论:肝硬化患者的认知功能减低，大脑加速衰老，这些改变在HE患者中更加明显。各脑区在预测脑年龄中的重要性差异为识别肝硬化和HE加速大脑衰老的特定损伤区域提供了新思路。

目的:应用深度学习神经网络高精度预测非小细胞肺癌(NSCLC)患者容积旋转调强放疗(VMAT)计划的剂量分布。方法:基于Res-Unet基础网络引入大核空洞卷积模块和多头注意力(MHA)机制构建了MHA-resunet网络。在此基础上，以随机数表法从上千例接受VMAT放疗NSCLC患者中选取151例患者，以CT图像、计划靶区(PTV)与危及器官(OARs)轮廓作为输入，以剂量分布图作为输出训练神经网络。然后将该网络的性能与常用的几种网络的性能进行比较，通过PTV与OARs内的体素级平均绝对误差(MAE)和临床剂量体积指标误差对网络性能进行评估。结果:基于MHA-resunet网络的预测剂量与真实计划剂量的平均绝对误差在靶区内为1.51 Gy，靶区的 D98、 D95误差均<1 Gy。与Res－Unet、Atten-Unet、DCNN 3种常用网络比较，MHA-resunet在靶区与除心脏外的OARs内的剂量误差均为最小。 结论:MHA-resunet网络通过提高感受野来学习靶区与危及器官的相对位置关系，能够准确地预测接受VMAT放疗的NSCLC患者的剂量分布。

目的:建立基于深度学习的金属伪影去除系统（MARS），评估其对锥形束CT影像中不同厚度金属产生的伪影的去除效果。方法:采用三维打印的光敏树脂制作标准牙列模型（60 mm×75 mm×110 mm），设计目标牙位（上颌、下颌双侧第一和第二前磨牙）为可拆卸替换牙位，通过置入不同厚度（轴面及 面厚度均分别为1.0、1.5、2.0 mm，即A、B、C组）的钴铬合金全冠试件，获得完全配对的含有或不含有金属伪影的锥形束CT影像，并通过结构相似度（SSIM）及峰值信噪比（PSNR）评估不同厚度钴铬合金全冠试件产生伪影的范围。建立基于卷积神经网络（CNN）与U型网络（U-net）的MARS（CNN-MARS及U-net-MARS），检验CNN-MARS和U-net-MARS两种系统去伪影前后图像的SSIM值和PSNR值，评估其去伪影效果；通过可视化方式分析两种系统去除锥形束CT影像中金属伪影的效果。采用单因素方差分析分别对两种系统的SSIM值和PSNR值进行统计分析，检验水准为双侧α=0.05。 结果:A、B、C组钴铬合金全冠试件的SSIM值（分别为0.916±0.019、0.873±0.010、0.833±0.010）和PSNR值（分别为20.834±1.176、17.002±0.427、14.673±0.429）差异均有统计学意义（ F=447.89， P<0.001； F=796.51， P<0.001），并且随着钴铬合金全冠试件厚度增加，其SSIM及PSNR值均显著增加（ P<0.05）。对含有同一厚度钴铬合金全冠试件的图像，采用CNN-MARS与U-net-MARS去伪影后的SSIM和PSNR值均显著高于伪影去除前（均 P<0.05）。使用CNN-MARS去U-net-MARS伪影后，含不同厚度钴铬合金全冠试件图像的SSIM值和PSNR值差异均无统计学意义（均 P>0.05）。CNN-MARS与U-net-MARS去伪影后图像与原始图像的相似度较高；相比U-net-MARS，CNN-MARS去伪影后仍可见较清晰的金属边缘，目标区域的组织结构恢复更完整。 结论:本研究构建的锥形束CT图像金属伪影消除CNN-MARS与U-net-MARS模型，均可有效去除金属伪影的干扰，提升图像质量，且去伪影效果不受金属厚度的影响。相比于U-net-MARS，CNN-MARS对恢复伪影周围组织结构具有显著优势。

目的:比较Logistic回归、BP神经网络及支持向量机3种模型对老年慢性阻塞性肺疾病（COPD）患者30 d内急性加重再入院风险的预测性能，以期为再入院高风险患者筛查及预防提供科学依据。方法:制作COPD患者调查问卷表，包括一般资料调查表、改良英国医学研究委员会呼吸困难量表（mMRC）、日常生活能力评估量表（ADL）、老年抑郁量表、微型营养评定量表（MNA-SF）及COPD评估量表（CAT），采用便利抽样法，选择宁夏地区13所综合医院2019年4月至2020年8月呼吸内科治疗的老年COPD患者作为调查对象，并随访至出院后30 d。探讨患者再入院影响因素，基于影响因素构建Logistic回归模型、BP神经网络模型和支持向量机模型，按照训练集与测试集7∶3的比例分为训练集样本和测试集样本，分别通过查准率、召回率、正确率、F1指数及受试者工作特征曲线下面积（AUC）对模型预测效能进行比较。结果:共调查1 120例患者，其中非再入院患者879例，再入院患者241例。单因素分析显示，非再入院患者与再入院患者的年龄、文化程度、吸烟情况、糖尿病和冠心病比例、过去1年因COPD急性加重住院次数、季节因素及长期家庭氧疗、规律用药、康复锻炼比例、病程、ADL、抑郁状况、mMRC、营养状况比较差异均有统计学意义。二元Logistic回归分析显示，文化程度、吸烟情况、冠心病史、过去1年因COPD急性加重住院次数、季节因素、是否长期家庭氧疗、是否规律用药、营养状况是老年COPD患者30 d急性加重再入院的影响因素。训练集显示，Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为70.95%、76.51%、84.78%，召回率分别为79.55%、86.36%、88.64%，正确率分别为87.81%、90.81%、93.82%，F1指数分别为0.75、0.81、0.87，AUC分别为0.850、0.893、0.921。测试集显示，Logistic回归模型、BP神经网络模型及支持向量模型的查准率分别为78.38%、80.65%、88.57%，召回率分别为70.73%、60.98%、75.61%，正确率分别为85.82%、84.40%、90.07%，F1指数分别为0.74、0.69、0.82，AUC分别为0.814、0.775、0.858。结论:与Logistic回归模型和BP神经网络模型相比，支持向量机模型的预测效果更好，可以有效预测老年COPD患者30 d内急性加重再入院风险。

目的:研究基于深度学习的方法预测乳腺癌保乳术后调强放疗(IMRT)剂量分布，并评估其预测精度。方法:回顾性分析2018年1月至2023年3月在上海国际医学中心接受IMRT的110例左侧乳腺癌保乳术后患者的调强放疗数据，随机固定选择80例作为训练集，随机固定10例作为验证集，剩余20例作为测试集。首先将患者的计算机体层成像(CT)图像、感兴趣区、体素与靶区距离和对应的剂量分布四通道特征作为输入数据，然后使用U-net网络进行训练得到预测模型，利用该模型对测试集进行剂量预测，验证体素与靶区距离特征在剂量预测中的影响，并将剂量预测结果与实际手动计划剂量进行比较。结果:加入体素与靶区距离特征的模型使预测精度更高，测试集中20例患者的剂量评分和剂量体积直方图(DVH)评分分别为2.10±0.18和2.28±0.08，与手动计划剂量分布更加接近( t＝2.52、2.40， P<0.05)。靶区和危及器官(OAR)的剂量预测结果与手动计划剂量的偏差在4%以内，健侧乳腺平均剂量增加了13 cGy，均在临床可接受范围内。除PTV 60的 D2、 D98( Di为 i%的PTV体积接受的剂量)、 Dmean(平均剂量)和患侧肺的 V5( Vi为接受 i Gy剂量的OAR体积百分比)、 Dmean差异有统计学意义外( t＝3.74、2.91、2.99、3.47、2.29， P<0.05)，其他差异无统计学意义( P>0.05)。 结论:基于深度学习的方法可以精准预测乳腺癌保乳术后调强放疗剂量分布，并通过实验证明加入体素与靶区距离特征可以有效提升预测精度，有助于物理师提高计划设计的优质性和一致性。

目的:基于卷积神经网络(convolutional neural networks, CNN)对多视角闪烁光处理，重建放射治疗中三维相对剂量分布。方法:利用互补金属氧化物半导体(CMOS)成像传感器捕获正交三视角的荧光图像，将荧光图像转化为三维图像，输入已训练的卷积神经网络中进行剂量重建，分别评估不同射野重建剂量的伽马通过率、均方误差(MSE)、百分深度剂量(PDD)曲线和横向剂量分布(CBP)曲线。卷积神经网络模型为3D-Unet，其预先在虚拟数据集上进行训练。结果:以50%最大剂量为阈值，3%/3 mm为标准，所有射野重建分布中心层面伽马通过率和立体平均伽马通过率均超过90%，均方误差维持在1%以下。所有射野重建分布的PDD曲线均方误差在1‰以下，CBP曲线均方误差在1%以下。结论:本研究实现了一种基于深度学习的三维闪烁光重建方法，完善了基于塑料闪烁体的瞬时三维相对剂量验证。

目的:探讨基于三维卷积神经网络（3D CNN）构建的人工智能辅助诊断模型对高血压性心脏病、出现心脏改变的慢性肾功能衰竭（CRF）及甲状腺功能减退症（甲减）患者超声心动图视频的诊断效能及其临床应用价值。方法:本研究为回顾性研究。收集2019年4月至2021年10月就诊于河南省人民医院的高血压性心脏病、出现心脏改变的CRF和甲减患者。依据诊断分为高血压组、CRF组和甲减组，另采用简单随机抽样方法从同期健康体检者中入选正常对照组。收集入选患者的超声心动图视频数据。每组中视频数据按约5∶1的比例分为训练集和独立测试集，采用膨胀3D卷积网络（I3D）对视频进行时空特征的联合提取，对人工智能辅助诊断模型进行训练及测试；训练集和测试集之间无病例交叉。分别使用3种不同切面［单一心尖四腔心（A4C）切面、单一胸骨旁左心室长轴（PLAX）切面、所有切面］视频数据，基于病例或视频建立模型，并进行诊断性能的统计分析，计算敏感度、特异度、受试者工作特征曲线下面积（ AUC）；并对比人工智能和超声科医师处理病例所需时间。 结果:共纳入730例受试者，男性362例（49.6%），年龄（41.9±12.7）岁，共收集了17 703条视频。其中，高血压组212例、CRF组210例、甲减组105例、正常对照组203名。使用单一PLAX切面和所有切面数据基于病例进行预测的模型诊断性能较优：（1）高血压组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为97%、89%、0.93，使用单一PLAX切面模型为94%、95%、0.94；（2）CRF组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为97%、95%、0.96，使用单一PLAX切面模型为97%、89%、0.93；（3）甲减组中，使用所有切面数据的模型的敏感度、特异度、 AUC分别为64%、100%、0.82，使用单一PLAX切面模型为82%、89%、0.86。3D CNN模型测量和分析每例受试者的超声心动图视频所需时间明显短于超声科医师［（23.96±6.65）s比（958.25±266.17）s， P<0.001］。 结论:基于3D CNN的人工智能辅助诊断模型可以联合提取超声心动图的动态时空特征，能够快速高效识别高血压性心脏病及CRF和甲减引起的心脏改变。