目的 以有创动脉造影(digital subtraction angiography,DSA)为参考标准,通过与手动后处理法比较,探讨在头颈部CT血管成像(ct angiography,CTA)后处理过程中人工智能(artificial intelligent,AI)辅助分析的应用价值.方法 回顾性分析2020年4月-2022年9月在本院行头颈动脉CTA并于1月内行头颈动脉造影检查且符合纳入标准的42例患者的影像资料,男30例,女12例,平均年龄(67±10.9)岁.通过与手工法图像后处理进行比较,评价AI法后处理的工作效率、VR图像质量、标准符合率以及对颈动脉狭窄程度的诊断符合率.结果 对42例患者的84条双侧颈动脉进行分析,人工智能平均完成时间为(1.23±0.17)min,比手工方法(7.95±2.42)min缩短约6.72min,平均时间增益率为84％.人工智能获得的VR图像质量与一般图像质量之比分别为88.1％(37/42)和9.5％(4/42),手动方法获得的VR图像质量与一般图像质量之比分别为19.0％(8/42)和69.0％(29/42).两种方法获得的VR图像质量主观评分差异有统计学意义(P＜0.001);以DSA为"金标准",其中正常33根,闭塞10根,狭窄41根;在检测闭塞上手工和AI测量准确率均100％,狭窄率手工及人工智能测量结果分别为49.7％±20.9％、51.9％±26.3％,二者无显著性差异(P=0.24),组内相关系数为0.879;结论 基于图像分割技术对头颈部CTA血管成像进行后处理,可以显著缩短后处理时间,提高诊断的准确性和效率.此外,VR后处理的图像质量优于手工方法,诊断血管闭塞和狭窄的准确性与手工方法相当,可以更好地辅助影像医生进行诊断.

目的:应用建立的全自动AI牙体分割算法,从CBCT影像中实现牙体的快速自动化分割,以口内扫描真实离体牙获得的三维数据作为金标准,验证算法的准确性.方法:从上海交通大学医学院附属第九人民医院收集30套CBCT数据及相应的59颗离体牙,通过建立的算法,分割出CBCT中的牙体三维数据.将离体牙处理后扫描获得的数字化信息作为金标准.为了比较算法分割结果以及扫描结果之间的差异,选取骰子系数(Dice)、灵敏度(sensitivity,Sen)以及平均表面距离(average symmetric surface distance,ASSD)评价算法的分割准确性.选用组内相关系数(ICC)评价AI系统获得单个牙与数字化离体牙的长度、面积和体积差异.由于存在不同体素大小的CBCT,使用ANOVA单因素方差分析不同体素组间的差异,同时通过SNK法对其进行两两比较.采用SPSS 25.0软件包对数据进行统计学分析.结果:算法分割结果与离体牙扫描结果对比后,得到平均Dice值为(94.7±1.88)％,平均Sen为(95.8±2.02)％,平均ASSD为(0.49±0.12)mm.比较数字化离体牙与AI系统获得的单个牙的长度、面积和体积的组内相关系数ICC值,分别为0.734、0.719和0.885,AI系统分割出的单个牙与数字化模型在评价长度、面积和体积时有着较好的一致性,但分割结果在具体数值上与真实情况仍有差异.CBCT体素越小,即分辨率越高,分割结果表现更好.结论:本研究建立的CBCT牙体分割算法能够准确实现各分辨率下CBCT中全牙列的牙体分割.CBCT分辨率提高,能让算法结果更准确.相比目前的分割算法,本研究的算法性能更好.但与实际情况相比,仍有一定差异,需对算法继续改进及验证.

目的 探讨基于最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)回归分析构建Nomogram模型预测原位腺癌(AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)的价值.方法 选取本院 97 例经手术病理证实且病理亚型明确的肺腺癌患者,将AIS和MIA归为第 1 组,IAC为第 2 组,比较两组患者年龄、性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征差异,采用 3D Slicer软件进行图像分割,特征提取与选择,通过LASSO算法对特征进行降维,筛选影像组学特征构建预测模型.再采用R软件的rms工具包构建Nomogram模型,计算ROC曲线下面积(AUC),以评价Nomogram模型鉴别肺磨玻璃结节病理亚型的效能.结果 1)性别、吸烟史、长径、短径及免疫组化Ki-67 等临床医学特征均差异无统计学意义(P>0.05);2)筛选 7 个 CT 影 像 组 学 特 征:平面度、大依赖低灰度强调、小波变换LHL第十百分位、小波变换HLL第十百分位、小波变换最小值、小波变换均值及小依赖低灰度强度比较,差异均有统计学意义(P均<0.05);3)基于CT影像组学特征建立预测肺磨玻璃结节病理亚型的Nomogram模型,训练集中AUC为 0.863,准确率为 87.9%,灵敏度为 67.9%,特异度为 91.1%;验证集中 AUC为 0.792,准确率为 75.0%,灵敏度为66.7%,特异度为 90.5%,可见此Nomogram模型具有较好的预测效能.结论 对于预测肺腺癌浸润程度,Nomogram 模型具有明显优势,可作为一种鉴别手段.

针对直肠癌辅助诊断过程中部分医学图像分割模型只适用于单一模态图像的局限性,提出一种基于交叉注意力机制并同时适用于CT与MRI两种模态的医学图像分割方法.首先,针对CT与MRI两种图像特征表示不同,提出一种交叉注意力机制统一两类图像的特征表示;其次,针对直肠癌图像病灶区域较小的特点,提出三支路的改进Swin Transformer分割网络,并将交叉注意力机制加入其中,使模型对两种图像都能进行病灶区域的分割;最后,使用该方法在直肠癌患者的CT与MRI影像数据进行验证,与ADDA、CycleGAN和SIFA方法相比,在CT图像上的准确率分别提高2.94%、3.05%、0.71%,在MRI图像上的准确率分别提高了3.31%、4.55%、1.76%.实验结果表明该方法对于两类图像具有更好的分割性能.

目的 利用CT影像组学列线图预测结直肠癌患者术前BRAF突变,并进行预后分层.资料与方法 回顾性分析2017年1月—2020年6月盐城市第一人民医院经病理证实的333例结直肠癌,其中训练集234例,验证集99例.分割整个肿瘤的感兴趣区并提取影像组学特征.采用最大相关最小冗余算法及最小绝对收缩和选择算子算法筛选与BRAF突变密切相关的影像组学特征.结合影像组学特征和显著的临床参数构建列线图.采用受试者工作特征曲线下面积量化诊断效能.使用Kaplan-Meier分析绘制高风险组和低风险组的生存曲线.结果 保留 7 个影像组学特征以构建影像组学模型.结合影像组学特征和 3个显著的临床参数(年龄、肿瘤部位、癌胚抗原)构建列线图,其在训练集、验证集的曲线下面积分别为0.850、0.829.列线图预测高风险组(BRAF突变组)和低风险组(BRAF野生组)患者的总生存期存在显著差异(P<0.001),且高风险组的总生存期比低风险组短.结论 CT影像组学列线图可术前准确预测结直肠癌的BRAF突变,并对预后进行分层.

随着人工智能技术的发展,图像分割技术在直肠癌放疗领域有越来越多的研究和应用.新辅助放化疗是局部晚期直肠癌患者的标准治疗策略.对于放疗科医师而言,手动勾画放疗靶区及危及器官是一项非常费时耗力的工作.采用人工智能技术可以构建放疗靶区自动勾画模型,显著提高放疗靶区勾画的效率和鲁棒性.此外,结合影像组学方法,基于计算机断层扫描、磁共振成像等影像图像,提取直肠肿瘤区域的特征可以建立直肠癌新辅助治疗的疗效评估和预测模型,以帮助临床医师制订个体化的治疗方案.其中,分割感兴趣区,并且从中提取影像特征是模型构建的关键步骤.本文基于图像分割在直肠癌放疗领域中的应用展开综述,以探究图像分割对直肠癌放疗的重要性以及未来的研究方向.

目的:探讨不同等级深度学习图像重建(DLIR)算法对肾上腺肿瘤的检出、组学特征可重复性和组学模型鉴别肿瘤类型效能的影响.方法:回顾性收集41例肾上腺功能性腺瘤(FAA)和46例肾上腺转移瘤(AM)患者的临床和影像资料.CT增强扫描完成后,对静脉期的原始数据采用4种强度等级(DL1、DL2、DL3、DL4)的DLIR算法进行重建.首先采用主、客观指标比较4种等级间图像质量的差异;然后使用Research Portal V1.1科研平台对各组重建图像上肾上腺肿瘤进行分割并提取450个影像组学特征,包括原始图像特征90个和拉普拉斯(LoG)滤波后的高阶特征(高斯核:0.5、1.0、1.5、2.0)360个.采用一致性相关系数(CCC)评估采用不同图像重建等级测量的FAA和AM组学特征的可重复性.最后,在各组重建图像中采用逐步特征选择策略,筛选出最优特征集并构建鉴别FAA和AM的组学模型.利用五折交叉验证法验证4个组学模型的鉴别效能,利用分层交叉验证法测评4个模型的泛化能力.结果:DL2和DL3在肾显示上腺肿瘤的清晰度方面最优,得分为4(4,5),优于DL1相应得分4(3,5)和DL4相应得分4(3,4),且差异具有统计学意义(F=139.045,P<0.05).随着DLIR降噪等级的提升,原始特征CCC值>0.85的个数逐渐减少,DL4中FAA和AM特征可重复的比例仅占39.3％(21/90)和50.9％(29/90).组学特征经过LoG滤波(高斯核2.0)处理后,CCC值>0.85的个数增加,DL4中FAA和AM特征可重复的比例占91.1％(82/90)和93.3％(84/90).4个组学模型在测试集中的曲线下面积(AUC)和符合率均>0.75,DeLong检验显示AUC的差异无统计学意义(Z=0.177～1.284,P=0.199～0.859).但分层交叉验证显示,DL4重建图像的泛化能力最弱,AUC和符合率均<0.75.结论:高降噪等级的DLIR算法会降低对肾上腺肿瘤显示的清晰度以及组学模型的泛化性.虽然LoG滤波器(高斯核:2.0)有助于提升组学特征测量的可重复性,但仍建议在肾上腺影像诊断和组学模型训练时,使用中低降噪等级的DLIR图像.

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:探讨CT重建算法、辐射剂量和对比剂3种参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。方法:前瞻性选取2018年于中国医学科学院肿瘤医院就诊的35例肺结节患者(50枚纯磨玻璃密度肺结节)，对同一患者肺结节的原始图像重建后共获得6种不同参数的序列，使用ITK－SNAP软件分别对不同序列的纯磨玻璃密度肺结节进行分割，将所有扫描数据通过美国GE公司的A.K.软件进行肺结节影像组学特征提取，通过组内相关系数选取复测信度好的影像组学特征，使用R语言统计学软件对特征参数进行分析，将不同序列的所有特征值配对比较，分别统计改变采集和重建参数导致变化的影像组学特征的数量，比较不同采集和重建参数对纯磨玻璃密度肺结节影像组学特征稳定性的影响。采用配对样本 t检验或Wilcoxon检验比较不同序列特征值分布的差异，采用 χ2检验比较改变不同参数后发生变化的影像组学特征数量的差异。 结果:50枚纯磨玻璃密度肺结节共提取391个影像组学特征，组内相关系数>0.75的特征为320个。同时改变CT重建算法、辐射剂量和对比剂3种参数时，发生变化的纯磨玻璃密度肺结节影像组学特征达到60.9%(195/320)，其中包括6.7%(1/15)的形态学特征、100.0%(40/40)的直方图特征和58.1%(154/265)的纹理特征。仅改变1种参数(保持其他2种参数不变)的情况下，分别改变CT重建算法、辐射剂量和对比剂，发生变化的纯磨玻璃密度肺结节影像组学特征分别为10.6%(34/320)、30.9%(99/320)和50.6%(162/320)，差异有统计学意义(均 P<0.05)。当辐射剂量和对比剂改变时，与50%自适应迭代重建技术(ASiR－V)比较，滤波反投影(FBP)重建算法获得的影像组学特征发生变化更小( P＝0.001)。 结论:CT重建算法、辐射剂量和对比剂会影响纯磨玻璃密度肺结节的影像组学特征，其中对比剂对纯磨玻璃密度肺结节影像组学特征的影响最大，辐射剂量次之，CT重建算法最小；与形态学特征比较，直方图特征和纹理特征容易受到CT重建算法、辐射剂量和对比剂的影响；与50% ASiR－V比较，FBP重建算法获得的影像组学特征受辐射剂量与对比剂的影响更小，在影像组学分析中应充分考虑到这些参数的影响。