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.

提出一种基于卷积神经网络的X线片下肢关节角度识别算法,首先在X线片中使用Yolov5目标检测模型来识别特定类别的感兴趣区域,并使用U-Net模型进行热图回归来识别关键特征点,最后进行下肢关节角度的计算.研究结果表明,本文提出的算法相比于之前的算法精度更高,结果准确可靠,为临床研究和实践提供参考.

提出一种改进的U-Net模型(CAMU-Net),以达到精准分割视网膜血管的目的.CAMU-Net模型通过添加残差增强模块来提取区域特征中的重要信息,增强模型对区域特征的了解;通过添加特征细化模块来促进特征的提取,提高新模型的全局特征收集能力;通过添加通道注意力机制模块来捕捉图像特征,精确分割结果;通过引入多尺度特征融合结构来提升模型感知目标边界等细节的能力.在DRIVE数据集上进行消融实验,得出各模块的实际效果,验证各模块对于本模型视网膜血管分割各方面提升的作用;在DRIVE和STARE数据集上和其他主流网络模型进行对比分析,结果表明CAMU-Net模型优于其他模型.

目的:建立个体化预测肝硬化食管胃底静脉曲张破裂出血（EGVB）患者不良预后的列线图模型并验证其效能，为EGVB的防治提供科学依据。方法:回顾性分析2010年1月至2018年12月浙江省医疗健康集团杭州医院收治的389例肝硬化EGVB患者的临床资料。患者均随访3年，其中预后不良232例（预后不良组），预后良好157例（预后良好组）。比较两组患者入院时的一般临床资料和实验室检查结果。采用受试者工作特征（ROC）曲线分析影响肝硬化EGVB患者不良预后因素的最佳截断值，多因素Logistic回归分析影响EGVB患者不良预后的独立危险因素，R语言软件4.0"rms"包建立预测肝硬化EGVB患者不良预后的列线图模型，采用校正曲线对列线图模型进行内部验证，决策曲线评估列线图模型的预测效能。结果:预后不良组年龄、腹水率、肝表面粗糙率、终末期肝病模型评分（MELD评分）、Child-Turcotte-Pugh评分（CTP评分）、丙氨酸氨基转移酶（ALT）、天冬氨酸氨基转移酶（AST）、国际标准化比值（INR）和总胆红素（TBIL）明显高于预后良好组[（62.48 ± 6.21）岁比（58.71 ± 5.93）岁、51.29%（119/232）比35.03%（55/157）、60.78%（141/232）比42.03%（66/157）、（13.89 ± 1.93）分比（11.32 ± 1.69）分、（8.93 ± 0.77）分比（7.46 ± 0.63）分、（37.73 ± 5.21）U/L比（32.13 ± 5.03）U/L、（64.19 ± 11.31）U/L比（57.36 ± 10.29）U/L、1.73 ± 0.41比1.61 ± 0.39和（24.31 ± 2.63）μmol/L比（19.86 ± 2.17）μmol/L]，白蛋白、血红蛋白和血钠明显低于预后良好组[（36.21 ± 4.51）g/L比（39.12 ± 4.96）g/L、（86.31 ± 8.27）g/L比（92.28 ± 9.67）g/L和（136.58 ± 18.24）mmol/L比（141.21 ± 19.26）mmol/L]，差异有统计学意义（ P<0.01或<0.05）。ROC曲线分析结果显示，年龄、MELD评分、CTP评分、白蛋白、ALT、AST、血红蛋白、INR、TBIL和血钠预测肝硬化EGVB患者不良预后的最佳截断值分别为55岁、14.20分、9.30分、35 g/L、38 U/L、67 U/L、88 g/L、1.90、25 μmol/L和135 mmol/L。多因素Logistic回归分析结果显示，年龄≥55岁、腹水、MELD评分≥14.20分、CTP评分≥9.30分、白蛋白<35 g/L以及INR≥1.90是肝硬化EGVB患者不良预后的独立危险因素（ HR = 1.528、1.439、1.637、1.795、1.521和1.596，95% CI 1.165~1.891、1.088~1.790、1.308~1.966、1.385~2.205、1.262~1.780和1.259~1.933， P<0.05或<0.01）。整合影响肝硬化EGVB患者不良预后的独立危险因素，构建列线图模型，其预测效能较好（C-index为0.839，95% CI 0.781~0.948）。列线图模型预测肝硬化EGVB患者不良预后的校正曲线结果显示，实际曲线趋近于理想曲线；当高风险阈值>0.02时，列线图模型预测肝硬化EGVB患者不良预后时可提供明显的额外临床净收益，且其提供的临床净收益高于单个独立危险因素。 结论:基于年龄、腹水、MELD评分、CTP评分、白蛋白和INR等影响肝硬化EGVB患者不良预后的独立危险因素所构建的列线图模型在筛选与识别肝硬化EGVB患者不良预后方面具有较大的临床价值。

目的:基于U-Net网络深度学习的方法，实现在放疗临床中低能锥形束CT(CBCT)图像转换成高能CBCT图像，以期提供双能CBCT成像图像基础且降低辐射剂量。方法:利用放疗机载CBCT设备采集CIRS电子密度模体和CIRS头部体模在80和140 kV能量下的CBCT图像数据，数据集按10∶1分为训练集和测试集。利用U-Net网络从低能量(80 kV)CBCT图像预测高能量(140 kV)下CBCT图像。采用平均绝对误差(MAE)、结构相似度指数(SSIM)、信噪比(SNR)和峰值信号噪声比(PSNR)4种度量指标，定量评价预测高能CBCT图像。结果:预测高能图像与真实高能图像之间总体结构差异较小(SSIM：0.993 ±0.003)。预测高能图像噪声较低(SNR：15.33±4.06)，但组织间分辨力有损失。预测高能图像比真实高能图像平均CT值偏低，在低密度组织中差异较小(<10 HU， P > 0.05)，而在高密度组织中差异大(< 21 HU， t ＝ －7.92， P < 0.05)。 结论:利用深度学习方法可以从低能CBCT图像获得结构相似度高的高能CBCT图像，预测高能图像具有应用于放疗临床双能CBCT成像技术中的潜力。

目的:探讨嗜酸性粒细胞增高慢性阻塞性肺疾病急性加重(EOS-AECOPD)住院患者的临床特征，并构建列线图模型。方法:本研究为横断面研究。采用非随机抽样法，收集遂宁市中心医院2022年7月至2023年7月的慢性阻塞性肺疾病急性加重(AECOPD)住院患者495例。经纳入和排除标准筛选后，共有304例患者符合本次研究的条件。以血嗜酸性粒细胞(EOS)0.3×10 9/L作为截断值分为2组，EOS-AECOPD组98例，非嗜酸性粒细胞增高慢性阻塞性肺疾病急性加重(NEOS-AECOPD)组206例。收集2组患者人口学指标、基础疾病情况、临床症状、肺功能指标、血气指标、血常规、肝肾功能及胸部CT结果等。先进行单因素分析和共线性分析，然后纳入差异变量构建logistic回归模型，最后采用Nomogram及相关曲线可视化和验证logistic回归模型结果。 结果:EOS-AECOPD组男24例，女74例，年龄(71.23±9.08)岁；NEOS-AECOPD组男48例，女158例，年龄(71.55±9.51)岁。EOS-AECOPD组原发性高血压发病率[44.9%(44/98)比34.5%(71/206)， χ2＝3.07， P＝0.080]、血淋巴细胞计数[1.42(1.12，1.97)×10 9/L比1.25(0.96，1.62)×10 9/L， Z＝2.87， P＝0.004]高于NEOS-AECOPD组，血中性粒细胞计数[(5.40±2.21)×10 9/L比(6.13±3.78)×10 9/L， t＝1.77， P＝0.078]、血中性粒细胞比例[71.48% (63.28%，77.29%)比77.50% (69.10%，85.10%)， Z＝5.21， P<0.001]、血尿素氮[(6.04±1.75) mmol/L比(6.59±2.43) mmol/L， t＝2.00， P＝0.047]、谷草转氨酶[(21.41±10.20)U/L比(28.38±11.26)U/L， t＝2.00， P＝0.047]、直接胆红素[(4.08±1.87)μmol/L比(4.82±2.73)μmol/L， t＝2.41， P＝0.016]和总胆红素水平[(10.02±4.09)μmol/L比(11.28±5.33)μmol/L， t＝2.06， P＝0.040]低于NEOS-AECOPD组。以方差膨胀因子>10作为高共线性截断值，进行共线性分析后，剔除血中性粒细胞计数和总胆红素，将剩余的6个变量纳入logistic回归模型。结果显示原发性高血压、血中性粒细胞比例和谷草转氨酶水平是EOS-AECOPD患者的独立危险因素(均 P<0.05)。效应曲线的平均绝对误差为0.017，受试者操作特征曲线的曲线下面积为0.716。DCA曲线显示Nomogram的风险阈值在0.09～0.67时该模型的预测净获益>0。 结论:EOS-AECOPD患者更易合并原发性高血压，其血中性粒细胞和谷草转氨酶水平低于NEOS-AECOPD患者。

目的:利用机器学习预测右向左分流(right-to-left shunt，RLS)人群隐源性卒中(cryptogenic stroke，CS)发病风险，为CS的准确和高效预测提供解决方案。方法:回顾分析2018年1月至2023年9月在青岛大学附属医院崂山院区神经内科治疗的经颅多普勒超声发泡试验(c-TCD)阳性的289例RLS人群的临床数据，包括人口统计学信息、疾病史、实验室检查指标、诊断和治疗等。使用机器学习train_test_split()函数将数据集随机分为训练集和测试集，比例为8∶2。采用Logistic回归、决策树、随机森林、极端梯度提升、人工神经网络、梯度提升、极限树和自适应增强等算法构建RLS人群CS风险预测模型，使用受试者工作特征曲线(receiver operating characteristic，ROC)及曲线下面积(area under curve，AUC)、混淆矩阵、精确率、召回率、准确率、F1值、校准曲线、决策曲线等综合评估模型性能。性能最优的模型使用特征重要性和SHAP值进行可解释性分析。使用SPSS 25.0进行 t检验、Mann-Whitney U检验和 χ2检验。采用Delong检验比较两模型间AUC的差异。 结果:289例RLS人群发生CS 166例(57.5%)，非CS 123例(42.5%)。统计分析结果显示，CS患者D-二聚体、平均血小板体积、纤维蛋白原等血液生化指标高于非CS患者(均 P<0.01)；训练集与测试集各变量均差异无统计学意义(均 P>0.05)。对测试集进行CS风险预测，随机森林模型取得了最高的AUC(0.885)、精确率(0.806)、召回率(0.879)、准确率(0.810)以及F1得分(0.841)。校准曲线显示随机森林模型最接近参考线，决策曲线表明随机森林模型具有更大的净受益。可解释性分析显示高风险因素包括平均血小板体积、D-二聚体、国际标准化比值、体质量指数以及年龄。 结论:基于随机森林的预测工具表现出色，在预测RLS人群CS风险方面准确性较高。

目的:基于三维(3D)U-net深度学习模型，建立预测CT引导下宫颈癌近距离治疗计划的3D空间剂量分布。方法:2021年4－9月收集114例宫颈癌患者三维近距离放疗计划(处方剂量6 Gy)组成数据集，按84∶11∶19划分为训练集、验证集、测试集。利用3D U-net模型进行500次(epoch)训练，分别评估测试集病例体素级的平均剂量偏差(MDD)与绝对剂量偏差(MADD)、等剂量面包围体积的戴斯系数(DSC)、处方剂量适形度指数(CI)、高危临床靶区(HRCTV)的 D90和平均剂量 Dmean、膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3剂量学参数。 结果:测试集中19例患者的3D剂量矩阵MDD与MADD分别为－0.01±0.03和(0.04±0.01)Gy。50%到150%处方剂量的DSC在0.89到0.94之间，处方剂量CI为0.70±0.04。HRCTV的 D90的平均偏差为2.22%， Dmean的偏差为－4.30%。膀胱、直肠、小肠、结肠的 D1 cm 3与 D2 cm 3最大偏差分别为2.46%和2.58%。模型预测平均耗时2.5 s。 结论:本研究实现了一种基于3D U-net的预测宫颈癌3D剂量分布的深度学习模型，为宫颈癌近距离治疗自动化设计奠定基础。

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: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。