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:评估三维no new U-Net（3D nnU-Net）深度学习（DL）网络基于腹部CT图像自动分割结直肠癌（CRC）的可行性。方法:本研究为横断面研究，回顾性收集2018年1月至2023年5月广东省中医院（中心1， n=777）、南方医科大学南方医院（中心2， n=732）及中山大学孙逸仙纪念医院（中心3， n=671）共2 180例经病理证实的原发性CRC患者，其基线腹部CT检查于以上3个中心、4种品牌、7种不同机型的CT设备完成，包括动脉期及静脉期增强扫描。由2名放射科医师对动脉期和静脉期CT图像上全瘤病灶进行手动标注。合并中心1和中心3的数据，按照4∶1的比例使用加权随机抽样法分为训练集（ n=1 159）和验证集（ n=289），中心2的数据作为独立的外部测试集（ n=732），对3D nnU-Net分割模型进行训练和验证。以手动标注的标签数据作为评价标准，分别基于不同期相和不同肿瘤部位计算分割覆盖率（SCR）、相似系数Dice（DSC）、召回率（REC）、精确度（PRE）、F1分数及95%豪斯多夫距离（HD 95），对模型的分割性能进行评价。采用独立样本 t检验比较肿瘤自动分割时间与手动标注时间的差异。 结果:在独立的外部测试集中，3D nnU-Net模型于动脉期自动分割肿瘤的效能优于静脉期，动脉期SCR、DSC、REC、PRE、F1分数及HD 95分别为0.865、0.714、0.716、0.736、0.714及27.228；静脉期分别为0.834、0.679、0.710、0.675、0.679及29.358。模型对右半结肠癌的分割效果最好，基于动脉期图像的SCR、DSC、REC、PRE、F1分数及HD 95分别为0.901、0.775、0.780、0.787、0.775及21.793，其次为左半结肠癌和直肠癌，对横结肠癌的分割效果最差（SCR、DSC、REC、PRE、F1分数及HD 95分别为0.731、0.631、0.641、0.630、0.631及38.721）。每例肿瘤单期相的自动分割时间为（1.0±0.3）min，手动标注时间为（17.5±6.0）min，差异有统计学意义（ t=128.24， P<0.001）。 结论:经多中心多机型的数据集训练和验证后，3D nnU-Net DL网络基于腹部CT图像可实现对CRC的自动分割，且模型具有较好的鲁棒性及泛化能力。

目的:探讨基于nnU-Net的临床影像组学模型对胆囊癌预后的预测价值。方法:采用回顾性队列研究方法。收集2012年1月至2020年12月西安交通大学第一附属医院收治的168例行胆囊癌意向性根治术患者的临床病理资料；男61例，女107例；年龄为（64±11）岁。168例患者通过随机数字表法按3∶1随机分为训练集126例和测试集42例。168例患者术前均行增强CT检查。对于门静脉期图像，2位影像学医师手动勾画感兴趣区。应用nnU-Net三维全分辨率模型自动分割图像，采用5折交叉验证及Dice相似系数评估模型泛化能力和预测效能。应用Python软件（3.7.10版本）及Pyradiomics工具库（3.0.1版本）提取影像组学特征，应用R软件（4.1.1版本）筛选影像组学特征，应用方差法、Pearson相关性分析、单因素COX分析及随机生存森林模型筛选重要的影像组学特征并计算影像组学评分（Radscore）。应用X-tile软件（3.6.1版本）确定Radscore最佳截断值，COX比例风险回归模型分析患者预后的独立影响因素。将训练集数据导入R软件（4.1.1版本）构建胆囊癌生存预测临床影像组学列线图模型。基于Radscore风险、影响患者预后的独立临床因素分别构建胆囊癌生存预测Radscore风险模型、临床模型。采用一致性指数（C-index）、校准曲线及决策曲线评估不同胆囊癌生存预测模型的预测效能。观察指标：（1）胆囊癌CT检查门静脉期图像分割结果。（2）影像组学特征筛选及Radscore计算。（3）影响胆囊癌意向性根治术后患者预后因素分析。（4）不同胆囊癌生存预测模型的构建及评价。正态分布的计量资料以 x±s表示。计数资料以绝对数或百分比表示，组间比较采用 χ2检验。单因素及多因素分析采用COX比例风险回归模型。采用寿命表法计算术后总生存率。 结果:（1）胆囊癌CT检查门静脉期图像分割结果。基于手动分割和nnU-Net模型自动分割的感兴趣区在训练集Dice相似系数为0.92±0.08，在测试集为0.74±0.15。（2）影像组学特征筛选及Radscore计算。168例患者共提取1 502个影像组学特征，经方差法、Pearson相关性分析、单因素COX分析和随机森林生存模型筛选影像组学特征共13个（形状特征3个、高阶特征10个）。根据随机生存森林模型与X-tile软件分析结果显示：Radscore最佳截断值分别为6.68和25.01，训练集126例患者中Radscore低危（≤6.68）41例、中危（>6.68且<25.01）72例、高危（≥25.01）13例。（3）影响胆囊癌意向性根治术后患者预后因素分析。168例患者1、2、3年总生存率分别为75.8%、54.9%、45.7%。单因素分析结果显示：术前合并黄疸，血清CA19-9，Radscore风险（中危、高危），手术切除范围，病理学T分期，病理学N分期，肿瘤分化程度（中分化、低分化）是影响训练集患者预后的相关因素（风险比=3.28，3.00，3.78，6.34，4.48，6.43，3.35，7.44，15.11，95%可信区间为1.91~5.63，1.76~5.13，1.76~8.09，2.49~16.17，2.30~8.70，1.57~26.36，1.96~5.73，1.02~54.55，2.04~112.05， P<0.05）。多因素分析结果显示：术前合并黄疸，血清CA19-9，Radscore风险（高危），病理学N分期是训练集患者预后的独立影响因素（风险比=2.22，2.02，2.89，2.07，95%可信区间为1.20~4.11，1.11~3.68，1.04~8.01，1.15~3.73， P<0.05）。（4）不同胆囊癌生存预测模型的构建及评价。基于患者预后独立影响因素构建临床影像组学模型、Radscore风险模型、临床模型，其在训练集的C-index分别为0.775、0.651、0.747，在测试集的C-index分别为0.759、0.633、0.739。校准曲线显示：Radscore风险模型、临床模型及临床影像组学模型对患者生存的预测能力良好。决策曲线显示：临床影像组学模型对患者预后的预测能力优于Radscore风险模型及临床模型。 结论:基于nnU-net的临床影像组学模型对胆囊癌预后具有良好的预测效能。

目的 为提高反肩置换术术前规划的精准度和效率,本研究开发了"E骨"—反肩置换术一站式术前规划系统.方法 利用nnU-net深度神经网络进行肩胛骨分割,获得精确的肩胛骨分割结果;结合骨密度、上下倾角和入钉长度3个关键因素自动定位基座,并计算出手术规划所需定量参数;结合关节盂形态和基座定位信息生成个性化导板;编写系统界面,将各部分功能模块化组装便于使用,提供交互操作与规划结果显示的功能.结果 构建出"E骨"术前规划系统.本系统与Mimics系统相比,减少了规划过程中繁琐的手动调整,平均入钉长度规划结果长于Mimics系统,且规划时间缩短86%.本系统肩胛骨分割精度达到99.93%,较Mimics更高.结论 本研究为反肩置换术提供了一套一站式的高效、精准的术前规划方案,具有广泛的临床应用前景.

目的:基于一种深度学习卷积神经网络模型(nnU-Net)实现CT引导的宫颈癌近距离治疗中高危临床靶区(HR-CTV)及危及器官(OARs)的自动勾画,探讨其临床应用价值.方法:纳入医院已完成图像引导近距离治疗的63例未手术的局部晚期宫颈癌患者的CT图像作为研究数据,由1名高年资医师对所有HR-CTV及OARs(膀胱、直肠及乙状结肠)进行统一勾画,将手动勾画的HR-CTV及OARs作为金标准,模型自动勾画结果与作为金标准的手动勾画图像进行比较.采用Dice相似性系数(DSC)对勾画的HR-CTV及OARs的精准度进行评价.结果:HR-CTV、膀胱、直肠和乙状结肠的DSC值分别为0.903±0.015、0.948±0.011、0.903±0.008及0.803±0.024.结论:本模型可准确勾画HR-CTV、膀胱、直肠及乙状结肠,但放疗医生仍应该仔细检查勾画结果.

目的 开发一种基于腹部CT平扫图像的小胰腺癌(肿瘤最大径≤2 cm)辅助诊断工具.方法 回顾性分析在海军军医大学(第二军医大学)第一附属医院收治并经病理证实的206例小胰腺癌患者和268例胰腺正常者的影像学资料,并按时间顺序分成训练集(2014年1月至2019年12月收治的143例小胰腺癌患者和188例胰腺正常者)和验证集(2020年1月至2021年12月收治的63例小胰腺癌患者和80例胰腺正常者).由2位影像医学科医师通过nnU-Net自动分割模型在腹部CT平扫图像上对胰腺整体进行自动勾画,提取影像组学特征.依次采用方差分析、Spearman相关分析和ROC曲线进行特征的降维和选择,构建极端梯度提升(XGBoost)预测模型.通过ROC曲线评估XGBoost预测模型的诊断效能,采用决策曲线分析法(DCA)评价模型的临床适用性.结果 206例小胰腺癌的大小为(1.69±0.77)cm.在训练集中,XGBoost预测模型诊断小胰腺癌的AUC值、灵敏度、特异度、阳性预测值和阴性预测值分别为0.99、0.92、0.97、0.91和0.98;在验证集中,AUC值、灵敏度、特异度、阳性预测值和阴性预测值分别为0.99、0.94、0.96、0.93和0.97.DCA分析提示患者可从该模型中受益.结论 基于对腹部CT平扫图像的影像组学分析构建的XGBoost预测模型能准确鉴别小胰腺癌患者和胰腺正常者,有望成为筛查小胰腺癌的辅助工具.

目的 基于深度学习(DL)结合T ransformer网络及卷积神经网络(CNN)构建 T2WI及弥散加权成像(DWI)双模态宫颈癌影像自动识别及分割一体化模型,并观察其应用价值.方法 回顾性收集 116 例经病理确诊的宫颈癌患者,对其中58例基于盆腔轴位T2WI、80例基于盆腔轴位DWI手动勾画肿瘤ROI,之后行 2D切片,标注为"肿瘤"或"非肿瘤",共获得1 166幅T2WI和1 066幅DWI 2D切片.随机选取 200幅T2WI(46 幅肿瘤切片及 154幅非肿瘤切片)和174幅DWI 2D切片(62幅肿瘤及112幅非肿瘤)为测试集,按 4∶1 比例将其余 966 幅 T2WI和 892 幅DWI 2D切片分为训练集和验证集.以Swin Transformer网络构建宫颈癌四分类自动识别模型,结合迁移学习方法,对训练集和验证集的2个模态切片进行分类.基于nnU-Net框架开发2个通道深度分别为7层与8层的U-Net网络,构建不同模态影像宫颈癌自动分割模型;根据准确率(ACC)、精确度(Precision)、召回率(Recall)和平衡F分数(F1-score)评估模型自动识别测试集宫颈癌的效能,以戴斯相似性系数(DSC)、95％豪斯多夫距离(95％HD)及平均表面距离(MSD)评价其自动分割测试集宫颈癌的效能.结果 自动识别模型识别测试集T2WI及DWI 2D切片中的宫颈癌的总体ACC、Recall、Precision及F1-score分别为 86.90％、69.44％、82.42％及0.75.自动分割模型分割测试集 T2WI 2D切片中的宫颈癌的DSC、95％HD及MSD均值分别为76.69％、14.85 mm及4.10 mm,分割DWI 2D切片中的宫颈癌的DSC、95％HD及MSD均值分别为84.18％、3.28 mm及0.42mm.结论 DL结合T ransformer网络及CNN构建的T2WI及DWI双模态影像一体化模型能有效自动识别并分割宫颈癌病灶.

目的 通过动态磁敏感对比增强灌注加权成像(dynamic susceptibility contrast-enhanced perfusion weighted imaging,DSC-PWI)和弥散加权成像(diffusion weighted imaging,DWI)构建肿瘤生境,探讨各生境中的相对脑血容量中值(median relative cerebral blood volume,rCBVmedian)预测胶质母细胞瘤(glioblastoma,GBM)患者总生存期(overall survival,OS)的价值.方法 采用回顾性队列研究设计,收集陆军特色医学中心2016-2021年经手术病理证实的58例GBM患者的相关资料,所有患者术前1周内行常规MRI、DSC-PWI及DWI检查.采用深度学习模型nnU-Net和K均值聚类算法(K-means)构建传统肿瘤生境(traditional habitat,TH)、血流灌注相关生境(vascular habitat 1～4,VH1～4)及联合生境(combined habitat 1～6,CH1～6).运用Spearman相关分析判断各个生境的rCBVmedian值与GBM患者OS的相关性,根据各个生境的rCBVmedian中位数将患者分为高、低rCBVmedian组,采用Kaplan-Merier法绘制高rCBVmedian组与低rCBVmedian组的生存曲线,并行Log-rank检验,采用Cox回归分析评估GBM患者OS的独立危险因素.结果 在CH1及VH1生境中,rCBVmedian值与GBM患者OS的相关性相对于其他生境而言较强(r=-0.404、-0.398,P=0.002);在Whole ET、VH1及CH1生境中,根据rCBVmedian值转换为二分类变量显示,患者两组OS差异有统计学意义(P＜0.05);VH1及CH1生境的rCBVmedian值是影响GBM患者预后的独立危险因素(P＜0.05).结论 代表新生血管高度增殖的VH1生境与代表肿瘤细胞增殖活跃的CH1生境中获取的rCBVmedian值可能是预测GBM患者术后总生存期的有意义指标.