基于机器学习的超声造影分析综述

超声造影（Contrast-enhanced ultrasound, CEUS）通过外周静脉注入超声造影剂,显著增强来自肿瘤微血管的血流信号,便于临床医生以实时、动态的方式评估肿瘤血管生成、周边浸润等,广泛应用于多器官病变诊断、预后评估和治疗方案规划等方面。近年来,以深度学习为代表的机器学习方法快速发展,为动态超声造影智能分析带来新的机遇。深度学习方法很大程度上拓宽了超声造影临床应用范围,提高了其诊疗效能。但与常规超声影像类似,超声造影仍然存在斑点噪声、呼吸运动干扰和标准化程度低等问题,使得动态灌注时间、空间信息挖掘面临挑战。本文系统性回顾了近年来超声造影智能分析相关工作,涵盖良恶性鉴别、恶性分级、疗效预测和诊疗方案选择等方面应用,总结了当前影像组学及深度学习方法在超声造影分析领域的最新进展,并指出当前研究的局限性和未来发展方向。     

脑卒中多分类预后预测的深度集成优化方法

诊疗前预测急性缺血性脑卒中（AIS）的预后分级,有利于揭示预后转归水平并指导治疗策略,提升方法的预测性能是实现精准医疗的重要指导。利用临床和影像组学的融合特征实施脑卒中的多分类预测,并提出了一种基于融合特征的深度集成优化方法（IABC-DEL）模型,其特征选择方法为Embedded嵌入法和卡方检验,数据不平衡处理方式为Borderline-SMOTE算法,利用Stacking构建深度集成优化模型,基学习器包括深度神经网络（DNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）,优化方法为改良人工蜂群算法（IABC）。研究结果表明,深度集成优化方法的预后预测性能优于经典方法和既往研究,Macro-F1 score为87.88%,Macro-AUC为96.27%,ACC为88.02%。因此,基于深度集成优化学习的急性缺血性脑卒中预后模型可对临床诊治和预后康复提供指导意义,并为研究预测提供新的建模思路。     

Radiomics and Machine Learning in Oral Healthcare

The increasing storage of information, data, and forms of knowledge has led to the development of new technologies that can help to accomplish complex tasks in different areas, such as in dentistry. In this context, the role of computational methods, such as radiomics and Artificial Intelligence (AI) applications, has been progressing remarkably for dentomaxillofacial radiology (DMFR). These tools bring new perspectives for diagnosis, classification, and prediction of oral diseases, treatment planning, and for the evaluation and prediction of outcomes, minimizing the possibilities of human errors. A comprehensive review of the state‐of‐the‐art of using radiomics and machine learning (ML) for imaging in oral healthcare is presented in this paper. Although the number of published studies is still relatively low, the preliminary results are very promising and in a near future, an augmented dentomaxillofacial radiology (ADMFR) will combine the use of radiomics‐based and AI‐based analyses with the radiologist's evaluation. In addition to the opportunities and possibilities, some challenges and limitations have also been discussed for further investigations.     

Differentiation between COVID‐19 and bacterial pneumonia using radiomics of chest computed tomography and clinical features

To develop and validate an effective model for distinguishing COVID‐19 from bacterial pneumonia. In the training group and internal validation group, all patients were randomly divided into a training group (n = 245) and a validation group (n = 105). The whole lung lesion on chest computed tomography (CT) was drawn as the region of interest (ROI) for each patient. Both feature selection and model construction were first performed in the training set and then further tested in the validation set with the same thresholds. Additional tests were conducted on an external multicentre cohort with 105 subjects. The diagnostic model of LightGBM showed the best performance, achieving a sensitivity of 0.941, specificity of 0.981, accuracy of 0.962 on the validation dataset. In this study, we established a differential model to distinguish between COVID‐19 and bacterial pneumonia based on chest CT radiomics and clinical indexes.     

深度学习结合影像组学的肝脏肿瘤CT分割

目的 从医学影像中进行肝脏与肿瘤分割是计算机辅助诊断和治疗的重要前提。常见的胸部和腹部扫描成像效果中,图像对比度偏低,边界模糊,需要医生丰富的临床解剖学知识才能准确地分割,所以精确的自动分割是一个极大的挑战。本文结合深度学习与医学影像组学,提出一种肝脏肿瘤CT（computed tomography）分割方法。方法 首先建立一个级联的2D图像端到端分割模型对肝脏和肿瘤同时进行分割,分割模型采用U-Net深度网络框架,在编码器与解码器内部模块以及编码器与解码器层次之间进行密集连接,这种多样化的特征融合可以获取更准确的全局位置特征和更丰富的局部细节纹理特征;同时融入子像素卷积与注意力机制,有利于分割出更加微小的肿瘤区域;接着生成两个用于后处理的学习模型,一个基于影像组学的分类模型用于假阳性肿瘤的去除;另一个基于3D体素块的分类模型用于分割边缘的细化。结果 实验数据来自某医院影像科300个肝癌病例CT,每个序列中的肝脏与肿瘤都是由10年以上的医学专家进行分割标注。对数据进行5倍交叉验证,敏感度（sensitivity）、命中率（positive predicted value）和戴斯系数（Dice coefficient）在验证结果中的平均值分别达到0.87±0.03、0.91±0.03和0.86±0.05,相比于性能第2的模型分别提高了0.03、0.02和0.04。结论 肝脏肿瘤CT的精确分割可以形成有价值的术前预判、术中监测和术后评价,有助于制定完善的手术治疗方案,提高肝脏肿瘤手术的成功率,且该方法不局限于肝脏肿瘤的分割,同样也适用于其他医学影像组织器官与肿瘤的分割。     

基于CT影像组学的非小细胞肺癌预后分析方法

为了辅助医生规划非小细胞肺癌（Non-Small Cell Lung Cancer,NSCLC）患者治疗和复查方案,提出了一种基于CT影像组学的NSCLC预后分析方法.首先,对患者肺部CT影像中的肿瘤区域进行分割;然后,对肿瘤区域进行影像组学特征提取、优化;最后,将优化后的特征数据与患者的预后生存情况作为输入,利用机器学习的方法构建预后分析模型,预测患者的预后生存时间范围.选用124例NSCLC患者数据进行实验,以具有临床意义的3年生存期为预测界限,对患者预后生存时间范围进行预测.实验结果表明,预后分析模型的预测准确率达到91.9%,可以有效地辅助医生对非小细胞肺癌患者的预后情况进行更加精准的评估,制定出更具个性化的治疗与复查方案.     

采用影像组学的肾肿瘤组织学亚型分类

为了在术前更准确、非侵入地鉴别乏脂肪血管平滑肌脂肪瘤（fp-AML）和肾透明细胞癌（ccRCC）,提出一种基于CT图像的影像组学模型. 从CT图像中提取774个三维的影像组学特征;分三步进行特征选择：计算皮尔森相关矩阵剔除冗余特征,使用Welch’s t检验确定具有显著差异的特征,利用序列浮动前向选择算法选择具有鉴别能力的特征;使用基于稀疏学习的径向基函数神经网络进行分类. 结果表明：该模型获得的正确率、敏感度、特异性和受试者工作特征曲线下面积分别为90.00%、66.67%、100.0%和0.9173. 利用分类器的输出概率进行模型的可靠性评估,当概率阈值为0.95时,该模型获得的自信正确率、未定率和错分率分别为71.67%、25.00%和3.33%,结果表明所提出的影像组学模型能可靠地对fp-AML和ccRCC进行分类.     

一种放射组学分析的海马硬化自动诊断方法

为深入挖掘具有海马硬化病变表征能力的放射组学特征,提升海马硬化检测的精度,提出了一种结合放射组学分析的自动诊断方法,通过将放射组学特征与小波变换、高斯拉普拉斯算子滤波算法相结合,提取不同滤波图像中海马体感兴趣区域的放射组学特征并用于识别海马硬化,挖掘敏感度较高的放射组学特征。首先对受试样本的T1图像进行预处理和多种滤波处理,基于原始图像和滤波图像提取放射组学特征;然后依次使用双样本T检验、特征相关性分析法对放射组学特征降维;最后利用这些特征构建海马硬化的检测模型。实验结果显示,基于放射组学特征构建的海马硬化检测模型可以有效地辅助识别海马硬化病灶;用基于小波变换的方法提取放射组学特征能够使自动诊断模型的检测效果最优,在实际数据集上硬化海马的检出率可达到97.7%。     

颅内前后循环动脉粥样硬化斑块的影像组学特征:多中心前瞻性研究

目的探讨颅内前后循环动脉粥样硬化的危险因素及其动脉粥样硬化斑块常规高分辨磁共振成像(high resolution magnetic resonance imaging,HRMRI)特征和影像组学特征是否存在差异。方法 2014年9月至2017年1月在北京天坛医院和中国人民解放军总医院就诊并接受HRMRI检查的疑似症状性颅内动脉狭窄患者连续入组本研究,比较前、后循环两组患者动脉粥样硬化的危险因素(年龄、高血压、糖尿病、高脂血症、吸烟、肥胖、性别)、斑块常规HRMRI特征(斑块分布、出血、钙化及重构模式)及影像组学特征。所有斑块采用手工勾勒。结果共计141例符合纳入和排除标准的患者入选本研究。前循环颅内动脉粥样硬化患者60例,其中脑梗死及短暂性脑缺血发作(transient ischemic stroke,TIA)患者分别为52例和8例;后循环颅内动脉粥样硬化患者81例,其中脑梗死及TIA患者分别为62例和19例;前后循环的脑缺血类型无统计学差异(X~2=2. 282,P=0. 131)。危险因素中,高血压、糖尿病及高脂血症在两组间有统计学差异(X~2=7. 047、5. 979、11. 176,P=0. 008、0. 014、0. 001)。前后循环责任斑块分别判定为63个及105个,斑块分布具有统计学差异(X~2=34. 363,P<0. 001); 174个影像组学特征中,21. 3%(37/174)在前后循环组之间存在统计学差异(t值范围2. 0052～7. 7029,P<0. 05),其中单因子判别精度最高的5个影像组学特征为基于灰度共生矩阵的集群阴影、最大二维直径柱(形状特征)、最大二维直径行(形状特征)、偏度(一阶特征)、最小轴长(形状特征),这些特征的受试者工作特征曲线下面积分别为0. 807、0. 760、0. 786、0. 791、0. 746。结论颅内前后循环动脉粥样硬化的危险因素、常规HRMRI特征及影像组学特征存在显著差异,影像组学的特征差异较常规HRMRI更多见。