肺腺癌CT影像分子分型研究进展

研究表明在明确驱动基因后进行特异性靶向治疗,肺癌患者的中位生存期显著延长。而除高通量测序技术和荧光原位杂交等分子生物学技术外,影像基因组学的出现,也为肺腺癌分子分型预测提供了一种无创的新方法。本文对肺腺癌计算机断层扫描（computed tomography,CT）影像分子分型的研究进展进行综述。首先,介绍肺腺癌分子分型的研究背景及肺腺癌主要的基因突变类型;然后,重点介绍两种主要的研究方法,即CT语义特征与肺腺癌分子亚型的相关性分析和基于机器学习的肺腺癌分子分型预测模型;最后,总结了该领域现阶段面临的主要问题,并对未来的研究方向做出展望。肺腺癌CT影像分子分型研究已经取得了一定成果,但仍存在很多问题。相关性分析与基于影像组学的预测模型研究由于样本各异且受过多人为干预,导致研究结果差异大,甚至有部分文献得到的结论截然相反。而基于深度学习的预测模型研究采用端到端的神经网络模型,人为参与极少,降低了研究难度,但尚处于起步阶段,构建的模型大多相对简单,远不能达到临床应用标准。今后的研究应聚焦于结合多种医学图像构建肺腺癌分子分型的大样本深度学习预测模型,同时结合临床信息、语义特征及影像组学特征,实现肺腺癌分子分型的无创、精准预测。     

基于软模法制备1-3型压电复合材料及高频医用超声换能器

高频医用超声成像技术因其高空间分辨率而被广泛应用于人体组织的精细结构观察,其中高频超声换能器的核心材料是1-3型压电复合材料。采用软模板法直接烧结了锆钛酸铅(PZT)压电微柱阵列,进而制备PZT/环氧1-3型压电复合材料,并对其进行了微观结构观察和电学性能表征。材料微观结构完整,机电耦合系数达到0.64。采用此复合材料制备了中心频率为20 MHz的高频超声换能器。采用脉冲回波法对换能器进行了性能和声场测试,并利用其对人体皮肤进行了超声成像,换能器的插入损耗、带宽分别为13.1 dB和84.2%。结果表明,软模法制备的1-3型压电复合材料能使高频超声换能器兼具低插入损耗和大带宽,这为高性能高频医用超声换能器提供了一种低成本、高效率的商业化制备方法。     

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.     

基于特征矢量化的肺结节特征选择算法*

针对肺结节良恶性分类模型中特征选择过程无法避免特征多样性不受破坏的问题,提出一种将肺结节特征矢量化处理的特征选择方法。首先,假设每个肺结节特征都是由数据、类型构成的一个矢量。然后,按照特征类型添加特征到相应的特征子集,并分别利用Relief算法评价特征、特征子集的分类重要性。最后,通过动态阈值的方式筛选得到优化后的特征子集。在150个肺结节样本的分类实验中,采用本文算法所取得的敏感性为94.7%、特异性为93.7%、虚警率为5.2%、受试者工作特性曲线下面积为97.3%。分析表明,本文算法几乎不破坏肺结节特征的多样性,能够显著提高肺结节良恶性分类的准确性。     

基于噪声拟合的核磁共振二维谱反演新方法

针对现有二维反演算法对噪声敏感或过度依赖于对噪声的估计的问题,提出了一种基于噪声拟合的核磁共振二维谱反演新方法.首先,使用小波滤波进行噪声提取;然后将噪声分布按照高斯白噪声的数学模型进行拟合,获取噪声方差;最后依据制定的新的停机准则和进化算法进行拟合,拟合残差与估计的噪声水平相当或最接近时,迭代停止并得到二维谱.通过使用该算法对不同信噪比的仿真数据和多组实验采集数据进行处理后发现,该算法具有很高的鲁棒性和准确性.这种新的反演算法能够满足不同应用领域、不同信噪比数据的反演要求,具有很高的实际应用价值.     

软模板法制备高频超声换能器用1-3复合压电材料

医用高频超声成像技术广泛应用于皮肤、眼睛及血管壁等人体组织的精细结构成像。1-3复合压电材料因具有较高的机电耦合系数而成为高频超声换能器的核心材料。传统的机械切割-填充、等离子蚀刻等1-3复合材料制备方法成本高、效率低, 难以实现工业化制备。本研究提出一种新的基于软模板的高频复合材料制备方法, 在获得高机电耦合系数的同时, 实现高性能1-3复合压电材料的低成本制备。研究采用微米孔径的软模板实现PZT粉的浆料填充, 通过热压烧结获得均匀竖立的PZT陶瓷微柱阵列, 进而制备出PZT/环氧1-3复合材料。对复合材料进行系统的机电性能测试, 并利用不同方法对复合材料的微结构及其均匀性进行表征。结果表明, 软模板法可使压电微柱具有完整的相结构和较高的成分均匀性, 能够实现较高的胚体压缩率, 提高陶瓷微柱的致密度, 同时形成了微柱阵列且微柱直径可控制在70 μm。软模板法有利于在提高复合材料超声频率(30~50 MHz)的同时获得64%的高机电耦合系数, 为医用高频超声成像以及超声生物显微镜等应用提供了一种高效的1-3复合压电材料工业化制备方法。     

结合灰度直方图和细胞自动机的多模态MRI脑胶质瘤分割

为了解决脑胶质瘤边界模糊、复杂而导致的分割不准确问题,提出了一种将灰度直方图（gray level histogram,GLH）与改进的细胞自动机相结合的脑胶质瘤分割算法。首先,对脑胶质瘤的T2加权图像和液体衰减反转（FLAIR）图像进行融合;然后,利用灰度直方图特性增强脑胶质瘤区域;最后,以加权距离为特征向量用改进的细胞自动机进行分割,并得到脑胶质瘤各组织分割结果。在20组BraTS2015（brain tumor segmentation）数据库数据和10组临床脑胶质瘤数据上进行分割实验,整个肿瘤区域及核心肿瘤区域的平均分割准确率分别达到90.76%和89.73%。实验结果表明,相对于对比方法,所提算法不仅能更好地分割出对比度明显的胶质瘤区域,还在一定程度上解决了模糊胶质瘤区域分割不准确的问题。该算法在保持不增加算法复杂度的同时,亦提高了算法分割的准确性和鲁棒性。     

基于集成随机森林模型的肺结节良恶性分类*

针对目前计算机辅助肺结节良恶性分类模型精度较低的问题,提出了一种基于CT图像的集成随机森林模型肺结节良恶性鉴别方法。首先,分割肺结节区域,提取其影像学特征向量输入多个基分类器;然后,利用每个基分类器的置信度构建集成模型的分类损失函数,求出每个基分类器的权重;最后,根据每个基分类器输出的类别概率值进行加权求和,求得其中概率最大值的类作为分类类别。为验证提出的分类模型性能,本文设计3种实验方案进行测试,准确率分别达到：96.41%,91.36%,95.82%;并与已有的肺结节良恶性分类模型进行对比,结果表明,集成随机森林分类模型能够有效提高肺结节鉴别良恶性的准确度。     

一种检测脑肿瘤的3D 自适应模板匹配算法

为快速有效地检测脑肿瘤,提出一种基于3D 自适应模板匹配算法的脑肿瘤快速检测方法。采用改进的 BET（brain extraction tool）算法从磁共振颅脑图像中提取出脑实质;再从脑实质中提取出包含所有肿瘤结构的3D 感兴趣区域,并采用圆形度等特征对这些3D 感兴趣区域进行筛选,筛选后的3D 感兴趣区域可能是脑肿瘤。以每个3D 感兴趣区域的中间层为基本层建立3D 模板,将建立的3D 模板与原图像中相应位置的3D 感兴趣区域进行匹配,根据匹配特征确定相应的阈值,将高于阈值的3D 感兴趣区域标记为肿瘤区域。为评价算法的性能,采用包含124个肿瘤（3～15 mm）的23个临床病例对该方法进行测试,利用 ROC（receiver operating character-istic）曲线对测试结果进行分析,结果显示,该方法的敏感性率为88．7097％,假阳性为16．03％。与近年来报道的模板匹配方法相比,检测性能有明显的提高。     

检测肺结节的3维自适应模板匹配

目的 针对传统模板匹配方法检测肺结节存在的问题,提出一种用于CT图像中检测肺结节的3维自适应模板匹配算法。方法 首先,从CT序列图像中分割出3维肺实质,采用Canny算子等方法从分割出的3维肺实质中提取3维感兴趣区域作为候选肺结节;然后,确定每个3维感兴趣区域的主方向和中心层,并以此中心层作为信息层,沿主方向对信息层进行3维扩展生成3维模板;最后,对自适应模板和候选结节的3维归一化互相关(NCC)相关系数进行计算,将相似性高于设定阈值的区域标记为肺结节。结果 采用66个临床CT病例对本文方法进行了肺结节检测实验,结果显示本文方法对肺结节检测的敏感率为95.29%,假阳性为12.90%。结论 本文方法对检测肺结节具有较高的敏感率和准确率,可在临床上有效辅助放射科医生对肺结节进行检测,从而提高放射科医生检测肺结节的准确性和工作效率。