简介:摘要:传统的前列腺活检系统在超声引导下进行,由于超声所提供的组织信息有限,无法准确反映病灶区域,因此只能通过在前列腺区域均匀分布地扎针来检查是否存在癌症。然而,这种方法无法将病灶区域与扎针位置关联起来,同时也存在定位精确性的争议。
简介:摘要目的通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像,临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性,探讨其潜在临床价值。方法同时行常规平扫和增强CT扫描的患者34例,通过深度学习模型将增强CT图像合成DL-SNCT图像,以平扫CT图像为金标准,主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形,均采用4分制);利用配对t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。结果主观评价上,DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分,与平扫CT图像评分相一致(P>0.05);在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分vs. 4分)],差异有统计学意义(Z=-2.89,P <0.05)。对于不同解剖部位而言,DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像(t=-12.89、-9.58,P <0.05),而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义(P>0.05)。对于不同强化模式肝脏病变而言,DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像(t=-10.84、-3.42、-3.98,P <0.05),而肝囊肿CT值与平扫CT图像差异无统计学意义(P>0.05)。结论DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT,但对于强化程度变化大的解剖部位,以及有着不同强化模式的肝脏病变,DL-SNCT在临床应用前还有很大的改进空间。
简介:【摘要】目的:探究骨转移瘤采用SPECT全身骨显像与CT扫描图像在PACS系统联合诊断价值。方法:择取本院80例骨转移瘤患者(2022.01-2023.01)深入分析,均行SPECT全身骨显像、CT扫描诊断,分析其诊断价值。结果:80例患者中,共有165个病灶,其中转移灶有82个,非转移灶83个。SPECT全身骨显像在骨转移瘤诊断中,正确诊断转移灶有45个;CT扫描图像正确诊断转移灶56个,联合两种图像有75个;SPECT全身骨显像在骨非转移瘤诊断中,正确诊断转移灶有41个;CT扫描图像正确诊断转移灶76个,联合两种图像有82个;联合两种图像诊断方法异常率、特异度、准确度高于单一诊断,两组对比有差异(P<0.05)。结论:采用SPECT全身骨显像与CT扫描图像在PACS系统联合观察,可为骨转移瘤患者提供更多信息,诊断价值高。
简介:摘要:本文提出了一种基于机器学习的眼底图像检测方法、装置及系统,其中主要包括:获取待检测的眼底图像;对所述眼底图像整体区域进行第一特征集检测;对所述眼底图像中特定区域进行第二特征集检测,所述第一特征中的特征的显著度大于第二特征集中的特征的显著度;基于机器学习对检测的结论进行判定得到最终检测结果。每种类型的特征分开检测,互不影响,可以较为精确的判断每个特征的类别,同时进行多种类别多种显著度的特征的检测,可以高效精确的对眼底图像进行检测。
简介:摘要:目的:解析在临床的放疗治疗中,对非小细胞肺癌的患者,不同体位固定系统使用图像引导放射治疗技术,对放疗摆位误差的影响。方法:86例非小细胞肺癌的患者,均行放射治疗,在2022年1月--2022年11月时间内被选择进入本次研究,对所有人进行数字随机抽取分组,研究组(43人),立体定向体架联合真空负压垫体位固定系统,对照组(43人),体部固定底板联合塑形垫及热塑成形网膜体位固定系统,对比两组的误差数据、并发症发生率。结果:相较对照组,研究组误差率更小(P<0.05)。结论:在临床的放疗治疗中,对非小细胞肺癌的患者,使用图像引导放射治疗技术,体定向体架联合真空负压垫体位固定系统误差更小,具有临床价值。
简介:摘要大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源,同时人工智能技术的发展促进深度学习应用水平不断提升,推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分,第一部分针对目前主流的深度学习MRI图像分类模型:卷积神经网络、深度信念网络、深度残差网络、Vision Transformer展开综述。首先,阐述了各模型的历史沿袭、最初针对的问题及主要思想;其次,概括了模型的网络架构并探讨其在MRI图像分类上的最新应用;然后,分析了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素;第三部分提出了一些广泛使用的性能增强技术;文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制,并对未来研究方向进行展望。本文的结果可为研究人员提供一个全面的比较,以及各种深度学习模型的有效性,有望促进脑肿瘤研究的进展。