简介:【摘要】目的 探讨适应性统计迭代(adaptive statistical iterative reconstruction,ASIR)、滤波反投影(FBP)两种重建技术对胸部CT图像质量的影响。方法 80例患者均应用西门子64排CT行胸部CT平扫。分别用ASIR、FBP两种重建算法对原始数据进行重建,重建层厚1mm,层间距0.5mm。测量记录信噪比(SNR)、图像噪声、对比噪声比(CNR)。对肺窗和纵隔窗进行图像质量评价。对比分析两种不同重建算法的定性定量参数。结果 两组图像的噪声值分别是35.6±14.5,52.5±18.6,与FBP组比较,ASIR组噪声降低了31.4%,ASIR组的SNR和CNR明显高于FBP组(P<0.05)。且ASIR组肺窗及纵隔窗图像质量较FBP组高,差异有统计学意义(P<0.05)。结论 与FBP重建算法相比,ASIR可明显降低图像的噪声,提高图像质量。
简介:摘要目的设计一种能够基于原有的分析数据、结合游离DNA片段大小及计数的新的分析方法。方法选取180例孕妇血样进行无创产前检测(non-invasive prenatal testing,NIPT)常规的高通量测序,探索游离DNA片段分子量大小与胎儿DNA含量的关系,提出一种新的结合游离DNA片段大小的Z值的算法。以羊水细胞染色体核型分析结果为金标准,比较两种算法的判断结果。结果当以150 bp为分割值时,小分子片段比例与胎儿DNA含量呈正相关。对高通量测序数据用新旧两种算法进行计算,发现基于计数的传统分析的敏感度为75.00%,特异度为98.86%;基于以150 bp为分割点的结合游离DNA片段大小及计数的分析敏感度和特异度在本次实验中都达到了100%。结论在结合游离DNA片段大小及计数的新方法中选取150 bp作为分子大小分割点,可能比传统基于计数的算法更为合理、有效。
简介:摘要目的探讨三维后装治疗计划中一种逆向剂量优化算法(GBPO)的实现方法和结果。方法GBPO使用标准的二次目标函数,优化代码基于LBFGS算法。回顾性选择了7例使用不同施源器治疗的宫颈癌患者和15例使用了三管施源器治疗的宫颈癌患者,先用等剂量线定性评估GBPO计划的质量,然后统计剂量体积直方图(DVH)参数(CTV D100%、V150%,危及器官D0.1cm3、D1.0cm3、D2.0cm3),评估GBPO计划、IPSA计划和Graphic计划之间的差异。结果对于使用不同施源器的7例患者,GBPO都可以优化出适形的剂量分布,GBPO计划、IPSA计划和Graphic计划之间靶区和危及器官的DVH参数相近。对于使用了三管施源器的15例患者,GBPO计划和IPSA计划之间DVH参数也相近,GBPO计划和Graphic计划之间危及器官DVH参数也相近,但是GBPO计划CTV的D100%高于Graphic计划(P<0.01),V150%低于Graphic计划(P<0.01)。结论采用逆向剂量优化算法GBPO制订的计划在靶区覆盖和危及器官保护方面与IPSA计划相似,GBPO可集成在三维后装治疗计划系统中。
简介:摘要目的探讨机器学习算法在肝细胞癌微血管侵犯(MVI)术前预测中的应用价值。方法采用回顾性描述性研究方法。收集2015年5月至2018年12月福建医科大学孟超肝胆医院收治的277例肝细胞癌患者的临床病理资料;男235例,女42例;年龄为(56±10)岁,年龄范围为33~80岁。患者术前均行磁共振成像检查。227例肝细胞癌患者通过计算机产生随机数方法以7∶3比例分为训练集193例和验证集84例。应用逻辑回归列线图,支持向量机(SVM)、随机森林(RF)、人工神经网络(ANN)和轻量级梯度提升机(LightGBM)机器学习算法构建MVI术前预测模型。观察指标:(1)训练集及验证集患者临床病理资料分析。(2)影响训练集患者肿瘤MVI危险因素分析。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较。正态分布的计量资料以±s表示,组间比较采用配对t检验。计数资料以绝对数表示,组间比较采用χ2检验。单因素和多因素分析采用Logistic回归模型。结果(1)训练集及验证集患者临床病理资料分析:训练集和验证集患者性别(男,女)分别为157、36例和78、6例,两组比较,差异有统计学意义(χ2=6.028,P<0.05)。(2)影响训练集患者肿瘤MVI危险因素分析:训练集193例患者中,MVI阳性108例,MVI阴性85例。单因素分析结果显示:年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、甲胎蛋白(AFP)、碱性磷酸酶(ALP)和纤维蛋白原水平是影响肿瘤MVI的相关因素(比值比=0.971,2.449,1.368,4.050,2.956,4.083,2.532,1.996,95%可信区间为0.943~1.000,1.169~5.130,1.180~1.585,1.316~12.465,1.310~6.670,2.214~7.532,1.016~6.311,1.323~3.012,P<0.05)。多因素分析结果显示:AFP>20 μg/L、肿瘤多发、肿瘤直径越大、肿瘤边界不光滑是影响肿瘤MVI的独立危险因素(比值比=3.680,3.100,1.438,3.628,95%可信区间为1.842~7.351,1.334~7.203,1.201~1.721,1.438~9.150, P<0.05),而年龄越大,MVI发生风险越低(比值比=0.958,95%可信区间为0.923~0.994,P<0.05)。(3)机器学习算法预测模型构建及其术前预测肿瘤MVI准确性比较:①应用多因素分析结果筛选指标,包括年龄、AFP、肿瘤数目、肿瘤直径、肿瘤边界,构建逻辑回归列线图,SVM、RF、ANN及LightGBM机器学习算法预测模型,一致性分析结果显示逻辑回归列线图预测模型稳定性较好。逻辑回归列线图、SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集曲线下面积(AUC)分别为0.812、0.794、0.807、0.814、0.810和0.784、0.793、0.783、0.803、0.815,SVM、RF、ANN、LightGBM机器学习算法AUC分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.731~0.849,0.744~0.860,0.752~0.867,0.747~ 0.862,Z=0.995,0.245,0.130,0.102,P>0.05)和(95%可信区间为0.690~0.873,0.679~0.865,0.702~0.882,0.715~ 0.891,Z=0.325,0.026,0.744,0.803,P>0.05)]。②应用RF、LightGBM机器学习算法自行筛选临床病理因素指标构建预测模型。根据指标对预测模型重要度排序,选择重要度>0.01的指标,包括年龄、肿瘤直径、AFP、白细胞(WBC)、血小板、总胆红素、天冬氨酸氨基转移酶、γ-谷氨酰转移酶、ALP和纤维蛋白原,构建RF机器学习算法预测模型;挑选重要度>5.0的指标,包括年龄、肿瘤直径、AFP、WBC、ALP和纤维蛋白原,构建LightGBM机器学习算法预测模型;由于ANN及SVM机器学习算法不具备筛选指标能力,应用单因素分析结果筛选指标,包括年龄、肿瘤数目、肿瘤直径、卫星病灶、肿瘤边界、AFP、ALP和纤维蛋白原水平,构建SVM、ANN机器学习算法预测模型。SVM、RF、ANN、LightGBM机器学习算法预测模型训练集和验证集AUC分别为0.803、0.838、0.793、0.847和0.810、0.802、0.802、0.836,分别与逻辑回归列线图AUC比较,差异均无统计学意义[(95%可信区间为0.740~0.857,0.779~0.887,0.729~0.848,0.789~0.895,Z=0.421,0.119,0.689,1.517,P>0.05)和(95%可信区间为0.710~0.888,0.700~0.881,0.701~0.881,0.740~0.908,Z=0.856,0.458,0.532,1.306,P>0.05)]。结论机器学习算法可用于术前预测肝细胞癌MVI,但其应用价值尚需多中心大样本数据进一步验证。
简介:摘要目的比较18F-脱氧葡萄糖(FDG)PET/CT的4种重建算法对肺结节标准摄取值(SUV)的影响。方法回顾性收集2018年2月至2019年7月在山西医科大学第一医院行18F-FDG PET/CT检查的46例实性肺结节患者[男27例,女19例,中位年龄66(44~82)岁]的PET/CT图像,采用有序子集最大期望值迭代法(OSEM)、OSEM+飞行时间(TOF)、OSEM+TOF+点扩散函数(PSF)及正则化算法(BSREM)进行图像重建(方法依次以G1~G4表示),通过视觉和半定量方法分析肺结节及背景参数。根据肺窗所测结节直径,分为小结节(直径≤10 mm)和大结节(10 mm<直径≤30 mm)。行Kruskal-Wallis秩和检验及Bonferroni法分析不同算法间SUV的差异,行Spearman相关分析探讨SUV变化率(%ΔSUV)与结节直径的相关性,行受试者工作特征(ROC)曲线分析探讨SUV对肺结节良恶性的诊断效能。结果共114个结节,大结节55个,小结节59个。在视觉分析中,G4较G1~G3的小结节视觉检出率分别提高了55.93%(33/59)、44.07%(26/59)和20.34%(12/59)。在114个肺结节中,最大SUV(SUVmax)、平均SUV(SUVmean)在不同算法间比较差异有统计学意义(中位SUVmax :2.65~5.29,中位SUVmean:2.05~2.99;H值:20.628和17.749,均P<0.001),G4对G1的SUVmax(中位数分别为5.29和2.65)和SUVmean(中位数分别为2.99和2.05)有明显提升(均P<0.001)。%ΔSUVmax(中位数:4.45%~52.96%)、%ΔSUVmean(中位数:1.69%~47.56%)与结节直径呈负相关[9.75(6.20,16.58) mm;rs值:-0.371~-0.354、-0.371~-0.320,均P<0.001]。在59个小结节中,G4对G1的SUVmax(中位数分别为4.05和2.14)有明显提升(H=18.327, P<0.001),G4对G1和G3的SUVmean (中位数分别为2.31、1.26和1.53)有提升作用(H=16.808,均P<0.05)。在55个大结节中,SUV在不同算法间的差异无统计学意义(H值:0.812~7.290,均P>0.05)。G1~G4的SUVmax诊断良恶性的最佳截断值分别为4.335、5.185、5.410、5.745,曲线下面积(AUC)分别为0.747、0.699、0.756和0.778,四者的SUVmean及SUVpeak最佳截断值对应的AUC也显示出类似趋势。结论在4种重建算法中,BSREM可明显提高图像质量和直径10 mm以下肺结节的SUVmax及SUVmean,其SUV良恶性诊断阈值应适当上调。
简介:摘要目的根据HIV/AIDS的CD4+ T淋巴细胞计数(CD4)的变化规律,估计红河哈尼族彝族自治州(红河州)HIV新发感染者数,为评估当地的疫情流行趋势提供依据。方法利用红河州HIV/AIDS抗病毒治疗前CD4数据,建立CD4平方根与感染时间的消除模型,反向估计HIV感染者的感染时间,并利用直接概率法和寿命表法计算累计诊断率分布以及诊断延误权重,推算研究地区历年HIV新发感染者数。结果截至2018年12月31日,估计红河州HIV感染者数为35 977例,诊断发现率约为77.50%,其中2008-2018年HIV感染者数为23 792例,从2008年的2 602例逐年下降至2018年的1 480例,2007年及以前的新感染HIV人数为12 185例;其诊断延误权重从1年内的5.49下降至20年内的1.00,诊断率从1年的18.2%上升至20年的100.0%。结论红河州HIV新发感染者数呈逐年下降趋势,诊断发现率距"第一个90%"目标仍有差距,扩大检测及时发现隐藏的HIV感染者有助于降低HIV传播风险。
简介:摘要目的构建一个基于YOLO算法和ResNet网络的自动检测结直肠息肉的深度卷积神经网络(deep convolutional neural network,DCNN)模型,并测试其功能。方法选取武汉大学人民医院消化内镜中心数据库2018年1月—2019年3月的肠镜图像及视频并分为3个数据集(数据集1、3、4),另以公共数据集CVC-ClinicDB(由西班牙巴塞罗那医院提供的29个结肠镜检查视频中提取的612帧息肉图像组成)作为数据集2。数据集1(2018年1—11月的肠息肉图像3 700张,无息肉图像1 000张)用于DCNN模型构建、训练与验证;数据集2和数据集3(2019年1—3月的肠息肉图像320张,无息肉图像400张)用于DCNN模型在图像中的测试;数据集4(2018年12月肠镜视频15个,包含33个息肉),用于DCNN模型在视频中的测试。主要观察DCNN模型检测肠息肉的敏感度、特异度、准确率和假阳性率。结果DCNN模型在数据集2中检测肠息肉的敏感度为93.19%(602/646);在数据集3中检测肠息肉的准确率为95.00%(684/720),敏感度为98.13%(314/320),特异度为92.50%(370/400),假阳性率为7.50%(30/400);在数据集4中检测息肉逐息肉个数的敏感度为100.00%(33/33),逐帧准确率为96.29%(133 840/138 998),逐帧敏感度为90.24%(4 066/4 506),逐帧特异度为96.49%(129 774/134 492),逐帧假阳性率为3.51%(4 718/134 492)。结论构建的DCNN模型可用于自动检测结直肠息肉,在静止肠镜图像及肠镜视频中均具有较高的敏感度与特异度,且在视频中测试的假阳性率低,可用于帮助内镜医师检测结直肠息肉。
简介:摘要目的开发并验证一种基于相位线性度的多回波场图拟合算法,以提高定量磁化率分布图的图像质量。材料与方法提出了一种多回波场图拟合的改进算法,其通过场图线性拟合的残差来判断数据点相位的可靠性。采集15名健康被试的模图和相位图,分别采用常规算法和改进算法拟合得到场图,再经过场图解缠绕、背景场去除和磁化率反演等步骤获得磁化率分布图。选取黑质、红核、尾状核、苍白球和壳核作为感兴趣区,对比研究了两种算法得到的磁化率分布图上感兴趣区的噪声水平。结果采用改进的场图拟合算法后,定量磁化率图像质量得到明显提高,伪影得到明显抑制。双侧黑质、右侧红核等区域的噪声水平显著下降。结论该文提出的一种改进的定量磁化率成像多回波场图拟合算法可以提高磁化率分布图的图像质量。
简介:摘要近十年来,人工智能技术快速发展并逐渐由学术界走向产业界,其在医疗领域的应用也逐渐深入。受技术和伦理的局限,人工智能在医疗领域更多处于辅助决策的地位。抑郁症作为一种常见的精神障碍,其发病率在全球日益增长,如何利用以深度学习为代表的人工智能技术手段实现对抑郁症的筛查和诊断,促进抑郁症早发现和及时治疗,具有十分重要的意义。我们对近几年以人工智能为手段的抑郁症辅助诊断技术进行了文献调研和总结,主要从人脸表情、语音语调、文本语义、姿态行为及多模态数据融合5个方面入手,介绍人工智能在面向患者日常行为分析的抑郁症辅助诊断方面的研究进展。
简介:摘要目的探讨机器学习算法和COX列线图在肝细胞癌术后生存预测中的应用价值。方法采用回顾性描述性研究方法。收集2012年1月至2017年1月中国医学科学院北京协和医学院肿瘤医院收治的375例肝细胞癌行根治性肝切除术患者的临床病理资料;男304例,女71例;中位年龄为57岁,年龄范围为21~79岁。375例患者通过计算机产生随机数方法以8∶2比例分为训练集300例和验证集75例,应用逻辑回归、支持向量机、决策树、随机森林、人工神经网络机器学习算法构建肝细胞癌患者术后生存的预测模型,筛选性能最优的机器学习算法预测模型;构建肝细胞癌患者术后生存预测的COX列线图预测模型;比较最优机器学习算法预测模型和COX列线图预测模型预测肝细胞癌患者术后生存的性能。观察指标:(1)训练集与验证集患者临床病理资料分析。(2)训练集与验证集患者随访及生存情况。(3)机器学习算法预测模型构建及验证。(4)COX列线图预测模型构建及验证。(5)随机森林机器学习算法预测模型与COX列线图预测模型预测性能评价。采用门诊或电话方式进行随访,了解患者生存情况。随访时间截至2019年12月或患者死亡。正态分布的计量资料以±s表示,组间比较采用配对t检验。偏态分布的计量资料以M(P25,P75)或M(范围)表示,组间比较采用Mann-Whitney U检验。计数资料以绝对数表示,当Tmin≥5,N≥40时,组间比较采用χ2检验;当1≤Tmin≤5,N≥40时,采用校正χ2检验;当Tmin<1或N<40时,采用Fisher确切概率法。采用Kaplan-Meier法计算生存率和绘制生存曲线。采用COX比例风险模型进行单因素分析,将P<0.2的变量纳入Lasso回归分析,根据λ值筛选影响预后的变量,最后将变量纳入COX比例风险模型进行多因素分析。结果(1)训练集与验证集患者临床病理资料分析:训练集和验证集患者微血管侵犯(无、有),肝硬化(无、有)分别为292、8例,105、195例和69、6例,37、38例,两组患者比较,差异均有统计学意义(χ2=4.749,5.239,P<0.05)。(2)训练集与验证集患者随访及生存情况:训练集与验证集患者均获得随访。训练集300例患者随访时间为1.1~85.5个月,中位随访时间为50.3个月。验证集75例患者随访时间为1.0~85.7个月,中位随访时间为46.7个月。375例肝细胞癌患者术后1、3年总体生存率分别为91.7%、79.5%。训练集和验证集患者术后1、3年总体生存率分别为92.0%、79.7%和90.7%、81.9%。两组患者术后生存情况比较,差异无统计学意义(χ2=0.113,P>0.05)。(3)机器学习算法预测模型构建及验证。①筛选最优机器学习算法预测模型:根据变量对预测肝细胞癌术后3年生存的信息增益度,应用逻辑回归、支持向量机、决策树、随机森林和人工神经网络5种机器学习算法对肝细胞癌临床病理因素进行变量综合排名。筛选主要预测因素为乙型肝炎e抗原(HBeAg)、手术方式、肿瘤最大直径、围术期输血、肝被膜侵犯、肝脏Ⅳ段侵犯。将预测因素前3、6、9、12、15、18、21、24、27、29个变量依次引入5种机器学习算法。其结果显示:当引入9个变量时,逻辑回归、支持向量机、决策树、随机森林机器学习算法预测模型受试者工作特征曲线的曲线下面积(AUC)趋于稳定。当引入变量>12个时,人工神经网络机器学习算法预测模型AUC波动明显,逻辑回归、支持向量机机器学习算法预测模型AUC稳定性可继续改善,而随机森林机器学习算法预测模型AUC接近0.990,说明随机森林机器学习算法预测模型为最优机器学习算法预测模型。②随机森林机器学习算法预测模型优化和验证:将预测因素29个变量依次引入随机森林机器学习算法预测模型中,构建训练集最佳随机森林机器学习算法预测模型。其结果显示:当引入变量=10个时,网格搜索法示最佳决策树结点个数=4,最佳决策树数目=1 000;当引入变量≥10个时,随机森林机器学习算法预测模型AUC稳定在0.990左右。其中当引入变量=10个时,随机森林机器学习算法预测模型预测训练集术后3年总体生存AUC为0.992,灵敏度为0.629,特异度为0.996,预测验证集术后3年总体生存AUC为0.723,灵敏度为0.177,特异度为0.948。(4)COX列线图预测模型构建及验证。①训练集患者术后生存因素分析。单因素分析结果显示:HBeAg、甲胎蛋白、围术期输血、肿瘤最大直径、肝被膜侵犯、肿瘤分化程度是影响肝细胞癌患者术后生存的相关因素(风险比=1.958,1.878,2.170,1.188,2.052,0.222,95%可信区间为1.185~3.235,1.147~3.076,1.389~3.393,1.092~1.291,1.240~3.395,0.070~0.703,P<0.05)。将P<0.2的临床病理因素纳入Lasso回归分析,其结果显示:性别,HBeAg,甲胎蛋白,手术方式,围术期输血,肿瘤最大直径,肿瘤位置在肝脏Ⅴ段和肝脏Ⅷ段,肝被膜侵犯,肿瘤分化程度(高分化、中高分化、中分化、中低分化)是影响肝细胞癌患者术后生存的相关因素。进一步将上述临床病理因素纳入多因素COX回归分析,其结果显示:HBeAg、手术方式、肿瘤最大直径是肝细胞癌患者术后生存的独立影响因素(风险比=1.770,8.799,1.142,95%可信区间为1.049~2.987,1.203~64.342,1.051~1.242,P<0.05)。②COX列线图预测模型的构建和验证:将训练集COX多因素分析结果中P≤0.1的临床病理因素引入Rstudio软件及其rms软件包,构建训练集COX列线图预测模型。COX列线图预测模型预测术后总体生存的C-index为0.723(se=0.028),预测训练集术后3年总体生存AUC为0.760,预测验证集术后3年总体生存AUC为0.795。训练集校准图验证显示COX列线图预测模型对术后生存有较好预测效果。COX列线图回归函数=0.627 06×HBeAg(正常=0,异常=1)+0.134 34×肿瘤最大直径(cm)+2.107 58×手术方式(腹腔镜=0,开腹手术=1)+0.545 58×围术期输血(无输血=0,输血=1)-1.421 33×高分化(非高分化=0,高分化=1)。计算所有患者COX列线图风险评分,应用Xtile软件寻找COX列线图风险评分最佳阈值,风险评分≥2.9分为高危组,风险评分<2.9分为低危组。Kaplan-Meier总体生存曲线结果显示:训练集低危组和高危组患者术后总体生存比较,差异有统计学意义(χ2=33.065,P<0.05)。验证集低危组和高危组患者术后总体生存比较,差异有统计学意义(χ2=6.585,P<0.05)。进一步采用决策曲线分析结果显示:联合HBeAg、手术方式、围术期输血、肿瘤最大直径和肿瘤分化程度因素的COX列线图预测模型预测性能优于单一因素的预测性能。(5)随机森林机器学习算法预测模型和COX列线图预测模型预测性能评价:通过对2种模型中共同含有的重要变量(肿瘤最大直径)进行分析,并将2种模型通过预测误差曲线进行比较,观察2种模型的预测差异。其结果显示:肿瘤最大直径为2.2 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为77.17%和74.77%(χ2=0.182,P>0.05);肿瘤最大直径为6.3 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为57.51%和61.65%(χ2=0.394,P>0.05);肿瘤最大直径为14.2 cm时,随机森林机器学习算法和COX列线图预测模型预测患者术后3年生存率分别为51.03%和27.52%(χ2=12.762,P<0.05)。随着肿瘤最大直径增加,2种模型预测患者生存率差异增大。验证集中,随机森林机器学习算法预测模型预测患者术后3年总体生存AUC为0.723,COX列线图预测模型预测患者术后3年总体生存AUC为0.795,两者比较,差异有统计学意义(t=3.353,P<0.05)。采用Bootstrap交叉验证结果显示:随机森林机器学习算法预测模型和COX列线图预测模型预测3年生存的整合Brier得分分别为0.139、0.134,COX列线图预测模型预测误差低于随机森林机器学习算法预测模型。结论与机器学习算法预测模型比较,COX列线图预测模型预测肝细胞癌术后3年生存性能更佳,且其变量少,易于临床使用。
简介:摘要目的报道三维后装放射治疗中一种可控制驻留时间变化幅度的算法的实现方法和结果。方法逆向优化算法(GBPO)使用标准的二次目标函数,在目标函数中增加一个可控制驻留时间变化幅度的项,用驻留时间调制因子(DTMF)调节驻留时间的变化幅度。回顾性研究15例使用了三管施源器(Nucletron part#189.730)治疗的宫颈癌患者,分析DTMF与驻留时间标准差的关系,统计剂量体积直方图(DVH)参数(HR-CTV D100%、V150%,危及器官D0.1 cm3、D1 cm3、D2 cm3),评估GBPO计划和商用计划系统(采用IPSA算法)计划之间的差异。结果当DTMF<20时,驻留时间标准差迅速减小,在DTMF增加到100之后,驻留时间标准差无明显变化。GBPO计划的D100%(3.63±0.36)高于IPSA计划( 3.53±0.34),两者比较,差异有统计学意义(t=2.45, P<0.05),两种计划之间其他DVH参数比较的差异无统计学意义(P>0.05)。结论三维后装放射治疗中控制驻留时间变化幅度的方法是可行的,采用GBPO制定的计划在靶区覆盖和危及器官保护方面与IPSA计划相似,GBPO可集成在三维后装放射治疗计划系统中。
简介:摘要目的研究PTW729二维矩阵电离室验证Acuros BV算法在相对剂量分布计算方法的可行性,分析该方法的优势和劣势,为实际临床工作提供参考。方法基于自建测量模体,在相同计划和测量条件下,使用PTW729和胶片方法,分别测试相同位置处的剂量分布,对两种方法的测量结果和Acuros BV算法计算结果分别进行γ比对分析,并测试PTW729方法的稳定性。结果PTW729和胶片的测试结果与Acuros BV算法计算结果的γ比对值分别为98.9%、95.9%,PTW729与胶片测试结果的γ比对值为88.0%。PTW729稳定性测试实验γ比对值分别为95.0%、100.0%、100.0%。结论PTW729二维矩阵电离室可应用于Acuros BV算法相对剂量分布的快速验证。
简介:摘要目的探讨鼻窦CT扫描中,前置和后置自适应统计迭代重建算法(ASiR-V)对图像质量和辐射剂量的影响,并寻找最佳的迭代组合。方法以1具离体头颅标本为研究对象,采用临床鼻窦CT常规扫描条件[噪声指数(NI)=8],以及前置ASiR-V的不同等级(0~100%,间隔为10%)进行螺旋扫描,所得原始数据使用后置ASiR-V的不同等级(0~100%,间隔为10%)进行骨算法和标准算法重建,共获得242个鼻窦薄层图像序列。选择特定的感兴趣区(ROI)测量CT值,并计算图像对比噪声比(CNR)和品质因子(FOM)。记录容积CT剂量指数(CTDIvol)和智能毫安(Smart mA)值。采用线性回归分析对ASiR-V各等级与对应的CTDIvol、Smart mA、CNR、FOM进行比较分析。采用配对t检验对相同后置不同前置ASiR-V骨算法和标准算法图像的CNR进行分析比较。主观评价采用双盲法由3名高年资放射诊断医师以4分法(4分为最佳)进行图像质量评分。结果随着前置ASiR-V等级(0~100%)的增加,Smart mA、CTDIvol均减低,呈线性负相关(r分别为-0.981、-0.976,P均<0.001);Smart mA降幅为72.05%,CTDIvol降幅为71.22%。前置ASiR-V相同,随后置ASiR-V等级增加,骨算法和标准算法图像对应的CNR呈上升趋势,呈正相关(骨算法图像:R2分别为0.976、0.992、0.982、0.982、0.975、0.975、0.979、0.996、0.952、0.978、0.965;标准算法图像:R2分别为0.944、0.990、0.988、0.993、0.996、0.987、0.984、0.996、0.996、0.990、0.965);后置ASiR-V相同,随前置ASiR-V等级增加,骨算法和标准算法图像对应的FOM呈波动变化(骨算法图像:R2分别为0.335、0.341、0.344、0.364、0.385、0.405、0.418、0.429、0.455、0.474、0.516;标准算法图像:R2分别为0.223、0.278、0.327、0.285、0.309、0.329、0.325、0.346、0.360、0.390、0.380)。以上各种前置和后置迭代等级组合所得图像主观评价均可满足诊断要求(评分≥3)。结论当NI=8时,骨算法最佳前置和后置迭代等级组合为80%和100%;标准算法最佳迭代等级组合为100%和100%。鼻窦CT扫描中,选择恰当的前置和后置迭代等级组合,能够在图像质量满足诊断要求的前提下,有效降低辐射剂量。
简介:摘要目的探索使用级联模型在CT平扫图像中自动检出肾结石的可行性。方法回顾性搜集2018年1月至7月在北京大学第一医院行泌尿系CT平扫并诊断为肾结石的59例患者的临床和影像资料。根据患者CT检查时间将患者图像分为两组:肾脏分割模型训练集(30例)和肾结石检出模型测试集(29例)。建模包括:(1)训练肾脏分割的深度学习模型,采用U-Net神经网络,以dice系数评估肾脏分割算法的性能;(2)在肾脏分割的基础上,用阈值算法和区域生长算法检出所得肾脏区域里的结石;(3)测量肾结石各向径线值(长径、中径和短径)和CT值,并将结果返回到结构化报告。由1名医师记录肾结石位置并手动测量肾结石各向径线值(长径、中径和短径)和CT值作为金标准,计算模型自动检出结石的灵敏度、特异度和准确度,并使用Bland-Altman法分析模型自动测量和医师手工测量结果的一致性。结果测试集29例患者,共11 358层CT图像,58个肾脏纳入研究,其中38个肾脏有结石,共有56个结石,20个肾脏无结石。使用U-Net模型对测试集11 358层CT图像进行分割,平均dice系数为0.96;其中10 945(96.36%)层图像分割效果很好,dice系数≥0.90。以肾脏为单位,模型在测试集中检出结石的灵敏度、准确度、特异度分别为100%(38/38)、100%(38/38)、100%(20/20);以结石为单位,模型检出结石的灵敏度、准确度分别为100%(56/56)、96.6%(56/58)。结论肾结石检出级联算法可以在CT平扫图像中自动检出肾结石,并自动返回到结构化报告中,提高临床工作效率。
简介:摘要目的探讨基于泰森多边形图算法生成的不同孔隙率人工骨小梁的3D打印加工精度及生物力学性能,为骨科钛合金内置物生物力学性能的改良提供参考。方法选择1名健康成年男性志愿者(年龄30岁,身高175 cm,体重70 kg),采集其腰椎CT扫描数据,利用泰森多边形图算法生成5种不同孔隙率的仿生人工骨小梁,根据孔隙率的差异分为Tra_A(73.7%)、Tra_B(74.1%)、Tra_C(80.0%)、Tra_D(80.2%)、Tra_E(85.7%)5组。利用选择性激光熔化(SLM)3D打印技术将各组人工骨小梁加工成直径18 mm、高度20 mm的圆柱状钛合金材质假体,每组加工3个试样。利用工业显微镜对每组试样进行扫描,对比其实际孔隙率和理论孔隙率,评估加工质量;通过体外力学测试,对各组人工骨小梁试样的极限载荷、屈服强度及弹性模量进行测量,评估生物力学性能。结果所有试件内部无裂纹、连接杆断裂、钛合金粉末堆积等不良现象。5组人工骨小梁试件的实际孔隙率平均值分别为66.0%、65.5%、71.8%、72.5%、78.1%,与理论孔隙率相比,分别偏小10.5%、11.6%、10.2%、9.7%、8.8%。体外力学测试显示,5组人工骨小梁试件极限载荷平均值分别为23.6 kN、18.9 kN、17.0 kN、16.3 kN、10.7 kN,屈服强度平均值分别为72.2 MPa、58.7 MPa、54.9 MPa、52.2 MPa、36.1 MPa,弹性模量平均值分别为7.5 GPa、6.3 GPa、4.5 GPa、4.3 GPa、2.4 GPa,三者随着人工骨小梁孔隙率的增大均呈减小趋势。结论基于泰森多边形图算法生成的仿生人工骨小梁结构通过SLM 3D打印加工而成的钛合金试件具有较好的加工质量,且随着孔隙率增加,其加工精度更好。随着孔隙率增加,人工骨小梁的极限载荷、屈服强度和弹性模量均呈减小趋势。