Abstract ：

乳腺癌是异质性较高的恶性肿瘤,不同个体病理表现、组织结构、形态、纹理特征及治疗效果等存在很大差异,针对乳腺癌异质性进行评价对个体化治疗方案设计及疗效预测具有重要意义.目前,利用多模态MRI可以敏感地评价病变范围、形态、边缘、内部强化方式及时间-信号强度曲线、表观扩散系数等信息,有望实现乳腺癌异质性的有效预测.人工智能在乳腺癌异质性多模态MRI评价方面具有较高的临床指导意义.本文基于人工智能乳腺癌异质性多模态MRI评价的研究进展进行综述,以提高乳腺癌的个体化诊治水平.

Keyword ：

异质性 磁共振成像 乳腺肿瘤 多模态 人工智能 综述

Cite：

Copy from the list or Export to your reference management。

Abstract ：

人工智能(artificial intelligence, AI)逐步发展成为了第四次工业革命的核心。AI旨在使用各种方法以及技术来延伸人的能力，并逐步被应用到包含医学在内的众多行业之中。AI可以辅助临床医生做出决策，带领医学进入智能时代。听神经瘤(acoustic neuroma, AN)又名前庭神经鞘瘤(vestibular schwannoma, VS),是起源于前庭神经的良性肿瘤，是颅内最常见的神经鞘瘤。常见的症状是听力下降以及耳鸣。随着磁共振成像(magnetic resonance imaging, MRI)的普及，VS的发现率也不断提高。VS现在处理方式为随访观察、立体定向放射治疗以及手术治疗，且治疗重点也从降低死亡率、全切肿瘤转到了面听神经功能的保留。现对AI在听神经瘤中诊断、分割、治疗方式的选择以及预测预后的方法进行综述，并展望AI在VS个体化智慧诊疗中的前景。

Keyword ：

前庭神经鞘瘤 听神经瘤 人工智能

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的：基于静息态功能磁共振成像（rest state functional magnetic resonance imaging,rsfMRI）图像，探究认知储备对脑网络的影响。方法：首先，在英国生物银行中选择7 973名健康中老年人的rsfMRI图像，通过独立成分分析得到21个静息态网络。其次，采用图论分析方法提取网络节点效率、最短路径长度以及节点度中心性等参数。最后，比较并分析静息态网络的活跃程度、网络节点效率、节点最短路径长度以及节点度中心性4个指标，以及这4个指标与受教育程度、早期流体智力、体育运动、休闲活动和社交程度5个认知储备代理指标之间的关系。结果：研究结果表明，受教育程度、早期流体智力和体育运动3个认知储备代理指标与多个静息态网络的活跃程度以及大多数认知控制网络和默认模式网络中的节点效率、节点度中心性之间存在显著的正相关关系，但与大多数认知控制网络和默认模式网络中的最短路径长度之间存在显著的负相关关系。而休闲活动和社交程度2个认知储备代理指标与静息态网络的活跃程度呈负相关关系，且对功能网络整体拓扑特性的影响也相对较小。结论：受教育程度、早期流体智力和体育运动对静息态网络具有重要促进作用，而休闲活动和社交程度这2个认知储备代理指标可能对静息态网络产生负面影响。

Keyword ：

静息态功能磁共振成像 静息态网络 神经影像 认知储备 脑网络

Cite：

Copy from the list or Export to your reference management。

Abstract ：

近红外光谱断层成像是一种可以获得乳腺组织内部光学特性，弥补传统乳腺影像学检查方法的不足，具有无创无辐射、高特异性等特性，在乳腺成像中有重要应用价值的光学成像技术。近红外光谱断层成像系统对该技术在乳腺疾病临床诊断中的应用起着重要的作用。然而，近红外光谱断层成像系统的空间分辨率低，限制了其在乳腺成像中的应用。将连续波模式与频域或时域测量模式相结合，并融合临床用的数字乳腺断层摄影、超声或核磁共振成像等技术有助于解决上述问题。先对近红外光谱断层成像系统的测量模式、多模态系统和多模态融合技术进行梳理、对比，然后介绍了该技术在乳腺成像中的最新应用，进一步讨论了乳腺近红外光谱断层成像系统未来的发展方向。

Keyword ：

生物光学 近红外光谱断层成像 乳腺成像 成像系统 多模态

Cite：

Copy from the list or Export to your reference management。

Abstract ：

相比于肺癌、肝癌等常见的癌症,下咽癌是一种罕见的疾病。由于下咽癌的磁共振影像往往亮度不均、模糊、噪声重,因此如何从这些磁共振图像中获取有用信息是一个难题,如何使用深度学习通过磁共振图像来检测下咽癌的病灶是一项重大挑战。首先,综述了下咽癌的磁共振图像特点及成因,概括了Faster-RCNN、RetinaNet、FCOS、Cascade-RCNN等常见目标检测网络的特点和应用领域,并且分析了目标检测网络应用在下咽癌病灶定位上所面临的挑战。介绍了行之有效的解决方法:可变形卷积和应用定制的锚框。然后,介绍常见的语义分割网络,并分析了把这些语义分割网络应用在下咽癌病灶分割上所面临的挑战。最后,对上述提到的目标检测网络和语义分割网络进行总结,并对未来下咽癌医学影像的目标检测和语义分割工作进行展望。

Keyword ：

下咽癌 磁共振成像(MRI) 深度学习 目标检测 语义分割 检测病灶

Cite：

Copy from the list or Export to your reference management。

Abstract ：

微血管侵犯(MicroVascular Invasion,MVI)是肝细胞癌(HepatoCellular Carcinoma,HCC)切除或移植患者出现早期复发和长期预后不良的重要影响因素,因此在HCC患者术前评估是否存在MVI具有非常重要的临床价值.近年来,深度学习为MVI影像诊断评估提供了有价值的解决方法,但受数据标注收集困难等因素的影响,目前研究多独立利用电子计算机断层扫描(Computed Tomography,CT)或核磁共振成像(Magnetic Resonance Imaging,MRI)手段采集影像中的单模态序列,缺乏对各成像手段中多模态序列的综合应用.在小样本场景下,为有效利用多模态序列数据,提高诊断效能,本文提出一种高效多模态贡献度感知网络.该网络可以利用模态分组卷积和高效多模态自适应加权模块,在极少计算开销的引入下,学习CT或MRI的各模态影像信息在复杂多样的MVI表象下的诊断贡献.本文在三甲医院收集的临床数据集上进行实验,结果表明该网络模型可以在少量有标注数据的支持下,取得优于多种基于注意力机制的神经网络模型的MVI诊断性能,为专业医师的诊断分析提供了有效参考.

Keyword ：

微血管侵犯评估 高效多模态自适应加权 高效多模态贡献度感知 模态分组卷积 多模态融合

Cite：

Copy from the list or Export to your reference management。

Abstract ：

目的 建立并验证一种基于显微磁共振成像(micro-magnetic resonance imaging,μMRI)和微结构分割无创评估股骨近端微观力学行为的生物力学建模方法.方法 首先,对股骨样本进行μMRI扫描,基于分区域图像处理的方法分割骨微结构,建立μMRI微有限元模型(μMRI模型),模拟侧向跌倒姿态进行有限元分析,计算应力和应变.其次,借助显微CT(μCT),验证μMRI图像分割骨微结构的准确性;基于μCT构建有限元模型(μCT模型),验证μMRI模型计算结果的准确性.最后,通过模拟侧向跌倒的离体力学加载实验和应变片测量,验证μMRI模型计算骨表面应变的准确性.结果 μMRI 与 μCT 模型计算得到的骨微结构参数 BV/TV 显著相关(r=0.89,P<0.05),μMRI模型和μCT模型计算得到的最大和最小主应力/主应变百分位数高度相关(R2>0.9).μMRI模型计算得到的应变与力学实验测量的应变高度相关(R2=0.82).结论 基于μMRI分割骨微结构建立的股骨近端微有限元模型可较为准确地表征股骨近端微观力学行为,研究结果为在体无创评估髋部股骨微结构退变和骨质疏松性骨折风险提供了重要工具.

Keyword ：

骨微结构 股骨 微计算机断层扫描 有限元分析 显微磁共振成像

Cite：

Copy from the list or Export to your reference management。

Abstract ：

本发明提出了一种利用像素权重提高伪标签置信度的半监督医学图像分割方法，包括下述步骤：采集2D磁共振成像医学图像；对图像进行裁剪，缩放，过滤处理，并添加随机扰动；为每个样本添加一个像素权重矩阵，将带有不同扰动的图片分别放入教师模型和学生模型中，让两个模型进行协同训练，直至收敛。本算法在mean‑teacher模型的基础上，使用伪标记图像结合标记图像来更新分割模型，并将教师和学生模型输出的置信度矩阵进行融合对比从而生成更高质量的伪标签。另为每一个图像添加一个像素权重矩阵，训练时更加关注分割有争议的部分，像素权重矩阵通过两个模型输出的概率分布和置信度矩阵来进行更新。本方法使用少量标注数据训练出分割模型。

Cite：

Copy from the list or Export to your reference management。

Abstract ：

研究海马亚区的放射组学特征是否可以作为诊断颞叶癫痫(temporal lobe epilepsy, TLE)患者的生物学标志物，并探索某些放射组学特征在分类中的重要性.实验纳入23例TLE患者和30例健康对照(healthy controls, HCs),对所有受试者进行结构磁共振成像(structural magnetic resonance imaging, sMRI)扫描，利用Freesurfer 7.2软件自动分割出海马亚区，3D slicer软件提取出每个亚区的放射组学特征，经过特征选择后采用支持向量机(support vector machine, SVM)对TLE组和HCs组进行分类.左侧海马体部齿状回颗粒细胞层(GC＿ML＿DG-body)的分类准确度最高，为79.25%;右侧海马头部的分子层(Molecular＿layer＿HP-head)的分类准确度最高，为79.25%.影响分类结果的重要特征中，二阶特征居多，其次是一阶特征和形状特征.海马亚区的放射组学特征有望作为生物学标志物识别颞叶癫痫，其中二阶特征是用于颞叶癫痫分类的重要特征.

Keyword ：

结构磁共振成像(sMRI) 海马亚区 分类 颞叶癫痫(TLE) 支持向量机(SVM) 放射组学

Cite：

Copy from the list or Export to your reference management。

Abstract ：

MRI作为乳腺疾病的重要影像检查方法之一，在乳腺癌早期检出和疗效预测中具有重要意义。目前，乳腺癌肿瘤大小的评估主要依据二维图像中包含的肿瘤直径、形态等信息，存在一定局限性，可重复性较低，预测准确性有待进一步提高。基于MRI动态增强测量肿瘤的体积等三维信息可以为乳腺癌病程的判断及新辅助化疗疗效的评估提供重要依据。目前，对乳腺癌肿瘤三维信息的测量依赖影像医师的经验且耗时较长。为提升测量准确度并降低时间成本，人工智能技术在乳腺MRI领域有着广阔的研究前景。鉴于此，本文就人工智能特别是深度学习技术在自动测量乳腺癌肿瘤体积中的研究和应用情况进行梳理，主要涉及图像分割、形态三维重建、可视化和容积测量几方面。本文为临床医生深入了解人工智能技术如何帮助乳腺肿瘤的自动化高精度测量提供精准材料，为信息技术人员理解如何将人工智能技术应用于乳腺肿瘤测量提供思路。

Keyword ：

磁共振成像 乳腺癌 乳腺肿瘤体积 三维重建技术 图像分割 深度学习

Cite：

Copy from the list or Export to your reference management。