0
点赞
收藏
分享

微信扫一扫

深度学习依旧火热,共 5篇医学影像+人工智能相关研究

佳简诚锄 2021-09-19 阅读 92
日记本

本期文献一共5篇,简要汇总如下:

P1: Generative Adversarial Networks to Synthesize Missing T1 and FLAIR MRI Sequences for Use in a Multisequence Brain Tumor Segmentation Model

概要

1、背景:缺失的MRI序列成为了需要多个输入的深度学习(DL)模型的开发和使用中的一个障碍。

2、目的:确定使用生成性对抗网络(GANs)合成脑MRI图像是否允许使用DL模型进行脑病变分割,该模型需要T1加权图像、对比后T1加权图像、流体衰减反转恢复(FLAIR)图像和T2加权图像。

3、材料和方法:在这项回顾性研究中,收集了2011年至2019年获得的脑MRI扫描,并模拟了T1加权图像和FLAIR图像缺失的场景。使用210个胶质母细胞瘤(GBMs)(多模态脑肿瘤图像分割基准[BRATS]2017)训练、验证和测试了两个GANs,从对比后的T1加权图像和T2加权图像中生成T1加权图像和FLAIR图像。用均方误差(MSE)和结构相似度指数(SSI)评估生成图像的质量。使用dice similarity coefficient(DSC)将生成的扫描得到的分割与原始MRI扫描得到的分割进行比较。GANs在数据集GBMs和中枢神经系统淋巴瘤数据集中进行验证,以评估其通用性。统计分析使用Mann-Whitney、Friedman和Dunn检验。

4、结论:在MRI序列缺失的情况下,使用生成式对抗网络生成的脑MRI扫描可以作为深度学习模型的输入。

P2: Added Value of Deep Learning–based Detection System for Multiple Major Findings on Chest Radiographs: A Randomized Crossover Study

概要

1、背景:以往评估计算机辅助检测对观察者阅读胸部X光片表现的影响的研究采用了顺序阅读设计,可能会因为阅读顺序或回忆偏差而使结果出现偏差。

2、目的:在随机交叉设计中,比较观察者在是否有基于深度学习的检测(DLD)系统辅助的情况下,在胸部X光片上检测和定位主要异常发现(包括结节、合并、间质性不透明、胸腔积液和气胸)的表现。

3、材料与方法:本研究纳入了2016年1月至2017年12月期间回顾性收集的正常和异常胸部X光片(https://cris.nih.go.kr/;注册号:KCT0004147)。将X光片随机分为两组和6名观察员,包括胸腔放射科医生,通过使用带有washout period的交叉设计,在没有使用和使用市售DLD系统的情况下解释每张X光片。通过使用McNemar和配对t检验,比较了使用和不使用DLD系统的观察者的Jackknife alternative free-response receiver operating characteristic(JAFROC)figure of merit(FOM)、接收器操作特征曲线下的面积(AUC)、灵敏度、特异性、每幅图像的假阳性结果和读取时间。

4、结论:包括胸科放射科医生在内的观察者在使用基于深度学习的检测系统后,在检测和定位胸部X光片上的主要异常结果方面表现出更高的性能,并减少了阅读时间。

P3: Assessing Rectal Cancer Treatment Response Using Coregistered Endorectal Photoacoustic and US Imaging Paired with Deep Learning

概要

1、背景:传统的放射学模式在放射直肠中表现不佳,往往无法区分残余癌和治疗疤痕。

2、目的:评估和报告一成像系统的性能和初步患者研究,以评估其在直肠癌治疗反应中的前景。该系统由直肠配准的光声(PA)显微镜(PAM)和US系统构成,并搭载卷积神经网络(CNN)。

3、材料和方法:在这项前瞻性研究中(ClinicalTrials.gov标识符NCT04339374),参与者在2019年9月至2020年9月完成了放疗和化疗,并在手术前用PAM/US系统获得图像。另一组的结直肠标本进行了体内外研究。PAM/US系统由一个直肠内膜成像探头、一个1064-nm激光器和一个US环形换能器组成。训练和验证了PAM CNN和US CNN模型,以使用体外和体内患者数据区分正常和恶性结直肠组织。然后使用额外的体内患者数据对PAM CNN和US CNN进行测试,这些数据在训练和验证期间没有被CNN使用过。

4、结论:直肠PAM/US系统与卷积神经网络模型配对,在评估直肠癌治疗反应方面表现出很高的诊断性能,并显示出优化治疗后管理的潜力。

P4: Deep Learning–based Angiogram Generation Model for Cerebral Angiography without Misregistration Artifacts

概要

1、背景:数字减影血管造影(DSA)通过从动态血管造影中减去一个掩膜图像生成图像。然而,患者运动引起的错误配准伪影可能导致不清晰的DSA图像,中断程序。

2、目的:训练并验证一个基于深度学习(DL)的模型,以直接从动态血管造影中生成DSA类脑血管造影,然后定量并直观地评估这些血管造影的临床实用性。

3、材料和方法:对2019年1月至2019年4月连续收集的动态和DSA图像对进行了回顾性模型开发和验证研究。首先由两位放射科医生对每个患者的血管图进行分离,并将其分类到错误配准测试数据集。非错误配准的血管造影按照每个患者8:1的比例分为开发数据集和外测数据集。开发数据集按每个患者3:1的比例分为训练数据集和验证数据集。用训练数据集建立DL模型,用验证数据集进行调优,然后用外部测试数据集进行定量评价,用误配准测试数据集进行直观评价。定量评价采用峰值信噪比(PSNR)和结构相似度(SSIM)与混合liner模型。视觉评价采用数字评分表进行。

4、结论:基于深度学习的模型提供了临床有用的脑血管造影图,直接从动态血管造影图中摆脱了临床显著的伪影。

P5: Development and Validation of a Radiomics Model for Differentiating Bone Islands and Osteoblastic Bone Metastases at Abdominal CT

概要

1、背景:诊断硬化性骨病变以确定治疗策略非常重要。

2、目的:评估基于CT放射影像学的机器学习模型对区分骨岛和骨质增生性骨转移的诊断性能。

3、材料和方法:在这项回顾性研究中,纳入了2015年至2019年期间在两个不同机构中的任何一个接受造影剂增强腹部CT并被诊断为骨岛或骨转移的患者:机构1为训练集,机构2为外部测试集。对放射学特征进行提取。使用10个选定的特征建立随机森林(RF)模型,并进行后续的10倍交叉验证。在测试阶段,用外部测试集对RF模型进行测试。三位放射科医生对测试集的CT图像进行了审查。计算了模型和三位放射科医生各自的灵敏度、特异性、准确度和接收器工作特征曲线下面积(AUC)。对放射学模型和放射学家的AUC进行了比较。

4、结论:基于CT放射组学的随机森林模型被证明对区分骨岛和骨转移有用,并且与没有经验的放射科医生相比,显示出更好的诊断性能。

本月文章,除了以上5篇人工智能相关的研究,还有一些新方向的研究值得推荐,这里就不解读了,直接截图供大家学习。

1、弹力成像在前列腺癌中的应用。


2、APTw可以检测myelin了,这个绝对是一个新的应用场景。


3、resting-state fmri 可以用来评估脑血管反应了,脑血管病的研究是个非常大的热点,但是适合的磁共振成像技术不对,这算一个不错的应用。


4、MRS在区分白色脂肪和棕色脂肪的应用。


https://t.1yb.co/lUW2点击链接 阅读原文!

举报

相关推荐

0 条评论