期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于Vgg16-Unet模型的MRI图像下前列腺分区智能分割研究
被引量：
5
1
作者
呼延若曦
吴哲
+5 位作者
许杉杉
崔慧林
曹锡梅
马晋锋
吴毅
顾玮
《陆军军医大学学报》
CAS
CSCD
北大核心
2023年第13期1441-1449,共9页
目的基于前列腺核磁共振图像(MRI),构建深度学习智能分割模型,展开MRI图像下前列腺分区的智能分割研究。方法收集山西省肿瘤医院2018年1月至2020年10月33例经MRI扫描的前列腺癌患者T2WI本地数据,包括T1期6例,T2期15例,T3期9例,T4期3例...
目的基于前列腺核磁共振图像(MRI),构建深度学习智能分割模型,展开MRI图像下前列腺分区的智能分割研究。方法收集山西省肿瘤医院2018年1月至2020年10月33例经MRI扫描的前列腺癌患者T2WI本地数据,包括T1期6例,T2期15例,T3期9例,T4期3例。选取荷兰奈梅亨拉德堡德大学医学中心提供的前列腺MRI公开数据集中前列腺癌患者的T2WI序列数据,共379例数据,所有数据按照7∶1∶2的比例随机划分为训练集265例、验证集38例和测试集76例。在Unet模型基础上以Vgg16模型为编码器,使用多层卷积层的同时利用迁移学习策略,构建Vgg16-Unet模型,以医师手工勾画和标注的前列腺分区(前纤维基质带、中央带、外周带、移形带)为金标准,在测试集上,采用Dice相似系数(Dice similarity coefficient,DSC)、95%豪斯多夫距离(95%Hausdorff surface Distance,HD95)评估模型对前列腺分区的分割精度。结果模型在测试集上对前纤维基质带、中央带、外周带、移形带实现了较为准确的分割,其平均DSC分别为56.95%、47.28%、80.78%、90.63%,平均HD95分别为20.84、20.02、15.39、11.20 mm。模型智能分割与手工标注测量的体积一致性较好,其差值均位于95%一致性区间内。结论构建的Vgg16-Unet模型分割精度优于Unet、Unet++、ResUnet++3个Unet经典变种网络,能够显著提高前列腺癌MRI图像分割效率,减轻医师工作量。
展开更多
关键词
深度学习
前列腺肿瘤
智能分割
核磁共振成像
在线阅读
下载PDF
职称材料
基于深度学习的MRI图像下前列腺癌T分期诊断研究
被引量：
3
2
作者
许杉杉
呼延若曦
+6 位作者
吴哲
刘小兵
姚洁
崔慧林
马晋峰
吴毅
曹锡梅
《陆军军医大学学报》
CAS
CSCD
北大核心
2023年第11期1229-1236,共8页
目的通过与Dense-Net、Res-Net和Vision-Transformer(ViT)网络比较,探讨Swin-Transformer(SwinT)网络在前列腺癌MRI图像T分期诊断中的优势。方法收集2018年4月至2022年1月期间山西省肿瘤医院和陆军军医大学第二附属医院共152例经病理活...
目的通过与Dense-Net、Res-Net和Vision-Transformer(ViT)网络比较,探讨Swin-Transformer(SwinT)网络在前列腺癌MRI图像T分期诊断中的优势。方法收集2018年4月至2022年1月期间山西省肿瘤医院和陆军军医大学第二附属医院共152例经病理活检证实的前列腺癌患者的MRI图像,包括T2WI和fT2WI两种序列共计3017幅。依据临床T分期报告,将患者图像分为2类:低中危组(T≤T2c)和高危组(T≥T3a),并将所有患者按照7∶1∶2的比例简单随机划分为训练集(n=107)、验证集(n=15)和测试集(n=30)用于训练智能T分期诊断模型。采用准确度、精确度、混淆矩阵、受试者工作特征曲线(ROC)以及ROC曲线下面积(AUC)等参数评估各网络的诊断效能。结果在低中危组和高危组的二分类中,Dense-Net、Res-Net、ViT以及SwinT网络模型训练集中精确率分别为0.587、0.410、0.600、0.680,以及AUC分别为0.630、0.477、0.648、0.708。SwinT网络模型热力图的注意力主要集中在前列腺区域,特征提取效果最好。结论相比Dense-Net、Res-Net及ViT网络,SwinT网络在前列腺癌MRI图像分类任务中取得了最优的预测性能,可用于前列腺癌T分期的智能诊断,提高诊疗效率。
展开更多
关键词
深度学习
前列腺癌
T分期诊断
分类
磁共振成像
在线阅读
下载PDF
职称材料
题名
基于Vgg16-Unet模型的MRI图像下前列腺分区智能分割研究
被引量：
5
1
作者
呼延若曦
吴哲
许杉杉
崔慧林
曹锡梅
马晋锋
吴毅
顾玮
机构
重庆大学医学院
重庆大学生物工程学院
陆军军医大学(第三军医大学)生物医学工程与影像医学系数字医学教研室
山西医科大学组织胚胎学教研室
山西省肿瘤医院普外科
出处
《陆军军医大学学报》
CAS
CSCD
北大核心
2023年第13期1441-1449,共9页
基金
国家自然科学基金面上项目(31971113)
重庆市科技英才项目(CQYC201905037)。
文摘
目的基于前列腺核磁共振图像(MRI),构建深度学习智能分割模型,展开MRI图像下前列腺分区的智能分割研究。方法收集山西省肿瘤医院2018年1月至2020年10月33例经MRI扫描的前列腺癌患者T2WI本地数据,包括T1期6例,T2期15例,T3期9例,T4期3例。选取荷兰奈梅亨拉德堡德大学医学中心提供的前列腺MRI公开数据集中前列腺癌患者的T2WI序列数据,共379例数据,所有数据按照7∶1∶2的比例随机划分为训练集265例、验证集38例和测试集76例。在Unet模型基础上以Vgg16模型为编码器,使用多层卷积层的同时利用迁移学习策略,构建Vgg16-Unet模型,以医师手工勾画和标注的前列腺分区(前纤维基质带、中央带、外周带、移形带)为金标准,在测试集上,采用Dice相似系数(Dice similarity coefficient,DSC)、95%豪斯多夫距离(95%Hausdorff surface Distance,HD95)评估模型对前列腺分区的分割精度。结果模型在测试集上对前纤维基质带、中央带、外周带、移形带实现了较为准确的分割,其平均DSC分别为56.95%、47.28%、80.78%、90.63%,平均HD95分别为20.84、20.02、15.39、11.20 mm。模型智能分割与手工标注测量的体积一致性较好,其差值均位于95%一致性区间内。结论构建的Vgg16-Unet模型分割精度优于Unet、Unet++、ResUnet++3个Unet经典变种网络,能够显著提高前列腺癌MRI图像分割效率,减轻医师工作量。
关键词
深度学习
前列腺肿瘤
智能分割
核磁共振成像
Keywords
deep learning
prostate tumor
intelligent segmentation
magnetic resonance image
分类号
R312 [医药卫生—基础医学]
R445.2 [医药卫生—影像医学与核医学]
R737.25 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
基于深度学习的MRI图像下前列腺癌T分期诊断研究
被引量：
3
2
作者
许杉杉
呼延若曦
吴哲
刘小兵
姚洁
崔慧林
马晋峰
吴毅
曹锡梅
机构
山西医科大学组织胚胎学教研室
陆军军医大学(第三军医大学)生物医学工程与影像医学系数字医学教研室
陆军军医大学(第三军医大学)第二附属医院泌尿外科
山西省肿瘤医院普外科
出处
《陆军军医大学学报》
CAS
CSCD
北大核心
2023年第11期1229-1236,共8页
基金
国家自然科学基金项目(31971113)
重庆市科技英才项目(CQYC201905037)
+1 种基金
陆军科技人才工程项目(91003201901973)
陆军军医大学第二附属医院青博项目(2022YQB043)。
文摘
目的通过与Dense-Net、Res-Net和Vision-Transformer(ViT)网络比较,探讨Swin-Transformer(SwinT)网络在前列腺癌MRI图像T分期诊断中的优势。方法收集2018年4月至2022年1月期间山西省肿瘤医院和陆军军医大学第二附属医院共152例经病理活检证实的前列腺癌患者的MRI图像,包括T2WI和fT2WI两种序列共计3017幅。依据临床T分期报告,将患者图像分为2类:低中危组(T≤T2c)和高危组(T≥T3a),并将所有患者按照7∶1∶2的比例简单随机划分为训练集(n=107)、验证集(n=15)和测试集(n=30)用于训练智能T分期诊断模型。采用准确度、精确度、混淆矩阵、受试者工作特征曲线(ROC)以及ROC曲线下面积(AUC)等参数评估各网络的诊断效能。结果在低中危组和高危组的二分类中,Dense-Net、Res-Net、ViT以及SwinT网络模型训练集中精确率分别为0.587、0.410、0.600、0.680,以及AUC分别为0.630、0.477、0.648、0.708。SwinT网络模型热力图的注意力主要集中在前列腺区域,特征提取效果最好。结论相比Dense-Net、Res-Net及ViT网络,SwinT网络在前列腺癌MRI图像分类任务中取得了最优的预测性能,可用于前列腺癌T分期的智能诊断,提高诊疗效率。
关键词
深度学习
前列腺癌
T分期诊断
分类
磁共振成像
Keywords
deep learning
prostate cancer
T stage diagnosis
classification
MRI
分类号
R319 [医药卫生—基础医学]
R730.42 [医药卫生—肿瘤]
R737.25 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于Vgg16-Unet模型的MRI图像下前列腺分区智能分割研究
呼延若曦
吴哲
许杉杉
崔慧林
曹锡梅
马晋锋
吴毅
顾玮
《陆军军医大学学报》
CAS
CSCD
北大核心
2023
5
在线阅读
下载PDF
职称材料
2
基于深度学习的MRI图像下前列腺癌T分期诊断研究
许杉杉
呼延若曦
吴哲
刘小兵
姚洁
崔慧林
马晋峰
吴毅
曹锡梅
《陆军军医大学学报》
CAS
CSCD
北大核心
2023
3
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
