检索结果-维普期刊中文期刊服务平台

CT影像组学鉴别脊柱骨岛与成骨型转移癌被引量：3: 1; 作者温馨左立平 +7 位作者王勇田子玉卢飞石硕常玲玉纪宇张冉于德新《中国医学影像技术》 CSCD 北大核心 2024年第5期758-763,共6页; 目的观察CT影像组学鉴别脊柱骨岛(BI)与成骨型转移癌(OBM)的价值。方法回顾性分析来自3个医疗机构的98例BI患者109个病灶及158例OBM患者282个病灶(包括48例肺癌103个转移灶、52例乳腺癌86个转移灶及58例前列腺癌93个转移灶);以机构1数... 展开更多; 关键词脊柱骨硬化肿瘤转移影像组学体层摄影术 X线计算机; 在线阅读下载PDF 职称材料

高分辨率CT影像组学分类诊断类风湿关节炎相关间质性肺疾病的效能被引量：2: 2; 作者柳洪亚祝洁 +3 位作者刘晨钟兵敬洋邹庆华《陆军军医大学学报》 CAS CSCD 北大核心 2024年第8期878-885,共8页; 目的探究高分辨率CT(high-resolution computed tomography,HRCT)影像组学用于分类诊断类风湿关节炎相关间质性肺疾病(rheumatoid arthritis associated interstitial lung disease,RA-ILD)的效能。方法筛选陆军军医大学第一附属医院中... 展开更多; 关键词影像组学机器学习类风湿关节炎间质性肺疾病; 在线阅读下载PDF 职称材料

基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究被引量：3: 3; 作者黄坚余卓 +2 位作者徐璐周海春俞刚《磁共振成像》 CAS CSCD 北大核心 2023年第1期54-60,共7页; 目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎... 展开更多; 关键词儿童疾病病毒性脑炎磁共振成像 SE-ResNet 深度学习分类模型早期诊断; 在线阅读下载PDF 职称材料

基于胸部CT图像和临床特征构建预测COVID-19并发心肌损伤的分类模型及其效能对比被引量：1: 4; 作者王荣华王司琪 +3 位作者余卓李瑞武志峰郭东强《放射学实践》 CSCD 北大核心 2024年第12期1585-1592,共8页; 目的:基于胸部CT图像和临床资料构建并验证针对新型冠状病毒肺炎(COVID-19)患者并发心肌损伤的早期预测模型。方法:回顾性搜集2022年11月-2023年2月在本院行胸部CT平扫检查并经实验室确诊为COVID-19的382例住院患者的病例资料。定义高... 展开更多; 关键词新型冠状病毒肺炎心肌损伤深度学习体层摄影术 X线计算机影像组学预测模型; 在线阅读下载PDF 职称材料

人工智能骨密度测量系统与QCT测量骨密度的一致性研究被引量：2: 5; 作者陈刘萍余卓 +2 位作者潘亚玲王晗琦陆勇《中国医学计算机成像杂志》 CSCD 北大核心 2023年第2期178-183,共6页; 目的:评估基于胸部低剂量CT的人工智能(AI)骨密度测量系统与定量CT (QCT)测定骨密度的相关性和一致性,并评估其诊断骨质疏松症的有效性。方法:回顾性纳入1 427名接受了低剂量胸部CT检查的健康体检者,分别使用AI骨密度测量系统和QCT测量... 展开更多; 关键词定量CT 骨密度骨质疏松人工智能; 在线阅读下载PDF 职称材料

题名CT影像组学鉴别脊柱骨岛与成骨型转移癌被引量：3: 1; 作者温馨左立平王勇田子玉卢飞石硕常玲玉纪宇张冉于德新; 机构山东大学齐鲁医院放射科滨州市第二人民医院放射科潍坊医学院医学影像学院山东大学第二医院放射科慧影医疗科技(北京)股份有限公司; 出处《中国医学影像技术》 CSCD 北大核心 2024年第5期758-763,共6页; 文摘目的观察CT影像组学鉴别脊柱骨岛(BI)与成骨型转移癌(OBM)的价值。方法回顾性分析来自3个医疗机构的98例BI患者109个病灶及158例OBM患者282个病灶(包括48例肺癌103个转移灶、52例乳腺癌86个转移灶及58例前列腺癌93个转移灶);以机构1数据为内部数据集并按7∶3比例分为内部训练集与内部验证集,以机构2、3数据作为外部数据集;并以性别分为女性数据子集(包括肺癌与乳腺癌OBM)及男性数据子集(包括肺癌与前列腺癌OBM)。基于CT图像提取、筛选影像组学特征并构建支持向量机(SVM)模型,包括模型1(鉴别BI与OBM)、模型2(鉴别女性肺癌与乳腺癌OBM)及模型3(鉴别男性肺癌与前列腺癌OBM)。绘制受试者工作特征曲线,计算曲线下面积(AUC),评估并比较模型1、单一CT值及3名医师(甲、乙、丙)鉴别BI与OBM的效能,以及模型2、3鉴别不同OBM的效能。结果模型1鉴别内部训练集、内部验证集及外部数据集脊柱OBM与BI的AUC分别为0.99、0.98及0.86。针对内部训练集,模型1鉴别BI与OBM的AUC高于医师甲(AUC=0.78)、乙(AUC=0.87)、丙(AUC=0.93)及单一平均CT值(AUC=0.78,P均<0.05)。模型2鉴别内部训练集、内部验证集及外部数据集女性肺癌与乳腺癌OBM的AUC分别为0.79、0.75及0.73;模型3鉴别各集男性肺癌与前列腺癌OBM的AUC分别为0.77、0.74和0.77。结论根据CT影像组学SVM模型能可靠鉴别BI与OBM。; 关键词脊柱骨硬化肿瘤转移影像组学体层摄影术 X线计算机; Keywords spine osteosclerosis neoplasm metastasis radiomics tomography,X-ray computed; 分类号 R681.5 [医药卫生—骨科学] R445.3 [医药卫生—影像医学与核医学]; 在线阅读下载PDF 职称材料

题名高分辨率CT影像组学分类诊断类风湿关节炎相关间质性肺疾病的效能被引量：2: 2; 作者柳洪亚祝洁刘晨钟兵敬洋邹庆华; 机构陆军军医大学(第三军医大学)第一附属医院中医与风湿免疫科陆军军医大学(第三军医大学)第一附属医院放射科慧影医疗科技(北京)股份有限公司AI创新中心; 出处《陆军军医大学学报》 CAS CSCD 北大核心 2024年第8期878-885,共8页; 基金陆军军医大学优秀人才库重点扶持对象个性化培养(XA-2019-505-404) 重庆市科卫联合中医药科研项目重点项目(2024ZYZD007)。; 文摘目的探究高分辨率CT(high-resolution computed tomography,HRCT)影像组学用于分类诊断类风湿关节炎相关间质性肺疾病(rheumatoid arthritis associated interstitial lung disease,RA-ILD)的效能。方法筛选陆军军医大学第一附属医院中医与风湿免疫科2019年1月至2023年7月收治的RA-ILD患者病例261例,其中寻常型间质性肺炎(usual interstitial pneumonia,UIP)143例,非特异性间质性肺炎(nonspecific interstitial pneumonia,NSIP)118例,所有患者行HRCT,在HRCT图像上应用U-net深度学习肺分割模型进行自动肺分割,从每个肺分割中提取1688个影像组学特征。逐级使用方差阈值法、单变量特征选择法、最小绝对收缩和选择算子(least absolute shrinkage and selection operator,LASSO)进行特征降维,采用多种机器学习算法构建RA-ILD分类诊断影像组学模型。分别采用受试者工作特性(receiver operating characteristic,ROC)曲线和曲线下面积(area under curve,AUC)比较各模型的诊断价值,同时对模型的准确度、敏感度和特异度进行评估。结果从RA-ILD患者HRCT图像中通过特征筛选法最终选定18个最佳特征。在训练集和测试集中UIP和NSIP的放射评分(radiomics score,Radscore)分布差异有统计学意义(P<0.01)。在5种影像组学模型中,支持向量机(the support vector machine,SVM)算法的训练集AUC为0.943(95%CI 0.916~0.966,灵敏度和特异度分别为0.787、0.912),测试集AUC为0.909(95%CI 0.849~0.969;灵敏度和特异度分别为0.625、0.897)。结论本研究构建的RA-ILD分类诊断模型性能良好,且基于SVM算法构建的模型在分类诊断RA-ILD中显示最佳潜能。; 关键词影像组学机器学习类风湿关节炎间质性肺疾病; Keywords radiomics machine learning rheumatoid arthritis interstitial lung disease; 分类号 R563.13 [医药卫生—呼吸系统] R593.22 [医药卫生—内科学] R814.42 [医药卫生—影像医学与核医学]; 在线阅读下载PDF 职称材料

题名基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究被引量：3: 3; 作者黄坚余卓徐璐周海春俞刚; 机构浙江大学医学院附属儿童医院数据信息部浙江-芬兰儿童健康人工智能联合实验室慧影医疗科技(北京)股份有限公司科研部浙江大学医学院附属儿童医院神经内科浙江大学医学院附属儿童医院放射科; 出处《磁共振成像》 CAS CSCD 北大核心 2023年第1期54-60,共7页; 基金国家重点研发计划(编号:2019YFE0126200) 国家自然科学基金面上项目(编号:62076218)。; 文摘目的构建基于卷积神经网络的儿童病毒性脑炎MRI分类与早期诊断模型,探讨其对儿童病毒性脑炎早期诊断、精准治疗和改善患儿预后的价值。材料与方法收集浙江大学医学院附属儿童医院2020至2022年期间颅脑MRI影像数据1077例,其中病毒性脑炎患儿577例,非病毒性脑炎儿童500例。运用卷积神经网络中的Squeeze-and-Excitation Residual Networks(SE-ResNet)模型构建儿童病毒性脑炎MRI分类与早期诊断模型并与Convolutional Block Attention Module Residual Networks(CBAM-ResNet)、Mobile Networks(MobileNet)、Residual Networks(ResNet)、Shuffle Networks(ShuffleNet)模型进行了对比。结果所有模型在训练集上都达到了收敛。SE-ResNet、CBAM-ResNet、MobileNet和ShuffleNet模型在训练集训练100轮后准确率都达到90%以上,而只有CBAM-ResNet模型和本研究选用的SE-ResNet模型在验证集上同样取得了90%以上的准确率。在测试集上,CBAM-ResNet具有最高的准确率73.91%,ResNet具有最高的召回率75.45%,但只有本文所用SE-ResNet模型在准确率和召回率都达到较高水平,并且取得最好的F1得分和曲线下面积(area under the curve,AUC)值:准确率为70.83%,召回率为72.73%,AUC为0.77,F1得分为0.7183。结论运用人工智能技术结合MRI实现儿童病毒性脑炎早期诊断是可行的,本研究为进一步实现全面的儿童脑炎早期诊断、精准治疗和改善脑炎患儿预后提供了理论和应用基础。; 关键词儿童疾病病毒性脑炎磁共振成像 SE-ResNet 深度学习分类模型早期诊断; Keywords childhood diseases viral encephalitis magnetic resonance imaging Squeeze-and-Excitation Residual Networks deep learning classification models early diagnosis; 分类号 R445.2 [医药卫生—影像医学与核医学] R725.1 [医药卫生—儿科]; 在线阅读下载PDF 职称材料

题名基于胸部CT图像和临床特征构建预测COVID-19并发心肌损伤的分类模型及其效能对比被引量：1: 4; 作者王荣华王司琪余卓李瑞武志峰郭东强; 机构山西白求恩医院(山西医学科学院同济山西医院)/山西医科大学第三医院放射科慧影医疗科技(北京)股份有限公司; 出处《放射学实践》 CSCD 北大核心 2024年第12期1585-1592,共8页; 基金山西白求恩医院/山西医学科学院“新冠感染应急攻关科研专项”基金(2023xg06-2)。; 文摘目的:基于胸部CT图像和临床资料构建并验证针对新型冠状病毒肺炎(COVID-19)患者并发心肌损伤的早期预测模型。方法:回顾性搜集2022年11月-2023年2月在本院行胸部CT平扫检查并经实验室确诊为COVID-19的382例住院患者的病例资料。定义高敏肌钙蛋白水平(Hs-cTnI)高于17.5 pg/mL为心肌损伤。其中,心肌损伤组143例,非心肌损伤组239例。分析两组患者的一般临床资料、实验室检查结果及胸部CT图像上四项定量参数值(包括升主动脉直径、肺动脉干直径、肺部炎症指数及肺部感染占比)的差异。入组患者以8∶2的比例随机纳入训练集(306例)和验证集(76例)。基于CT定量参数、临床指标和两者的组合,采用机器学习中的逻辑回归算法分别构建预测心肌损伤的CT模型、临床模型及CT-临床联合模型;此外,采用深度学习方法构建并验证基于CT图像的预测模型,输出热力图可视化深度学习模型关注的影像区域是否包含临床关注的异常影像区域,以评估模型的可解释性及合理性。在验证集中通过受试者工作特征曲线下面积(AUC)对所构建的各种模型的预测效能进行对比分析。结果:深度学习模型在预测COVID-19相关心肌损伤方面的效能最高,在验证集的AUC为0.970,高于CT放射学模型(AUC=0.735)、临床模型(AUC=0.907)和CT-临床联合模型(AUC=0.920)。热力图显示模型认为与心肌损伤分类相关的图像区域与CT图像上肺部异常表现区在视觉上具有良好的主观一致性。结论:基于胸部CT图像的深度学习模型为COVID-19相关心肌损伤的预测提供了一种及时、无创且较准确的手段,可为临床医师进行准确的患者分层和决策提供额外信息。; 关键词新型冠状病毒肺炎心肌损伤深度学习体层摄影术 X线计算机影像组学预测模型; Keywords Coronavirus Disease 2019 Myocardial injury Deep learning Tomography,X-ray computed Radiomics Prediction model; 分类号 R814.42 [医药卫生—影像医学与核医学] R542.2 [医药卫生—心血管疾病] R563.1 [医药卫生—呼吸系统]; 在线阅读下载PDF 职称材料

题名人工智能骨密度测量系统与QCT测量骨密度的一致性研究被引量：2: 5; 作者陈刘萍余卓潘亚玲王晗琦陆勇; 机构上海交通大学医学院附属瑞金医院放射科慧影医疗科技(北京)股份有限公司浙江省人民医院放射科; 出处《中国医学计算机成像杂志》 CSCD 北大核心 2023年第2期178-183,共6页; 基金上海市自然科学基金(21ZR1439800)。; 文摘目的:评估基于胸部低剂量CT的人工智能(AI)骨密度测量系统与定量CT (QCT)测定骨密度的相关性和一致性,并评估其诊断骨质疏松症的有效性。方法:回顾性纳入1 427名接受了低剂量胸部CT检查的健康体检者,分别使用AI骨密度测量系统和QCT测量T12、L1、L2椎体骨密度。采用线性回归分析和Bland-Altman法评价2种方法测定骨密度的相关性和一致性。以QCT结果为参考标准,绘制受试者工作特征(ROC)曲线评估AI骨密度测量系统诊断骨质疏松的准确性。结果:2种方法测量T12、L1和L2骨密度的相关系数分别为0.988、0.992、0.990;2种方法测量的骨密度差值分别为2.96 (95%CI 2.62~3.31)、1.46(95%CI 1.18~1.74)、1.61 (95%CI 1.30~1.92)mg/cm3,大部分位于均值±1.96SD范围内。AI系统预测骨密度用于诊断骨质疏松的ROC曲线下面积为0.996 (95%CI 0.994~0.998;P<0.001),灵敏度为0.989,特异度为0.905。结论:AI骨密度测量系统与QCT测定骨密度具有高度相关性及一致性,可有效诊断骨质疏松症。; 关键词定量CT 骨密度骨质疏松人工智能; Keywords Quantitative computed tomography Bone mineral density Osteoporosis Artificial intelligence; 分类号 R445.2 [医药卫生—影像医学与核医学]; 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	CT影像组学鉴别脊柱骨岛与成骨型转移癌	温馨左立平王勇田子玉卢飞石硕常玲玉纪宇张冉于德新	《中国医学影像技术》 CSCD 北大核心	2024	3	在线阅读下载PDF 职称材料
2	高分辨率CT影像组学分类诊断类风湿关节炎相关间质性肺疾病的效能	柳洪亚祝洁刘晨钟兵敬洋邹庆华	《陆军军医大学学报》 CAS CSCD 北大核心	2024	2	在线阅读下载PDF 职称材料
3	基于卷积神经网络的儿童病毒性脑炎磁共振影像分类与早期诊断研究	黄坚余卓徐璐周海春俞刚	《磁共振成像》 CAS CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
4	基于胸部CT图像和临床特征构建预测COVID-19并发心肌损伤的分类模型及其效能对比	王荣华王司琪余卓李瑞武志峰郭东强	《放射学实践》 CSCD 北大核心	2024	1	在线阅读下载PDF 职称材料
5	人工智能骨密度测量系统与QCT测量骨密度的一致性研究	陈刘萍余卓潘亚玲王晗琦陆勇	《中国医学计算机成像杂志》 CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料