目的:对比健康志愿者WibergⅢ型及稳定型髌骨内、外关节面软骨的厚度、T2值及合成磁共振定量值(T1、T2、PD值),分析髌软骨MRI定量的差异。方法:采用GE premier 3.0T合成磁共振成像技术、T_(2)-mapping技术对97例健康志愿者行膝关节扫描;...目的:对比健康志愿者WibergⅢ型及稳定型髌骨内、外关节面软骨的厚度、T2值及合成磁共振定量值(T1、T2、PD值),分析髌软骨MRI定量的差异。方法:采用GE premier 3.0T合成磁共振成像技术、T_(2)-mapping技术对97例健康志愿者行膝关节扫描;据Wiberg分型标准,将髌骨分为Ⅰ-Ⅲ型;Ⅰ-Ⅱ型纳入稳定型髌骨组,Ⅲ型髌骨纳入不稳定髌骨组。由2位放射诊断医师独立测量软骨的厚度、T2值及合成磁共振定量值,并对结果一致性进行检测;最终评估及比较不同类型髌骨测量值的差异。结果:与稳定组相比,WibergⅢ型髌骨内侧面软骨厚度明显较薄(P<0.05),髌内侧面软骨T2值(T_(2)-mapping)及合成磁共振T2、PD值均较低,差异有统计学意义(P<0.05);髌内侧面软骨T1值差异无统计学意义(P>0.05)。WibergⅢ型及稳定组髌骨外侧面软骨厚度、软骨T1、T2及PD值差异均无统计学意义(P>0.05)。结论:与稳定性髌骨相比,WibergⅢ型髌骨内侧面软骨厚度、部分软骨MRI定量值均存在差异。髌软骨MRI定量研究需要考虑髌骨形态的影响。展开更多
目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进...目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5~15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137~0.928),Dice值大于0.941,Spearman相关系数大于0.969。结论:通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。展开更多
文摘目的:对比健康志愿者WibergⅢ型及稳定型髌骨内、外关节面软骨的厚度、T2值及合成磁共振定量值(T1、T2、PD值),分析髌软骨MRI定量的差异。方法:采用GE premier 3.0T合成磁共振成像技术、T_(2)-mapping技术对97例健康志愿者行膝关节扫描;据Wiberg分型标准,将髌骨分为Ⅰ-Ⅲ型;Ⅰ-Ⅱ型纳入稳定型髌骨组,Ⅲ型髌骨纳入不稳定髌骨组。由2位放射诊断医师独立测量软骨的厚度、T2值及合成磁共振定量值,并对结果一致性进行检测;最终评估及比较不同类型髌骨测量值的差异。结果:与稳定组相比,WibergⅢ型髌骨内侧面软骨厚度明显较薄(P<0.05),髌内侧面软骨T2值(T_(2)-mapping)及合成磁共振T2、PD值均较低,差异有统计学意义(P<0.05);髌内侧面软骨T1值差异无统计学意义(P>0.05)。WibergⅢ型及稳定组髌骨外侧面软骨厚度、软骨T1、T2及PD值差异均无统计学意义(P>0.05)。结论:与稳定性髌骨相比,WibergⅢ型髌骨内侧面软骨厚度、部分软骨MRI定量值均存在差异。髌软骨MRI定量研究需要考虑髌骨形态的影响。
文摘目的:采用深度学习方法,通过人在回路的方式进行迭代式标注-训练,建立垂体分割模型,实现垂体体积人工智能(AI)测量。方法:将1285例颅脑3D T 1WI图像按5~15岁、16~25岁、26~50岁、51~70岁年龄段分组,每个年龄组随机选择80例,分成4批次进行试验。初始每组选择3例图像进行人工预标注神经垂体和腺垂体,输入计算机进行学习,获取初始模型。应用模型对一批数据进行分割,获得分割后的神经垂体、腺垂体与垂体总体积数据,将分割结果进行人工校准,获得校准后相对应的体积数据作为金标准。用前一组校准后的分割图像进行计算机迭代式学习优化模型,再用优化后模型对新一组图像分割与校准,重复上述过程,最终将校准前后差异没有统计学意义的数据认定深度学习建模成功。数据采用配对t检验、Dice和Spearman相关性分析进行统计。结果:从第2批次开始,除5~15岁年龄段外,其它年龄段神经垂体体积在校准前后的差异没有统计学意义,腺垂体与垂体总体积的差异有统计学意义(P<0.05)。第4批次,各年龄段神经垂体、腺垂体与垂体总体积在校准前后的差异均无统计学意义(P=0.137~0.928),Dice值大于0.941,Spearman相关系数大于0.969。结论:通过迭代式训练进行深度学习建模可构建垂体分割模型,实现垂体体积AI自动测量。
