基于集成学习的PET/CT混合成像肺癌检测

提出了一种基于多模态多尺度的Mask R-CNN集成学习模型对PET/CT混合成像进行人工智能肺癌检测。首先，通过5个深度学习模型对肺癌候选区进行提取。5个深度学习模型通过对不同尺度及不同模态训练数据进行Mask R-CNN迁移学习生成。然后利用集成学习方法将5个Mask R-CNN模型进行加权投票，有效减少假阳性数量，最终实现肺癌确诊。实验数据包括69例肺癌患者及11例正常例，训练数据集包括1242个肺癌横断面；验证数据包括270个横断面，其中58个PET肺癌横断面和58个CT肺癌横断面，77个PET正常横断面和77个CT正常横断面。该方法的F-score、Precision和Recall为0.95、0.90和1,与单模型和现有方法相比，本文方法对于PET/CT混合成像的肺癌检测具有更强的有效性，可以为医生提供有意义的辅助诊断信息.     

肝脏肿瘤高分辨魔角旋转质子波谱分析

应用高分辨魔角旋转质子核磁共振波谱分析了正常肝脏（9例）、良性肿瘤（7例）及肝细胞癌（9例）代谢物变化. 半定量分析表明,肝细胞癌组织的甘氨酸、牛黄酸、胆碱、谷氨酸盐、丙氨酸、缬氨酸及乳酸明显高于正常对照和良性肝脏肿瘤组织. 实验结果表明肝细胞癌的代谢特征不同于正常肝脏和良性肝脏肿瘤. 不同肝脏组织的代谢改变可以通过高分辨魔角旋转质子核磁共振波谱检测.