基于智能影像基因组学技术的阿尔茨海默病预测进展

 阿尔茨海默病（AD）起病隐匿,目前尚无有效控制病情进展以及治疗的药物或方法。在其发病轻度认知功能障碍阶段早期预测进行干预,则能有效控制其病程。从基于脑影像组学特征的AD早期临床诊断、基于人工智能影像组学技术的AD早期预测两个方面综述了AD的早期诊断与预测研究进展,提出结合多模脑核磁共振影像特征和组学特征,在深度学习的框架下,将影像学和基因组学联系在一起,构造高分类与预测性能的深度学习模型,可为AD早期筛查并干预提供支持。     

基于MRI影像组学的BI-RADS 3-5类乳腺病变三分类

医生根据磁共振影像征象对患者的乳腺病变程度进行BI-RADS分类评估时存在一定的主观性,且 BI-RADS 3-5类病变的良恶性存在交叉,在临床诊断时极易发生因诊断类别较高而造成不必要的有创治疗．针对这些问题,本文应用影像组学技术对乳腺的T₁加权（T1W）和动态对比增强（DCE）磁共振图像进行特征提取和融合,采用最小绝对收缩和选择算子（LASSO）算法筛选出各特征集的最优特征集,并分别使用支持向量机（SVM）、随机森林（RF）、K最近邻（KNN）及逻辑回归（LR）算法进行BI-RADS 3-5类乳腺病变三分类,并且在此基础上实现乳腺良恶性分类．结果显示基于特征融合的四个影像组学模型对乳腺病变BI-RADS 3-5类的分类准确率分别为81.25%、87.50%、78.38%、81.25%;对乳腺病变良恶性鉴别的准确率分别为90.91%、93.55%、92.73%、94.55%. 这表明MRI影像组学结合机器学习的算法对乳腺病变BI-RADS分类效果及良恶性鉴别效果均较好,且特征融合可进一步提高分类预测的准确率．     

基于影像组学与集成学习的脑胶质瘤分级预测

脑胶质瘤的术前分级对治疗决策和预后评估至关重要. 为了提高分级精度, 提出了一种基于影像组学和集成学习的无创胶质瘤术前分级方法. 首先, 从不同序列的感兴趣区域提取428个影像组学特征, 采用递归特征消除算法进行特征选择, 采用6种不同的机器学习算法对脑胶质瘤进行分级, 并对各自的性能进行评估; 然后, 根据评估结果, 选取逻辑回归、决策树和多层感知机3种分类器作为脑胶质瘤分级预测的机器学习算法; 最后, 将3种分类器的输出采用投票方式进行集成, 并评估硬投票机制与软投票机制的性能. 实验结果表明, 对于数据集BraTS2019, 基于硬投票机制的集成学习算法的性能较好, 受试者工作特性曲线下面积为0.933±0.031, 准确度为0.886±0.048, 敏感度为0.872±0.077, 特异度为0.905±0.105. 该方法不仅能增加胶质瘤分级模型的可解释性, 而且可以提高分级精度.     

基于活动轮廓模型和影像组学的乳腺癌LVI状态预测

针对乳腺癌患者术前LVI状态预测问题，提出了活动轮廓模型和影像组学相结合的计算机辅助分析方法.首先，提出一种基于后验概率和模糊速度函数的活动轮廓模型方法来完成乳腺癌DCE-MRI图像分割.通过在小波域下构建基于后验概率的活动轮廓模型的区域项，同时利用模糊速度函数构建活动轮廓模型的边界项，可以提高乳腺癌病灶分割的准确性.其次，提取形态、灰度、纹理等图像特征，利用集成分类器随机森林方法构造LVI状态的预测模型.实验结果表明，所构建的模型对乳腺癌患者LVI状态具有较好的预测能力.     

基于新型支持向量机的影像组学在肝脏结节分类中的应用

肝癌是最常见的恶性肿瘤之一,亚洲地区最为常见的肝癌演变过程为肝炎-肝硬化结节-异型增生结节-肝细胞性肝癌．判断肝脏结节在演变过程所处分期,并采取干预措施,对降低肝癌的发生率非常关键．本文针对影像组学提出了更精确的支持向量机（SVM）分类算法——LFOA-F-SVM,用于对120名患者的腹部动态增强磁共振图像的肝脏结节进行四分类．该算法利用了考虑半径与几何间距的F-SVM,并结合莱维飞行策略（LF）的果蝇优化算法（FOA）寻求超参．为了验证方法的有效性,本文另外添加了5个UCI分类数据集（心脏、帕金森疾病、虹膜、葡萄酒和动物园）,并与SVM、PSO-SVM、FOA-SVM、F-SVM进行比较．结果表明,在6个分类数据集（包括肝脏结节数据集和5个UCI分类数据集）中,相对于其他分类算法,LFOA-F-SVM的分类准确率最高,在肝脏结节数据集中的四分类精确率和查全率也较高．     

超声和磁共振成像在胎盘植入产前诊断应用的系统评价

为评价超声(Ultrasound, US)和磁共振成像(Magnetic Resonance Imaging, MRI)在胎盘植入(Placenta Accreta, PA)产前诊断上的应用价值, 就近年来US和MRI在PA产前诊断的研究进展进行了综述, 并展望了该领域未来的研究方向. 首先, 总结分析了PA在US成像和MRI中的表现, 且对两者的诊断性能进行了比较, 得出两者在诊断的准确性上无显著差异, US成像仍是主要的筛查工具, MRI作为辅助手段在识别PA的形貌和深度以及描述胎盘后壁方面具有较大优势; 然后, 提出了目前PA产前诊断所面临的挑战, 对新研究方向及发展趋势进行了展望, 分析了机器学习结合影像组学在PA产前诊断上的应用, 认为该应用具有重大意义, 可使诊断结果更加准确, 同时可为临床医生进行多学科管理和早期制定方案提供更有价值的参考.