简介：摘要本研究回顾性分析了198例女性患者的乳腺动态增强磁共振成像（DCE-MRI）图像序列，年龄21~79（45.5±13.7）岁。以病理检查为金标准，采用深度学习方法建立CBAM-ResNet自动分类模型，统计图像级别的分类结果，同时结合集成学习思想得到患者个体的分类结果。基于残差网络的CBAM-ResNet分类模型在单张图像层面对乳腺肿瘤的分类准确率达到82.69%，灵敏度为85.67%。采用投票机制后，在患者层面的分类准确率为88.24%，灵敏度为87.50%。试验结果表明该分类算法具有较高的诊断准确率。
简介：摘要颅内动静脉分流性病变是颅内动静脉间存在异常直接连接的一类疾病，颅内动静脉分流可使患者脑血流动力学发生改变，引发颅内出血而致残致死。动脉自旋标记（ASL）是一种无创的磁共振技术，无需注射对比剂即可获取脑血流信息，在颅内动静脉分流性疾病的诊断、评估和随访中具有独特价值。本文从ASL技术、ASL在颅内动静脉分流中的诊断价值、颅内动静脉畸形（AVM）术前评估、识别颅内硬脑膜动静脉瘘（DAVF）皮质静脉引流、颅内AVM、DAVF的治疗后随访5个方面，就ASL成像的基本原理及其在颅内动静脉分流性病变中的应用进行综述。
基于动态增强磁共振成像的人工智能乳腺肿瘤良恶性分类分析
动脉自旋标记磁共振技术在颅内动静脉分流性病变中的应用
