简介：摘要大数据环境下肿瘤病例为肿瘤的临床诊断提供了庞大的数据资源，同时人工智能技术的发展促进深度学习应用水平不断提升，推动肿瘤MRI图像的快速、精准分类进入深度学习时代。本文主要分为以下四个部分，第一部分针对目前主流的深度学习MRI图像分类模型：卷积神经网络、深度信念网络、深度残差网络、Vision Transformer展开综述。首先，阐述了各模型的历史沿袭、最初针对的问题及主要思想；其次，概括了模型的网络架构并探讨其在MRI图像分类上的最新应用；然后，分析了模型的特点、目前存在的局限及各自发展趋势。第二部分论述了一些影响分类性能的关键因素；第三部分提出了一些广泛使用的性能增强技术；文章最后讨论了深度学习分类MRI图像在临床实践中面临的主要限制，并对未来研究方向进行展望。本文的结果可为研究人员提供一个全面的比较，以及各种深度学习模型的有效性，有望促进脑肿瘤研究的进展。

简介：摘要目的针对前列腺癌放疗，研究锥形束CT（CBCT）生成伪CT的深度学习方法，以满足自适应放疗的需要。方法纳入瓦里安On-Board Imager采集的74例前列腺癌患者的CBCT图像及其模拟定位CT图像，并使用MIM软件进行形变配准。将数据按简单随机法分为训练集（59例）和测试集（15例）。使用U-net、Pix2PixGAN和CycleGAN学习CBCT到模拟定位CT的映射。以形变配准后CT作为参考图像，评价平均绝对误差（MAE）、结构相似指数（SSIM）和峰值信噪比（PSNR）。另外单独分析了图像质量，包括软组织分辨率、图像噪声和伪影等。结果使用U-net、Pix2PixGAN和CycleGAN生成图像的MAE分别为（29.4±16.1）、（37.1±14.4）、（34.3±17.3）HU。在图像质量方面，U-net和Pix2PixGAN生成的图像存在过度模糊的问题，导致了图像失真；而CycleGAN生成的图像保留了CBCT图像结构且改善了图像质量。结论CycleGAN能有效地提高CBCT图像质量，有更大的潜力应用于自适应放疗中。

简介：摘要：为提高数据分析的准确度以及速度，引入卷积神经网络DL算法，开展对数据识别方法设计研究。分析对比实验结果得出，设计方法的识别结果相似度更高，识别误差更小，可以实现对数据识别准确度的提升。基于卷积结构的信号调制识别神经网络的识别性能受信号调制类型种类限制。

简介：摘要：近年来，社会进步迅速，我国的现代化建设的发展也有了进步。随着现在经济水平的提升，越来越多的人注重身体的体检。CT体检对于病变尤其是对早期病变的筛查体现的尤为重要。身体康健的人群的体检相比于门诊患者的检查，他们更注重检出的阳性病变，并且体检人群的检查具有一定的周期性，大幅度的剂量辐射很容易给身体带来无法逆转的损伤。近年来随着螺旋CT检查的普及和其对于微小病灶检出的敏感性，螺旋CT在胸部疾病的检查中越来越广泛，可是由于CT的辐射剂量相较于普通X线摄影要高出很多，在检查出微小病变的同时，较高的放射剂量也成为了诱发人体疾病的潜在危险因素。于是，在保证图像质量满足临床要求的前提下减少放射剂量已经成为当下热门的研究热点。降低辐射剂量的方法有很多如降低管电压、减低管电流、自动管电流调制技术、增加螺距等等，但都会出现图像噪声大的特点。

简介：摘要：电力设备的故障诊断与预测对于确保电网稳定运行至关重要。基于深度学习的方法近年来在此领域取得了显著进展。本文综述了深度学习在电力设备故障诊断与预测中的应用现状和发展趋势。首先介绍了电力设备故障的严重性和影响，然后概述了传统方法的局限性。接着详细讨论了深度学习的基本原理和常见模型，并阐述了其在电力设备故障诊断与预测中的应用。最后，总结了目前的挑战和未来的发展方向，为进一步研究提供了参考。

简介：摘要：病理图像是临床上确诊的黄金指标，但临床医生通常仅凭临床经验做出一些简单的判断，从而导致误诊。常规的染色方法不仅效率低，可靠性差，而且容易受到人的主观因素的干扰。基于此，本文对组织学病理图像在深度学习中染色处理及具体实现方法进行了研究，以期对后续相关工作做出参考。

简介：摘要目的探讨基于深度学习的快速磁敏感加权成像（SWI）评估急性缺血性卒中（AIS）的价值。方法回顾性分析2019年1月至2021年1月在解放军总医院第一医学中心接受MR检查并行SWI序列扫描且发病24 h内的AIS患者118例，其中男75例、女43例，年龄23~100（66±14）岁。采用MATLAB的randperm函数将118例患者以8∶2的比例分为训练集96例，测试集22例。另外收集MR-STARS研究招募的同一中心的47例AIS患者作为外部验证集，其中男38例、女9例，年龄16~75（58±12）岁。将SWI图像和滤波相位图像合并为复值图像作为全采样参考图像。对全采样参考图像进行回顾性欠采样以模拟实际欠采样过程，获得欠采样SWI图像，欠采样倍数为5倍，可节省80%的扫描时间；然后基于复值卷积神经网络（ComplexNet）的深度学习模型重建快速SWI数据。采用组内相关系数（ICC）或Kappa检验比较全采样SWI和基于ComplexNet的快速SWI的图像质量评分一致性及检出AIS患者磁敏感血栓征（SVS）、微出血、深部髓质静脉（DMVs）不对称的一致性。结果测试集中全采样SWI图像质量的评分为（4.5±0.6）分，基于ComplexNet的快速SWI图像质量评分为（4.6±0.7），两者一致性较好（ICC=0.86，P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.79，P<0.05）、微出血（Kappa=0.86，P<0.05）、DMVs不对称（Kappa=0.82，P<0.05）一致性较好。外部验证集中，全采样SWI图像质量的评分为（4.1±1.0）分，基于ComplexNet的快速SWI图像质量的评分为（4.0±0.9）分，两者一致性较好（ICC=0.97，P<0.05）；全采样SWI与基于ComplexNet的快速SWI检出AIS患者SVS（Kappa=0.74，P<0.05）、微出血（Kappa=0.83，P<0.05）和DMVs不对称（Kappa=0.74，P<0.05）的一致性较好。结论深度学习技术可显著加快SWI速度，且基于ComplexNet的快速SWI与全采样SWI的图像质量及检出AIS征象的一致性好，可应用于AIS患者的影像学评估。

简介：摘要术前是否存在淋巴结转移是影响直肠癌临床治疗决策和预后的主要因素之一，但现有的影像学标准难以准确判断淋巴结的良恶性，亟需新的方法来解决这一临床难题。近年来影像组学与深度学习在医学影像领域得到了广泛的关注，可自动检测与分割淋巴结、鉴别良恶性淋巴结及预测淋巴结转移的发生等，有望提高术前分期的准确性，进而指导治疗决策。然而不同的研究间结果差异性较大，其中一个重要的原因是各研究之间工作流程存在差异。只有明确、统一并标准化具体操作流程、开展大规模前瞻性外部验证才能实现人工智能辅助诊断模型的转化与推广。该文中以影像组学和深度学习的工作流程为线索，对其在评价直肠癌淋巴结状态方面的研究进行综述。

简介：摘要目的通过基于卷积神经网络深度学习方法从增强CT合成平扫CT图像，临床主观和客观评估合成平扫CT图像(DL-SNCT)与金标准平扫CT图像的相似性，探讨其潜在临床价值。方法同时行常规平扫和增强CT扫描的患者34例，通过深度学习模型将增强CT图像合成DL-SNCT图像，以平扫CT图像为金标准，主观评价DL-SNCT的图像质量(评价指标包括解剖结构清晰度、伪影、噪声、图像结构完整性、图像变形，均采用4分制)；利用配对t检验比较DL-SNCT与金标准平扫CT图像不同血供特点的解剖部位(主动脉、肾脏、肝实质、臀大肌)以及不同强化模式的肝脏病变(肝癌、肝血管瘤、肝转移瘤、肝囊肿)的CT值。结果主观评价上，DL-SNCT图像在伪影、噪声、图像结构完整性、图像变形方面评分都达到4分，与平扫CT图像评分相一致(P>0.05)；在解剖结构清晰度方面评分略低于平扫CT图像[(3.59±0.70)分vs. 4分)]，差异有统计学意义(Z＝－2.89，P <0.05)。对于不同解剖部位而言，DL-SNCT图像主动脉、肾脏的CT值显著高于平扫CT图像(t＝－12.89、－9.58，P <0.05)，而肝实质、臀大肌CT值与平扫CT图像差异无统计学意义(P>0.05)。对于不同强化模式肝脏病变而言，DL-SNCT图像肝癌、肝血管瘤、肝转移瘤的CT值显著高于平扫CT图像(t＝－10.84、－3.42、－3.98，P <0.05)，而肝囊肿CT值与平扫CT图像差异无统计学意义(P>0.05)。结论DL-SNCT在图像质量上以及一些强化方式比较单一的解剖部位的CT值已接近金标准平扫CT，但对于强化程度变化大的解剖部位，以及有着不同强化模式的肝脏病变，DL-SNCT在临床应用前还有很大的改进空间。

简介：【摘要】目的：分析深度学习视角下的临床与影像学复合型医学生培养模式及效果。方法：选择医学生作为观察对象，对照组采取常规影像学培养模式，观察组采取与临床知识整合培养模式，对比两组医学生的考核成绩及医学生对教学模式的满意度。结果：观察组理论及实践考核成绩分值比对照组高，p

简介：摘要：直肠癌手术前有无淋巴结转移是决定其疗效及预后的重要因素，而目前的影像学指标很难对其进行精确的定性，因此迫切需要寻找新的检测手段。影像组学和深度学习技术是近年来新兴的医疗成像技术，其能够实现对淋巴结及其良恶性进行识别，以及对淋巴结转移进行早期预测，为临床提供更准确的诊断和治疗方案。但是，由于各个研究的工作过程不一样，导致了不同研究的结果差别很大。只有对具体操作流程进行明确、统一和标准化，并开展大规模、前瞻性的外部验证，才能实现人工智能辅助诊断模型的转化和推广。本文中，以影像组学与深度学习为主线，回顾了其在评估直肠癌淋巴结状态中的应用。

简介：

简介：摘要目的研发基于人工智能深度学习技术的髋关节翻修术前CT影像分割算法，并进行验证及初步应用。方法回顾性分析2019年4月至2022年10月于中国人民解放军总医院收治的有清晰CT数据资料的翻修病例706例，其中男520例，年龄（58.45±18.13）岁；女186例，年龄（52.23±16.23）岁。均为单侧，左侧402髋、右侧304髋。搭建transformer_unet卷积神经网络并使用Tensorflow 1.15进行网络模型训练，实现对翻修髋关节CT影像的智能分割。基于已研发的全髋关节置换术三维规划系统，初步构建髋关节翻修手术智能规划系统。分别采用dice overlap coefficient（DOC）、average surface distance（ASD）、Hausdorff distance（HD）参数对transformer_unet、全卷积网络（fully convolutional networks，FCN）、2D U-Net、和Deeplab v3+的分割精度进行评估，统计分割耗时对上述网络的分割效率进行评估。结果与FCN、2D U-Net和Deeplab v3+学习曲线相比，transformer_unet网络可通过较少的训练量实现更优的训练效果。Transformer_unet的DOC为95%±4%，HD为（3.35±1.03） mm，ASD为（1.38±0.02） mm；FCN分别为94%±4%、（4.83±1.90） mm、（1.42±0.03） mm；2D U-Net分别为93%±5%、（5.27±2.20） mm、（1.46±0.02） mm；Deeplab v3+分别为92%±4%、（6.12±1.84） mm、（1.52±0.03） mm。Transformer_unet各系数均优于其他三种卷积神经网络，差异有统计学意义（P<0.05）。在分割时间方面，transformer_unet分割耗时为（0.031±0.001） s，FCN为（0.038±0.002） s，2D U-Net为（0.042±0.001） s，Deeplab v3+为（0.048±0.002） s。Transformer_unet分割耗时少于其他三种卷积神经网络，差异有统计学意义（P<0.05）。将transformer_unet与全髋关节置换术三维规划系统相结合，可初步完成髋关节翻修手术智能规划系统的构建。结论与FCN、2D U-Net和Deeplab v3+相比，transformer_unet卷积神经网络可更精准、高效地完成对翻修髋关节CT影像的分割，有望为人工智能髋关节翻修手术术前规划及手术机器人相关领域的研究提供技术支撑。

简介：

简介：摘要目的采用深度迁移学习方法实现基于正位X线图像的股骨头坏死（osteonecrosis of femoral head，ONFH）、发育性髋关节发育不良（developmental dysplasia of hip，DDH）与其他常见髋关节疾病的鉴别诊断。方法回顾性收集2018年1月至2020年12月在广州中医药大学第一附属医院就诊的ONFH、DDH及原发性髋关节骨关节炎、非感染性炎性髋关节病、股骨颈骨折等髋关节疾病患者的髋关节正位X线图像，建立临床数据集。通过图像旋转、翻转形式的数据增强方法扩展数据集，然后将数据集随机平分为训练集和测试集。将可迁移归一化技术引入ResNet-152深层神经网络模型，替换原有的批归一化技术，建立新的深度迁移学习模型。通过训练集训练该模型，随后评价该模型在测试集基于髋关节正位X线图像实现人工智能区分ONFH、DDH及其他髋关节疾病的效果。结果临床数据集共纳入1 024髋的正位X线图像，共计542髋ONFH、296髋DDH、186髋其他髋关节疾病（原发性骨关节炎56髋、非感染性炎性髋关节病85髋、股骨颈骨折45髋）。通过数据增强方法扩展为包含6 144髋的数据集。在训练集上对深度迁移学习模型进行100 050次训练。该模型区分ONFH及其他髋关节疾病的二分类准确率最佳值达95.80%，区分ONFH、DDH及其他髋关节疾病的三分类准确率最佳值达91.40%。模型重复训练至50 000次后分类准确率达到平台期。二分类及三分类任务平台期的准确率平均为95.35%[95%CI（95.33%，95.37%）]和90.85%[95%CI（90.82%，90.87%）]。结论深度迁移学习模型在初诊环节，可基于简便、经济的正位X线图像区分ONFH、DDH与其他的常见髋关节疾病。

简介：摘要近年来，随着人工智能，特别是深度学习技术的发展，基于医学影像的脑血管病自动化检测研究获得了较大进展并逐渐进入临床应用。然而，由于深度学习算法的复杂性和灵活性，各研究在模型构建、验证、性能描述和可解释性方面存在差异，缺乏对此类深度学习模型可靠、一致的规范化设计，在一定程度上影响了自动化影像检测研究的转化应用和技术发展。中国医师协会放射医师分会在广泛调研的基础上，组织国内专家广泛讨论，对基于深度学习的脑血管病自动化影像检测模型研究需要完成的关键步骤和内容的规范设计提出了建议。随着研究的深入及应用的拓展，该建议将持续更新，并逐渐扩展到该类临床应用工具的可推广性、临床应用效能、产品化等方面的评估。

简介：

简介：

简介：

简介：摘要：医疗设备是医疗机构中必不可少的一部分，设备管理的规范化和有效性对于医疗机构的运营和患者的治疗至关重要。完好的医疗设备管理系统基于云计算和物联网技术，可以实现对医疗设备的远程监控和管理，包括设备信息管理、设备状态监测、设备计量管理、设备更新管理和数据分析管理等模块。该系统具有智能化、信息化和可持续发展等特点，可以提高医疗设备的管理效率和准确性，为医疗机构的设备管理和更新提供决策依据，进而提高医疗质量和安全水平。系统的实施和维护需要相关人员的支持和配合，需要建立健全的管理机制和工作流程，确保系统的可持续发展。