基于增强CT影像组学模型在胃神经鞘瘤与不同危险度分级胃间质瘤鉴别诊断中的价值

这是一篇关于胃神经鞘瘤,胃间质瘤,危险度分级,鉴别诊断,计算机断层成像,影像组学的论文, 主要内容为目的:建立基于增强CT影像组学模型,评价其在胃神经鞘瘤(gastric schwannoma,GS)与不同危险度分级胃间质瘤(gastrointestinal stromal tumor,GIST)鉴别诊断中的价值。方法:收集我院自2015年8月至2021年11月经术后病理证实的GS患者26例,GIST患者82例。所有入组患者术前均未接受抗肿瘤治疗,于术前均接受腹部增强CT检查。根据术后病理,参照《中国临床肿瘤学会(CSCO)胃肠间质瘤诊疗指南2022》中原发胃间质瘤危险度分级标准,本组82例GIST患者中,极低危7例,低危22例,中危26例,高危27例,将极低危和低危患者划分为低恶性潜力GIST组29例,中危和高危患者划分为高恶性潜力GIST组53例。将入组患者按7:3的比例分为训练集和验证集。记录患者的临床特征(年龄、性别、有无消化道出血),分析肿瘤的CT影像特征,包括:肿瘤位置(胃底、胃体、胃窦),长径,形状(规则或不规则),生长方式(腔内、腔外或腔内外),有无瘤内出血,有无溃疡,有无囊变,有无液化坏死,有无钙化,密度是否均匀,边界是否清楚,平扫CT值,动脉期CT值,静脉期CT值,动脉期CT值净增值,静脉期CT值净增值,肿瘤强化方式(均匀或不均匀),以及瘤周最大淋巴结短径。对上述特征进行单因素、多因素逻辑回归分析,筛选鉴别GS与GIST的独立预测因素。使用ITK-SNAP软件,在静脉期薄层图像进行全瘤手动分割,提取影像组学特征,通过单因素分析、相关性分析、LASSO回归及多因素逐步回归进行特征筛选,保留具有独立影响因子的影像组学特征。基于临床特征、CT影像特征建立传统模型,基于影像组学特征建立影像组学模型,联合上述特征建立组合模型,评估各模型鉴别GS和GIST的诊断效能,及其在鉴别GS与不同危险度分级GIST的诊断效能。结果:训练集77例,包括GS 19例、GIST 58例,其中低恶性潜力GIST 21例,高恶性潜力GIST 37例;验证集31例,包括GS 7例、GIST 24例,其中低恶性潜力GIST 8例,高恶性潜力GIST 16例。(1)肿瘤位置、长径、有无囊变、有无液化坏死、密度是否均匀、静脉期CT值、动脉期CT值净增值、强化是否均匀在训练集GS和GIST之间的差异有统计学意义(r均<0.05)。其中肿瘤位置、有无囊变、动脉期CT值净增值及强化是否均匀是鉴别GS与GIST的独立预测因素,据此建立传统模型,其在训练集和验证集AUC分别为0.939、0.869,准确率分别为0.818、0.774。(2)共提取影像组学特征1595个,最终保留了 8个影像组学特征构建影像组学模型。其在训练集和验证集AUC分别为0.949、0.839,准确率分别为 0.922、0.774。(3)将传统特征中的肿瘤位置、有无囊变、动脉期CT值净增值、强化是否均匀及影像组学模型输出的放射组学分数(rad-score)进行多因素逐步回归。肿瘤位置、动脉期CT值净增值、强化是否均匀以及rad-score是鉴别GS与GIST的独立预测因素,据此构建组合模型,其在训练集和验证集AUC分别为0.989、0.964,准确率分别为0.961、0.871。(4)使用综合判别改善指数(Integrated DiscriminationImprovement,IDI)对传统模型、影像组学模型以及组合模型的诊断效能进行比较,结果显示:组合模型鉴别GS与GIST的诊断效能高于传统模型(IDI=0.2538,r<0.05),组合模型较传统模型的诊断效能为正改进。在训练集和验证集中,三种模型的DCA曲线均高于两条参考线,组合模型临床净收益均高于传统模型。(5)在训练集及验证集中,传统模型、影像组学模型、组合模型鉴别GS与高恶性潜力GIST的诊断效能多高于鉴别GS与低恶性潜力GIST的诊断效能。组合模型鉴别GS与高恶性潜力GIST、GS与低恶性潜力GIST的诊断效能均高于传统模型(IDI=0.2418,r<0.05;IDI=0.2749,r<0.05)。结论:1.肿瘤位置、动脉期CT值净增值、强化是否均匀以及rad-score是鉴别GS与GIST的独立预测因素。2.基于CT影像特征和影像组学特征的组合模型鉴别GS与GIST、GS与不同危险度分级GIST的诊断效能高于传统模型,或可成为术前准确鉴别胃神经鞘瘤与胃间质瘤的无创、精准的新方法。

基于多参数MRI影像组学在乳腺病变良恶性分类及BI-RADS量化评分中的应用研究

这是一篇关于磁共振成像,乳腺良恶性病变,影像组学,模型量化的论文, 主要内容为目的:探讨比较基于多参数磁共振成像的影像组学模型、临床模型及组学-临床联合模型对乳腺良恶性病变的鉴别诊断价值,并以优势模型的输出结果进行乳腺影像报告与数据系统(Breast Imaging Reporting and Data System,BI-RADS)量化评分,为临床决策提供可行性依据。方法:回顾性收集2016年1月至2020年1月在我院行乳腺磁共振成像(Magnetic resonance imaging,MRI)检查并在检查后二周内进行手术或穿刺活检的患者病历资料,最终纳入132名标准患者134个病灶。因良性病灶(n=43)、恶性病灶(n=91)之间的分布欠均匀,所以先对样本进行合成少数类过采样技术(Synthetic minority oversampling technique,SMOTE)进行平衡处理,然后将纳入的所有病灶随机按7:3的比例分成训练组和测试组。一方面通过3Dslicer(4.13.0版本)勾画感兴趣区(Region of interest,ROI),经开源软件python(3.9.7版本)里的包Pyradiomics提取各序列病灶的影像特征从而得到五个数据集,分别是Tirm数据集、ADC数据集、增强第一期数据集、增强第三期数据集及延迟期数据集,逐步运用方差分析、单因素分析、随机森林、最小绝对收缩和选择算子(Least absolute shrinkage and selection operator,LASSO)进行降维,根据各变量的加权系数计算模型得分,依次建立单序列组学得分模型及组合序列组学得分模型。另一方面在训练组中对临床及影像学特征进行单因素分析后再进行多因素Logistic回归分析,筛选P<0.05的变量构建临床模型,最后构建组学-临床联合的列线图模型。采用受试者工作特性曲线(Receiver operating characteristic curve,ROC)和Hosmer-Lemeshow检验分析两个数据集内各模型的区分度和校准度,计算ROC的曲线下面积(Area under the curve,AUC)、敏感度、特异度、准确度。使用Delong检验比较组合序列组学得分模型、临床模型、组学-临床联合模型之间的AUC的差异。采用决策曲线分析法(Decision curve analysis,DCA)评估列线图模型净收益。最后以优势模型的输出结果进行BI-RADS量化评分,以指导临床决策。结果:训练组单序列组学得分模型中,基于延迟期的组学得分模型AUC值最大,为0.952(95%置信区间:0.900-0.982),组合序列的组学得分模型中基于Delayed＿ADC＿dyna VIEW3的AUC值最大,为0.964(95%置信区间:0.915-0.989),但经过Delong检验,其与基于Delayed＿ADC的模型无统计学差异(P=0.372)。对临床及一般影像特征进行多因素Logistic回归分析显示年龄(OR=1.111,95%置信区间为1.020-1.211,P=0.016)及毛刺(OR=9.210,95%置信区间为4.916-17.261,P<0.001)具有组间统计学差异,以此构建临床模型,得到的AUC为0.919(95%置信区间:0.857-0.960)。将组学得分与年龄及毛刺纳入,构建组学-临床联合模型,得到的AUC为0.986(95%置信区间:0.947-0.999)。比较三个模型可以看出组学-临床联合模型的AUC值最大,经过Delong检验,其与基于仅临床和仅组学得分模型间均有统计学差异(P值分别为0.001、0.036)。测试组中组学得分模型、临床模型、组学-临床联合模型的AUC值均低于训练组,分别为0.735(95%置信区间:0.599-0.845)、0.887(95%置信区间:0.773-0.957)、0.890(95%置信区间:0.776-0.958)。Hosmer-Lemeshow检验表明训练组和测试组组学-临床联合模型拟合均较好,而且训练组更佳。决策曲线分析结果表明,训练组中联合模型有较高的净获益,测试组中阈值概率小于0.8时可以获得正向净获益,但稍低于训练组,阈值概率在0.8-0.9时可能获得负向净获益。在训练组对预测概率p进行分类:(1)BI-RADS 3类:0

基于MRI影像组学预测垂体大腺瘤术前血供及术后复发的价值

这是一篇关于垂体腺瘤,血供,影像组学,磁共振成像,复发的论文, 主要内容为第一部分基于MRI影像组学模型术前预测垂体大腺瘤血供的价值目的:基于MRI影像组学模型在术前预测垂体大腺瘤血供的价值的研究方法:回顾性分析2013年4月～2022年6月在皖南医学院第一附属弋矶山医院131例经病理确诊的垂体大腺瘤(最大径大于10mm)患者的临床和影像资料。根据术中所见将其分为血供丰富组45例,血供一般组86例。按照完全随机的方法将所有患者以7:3的比例分为训练组(n=93例)和验证组(n=38例)。所有患者均行垂体增强磁共振扫描。使用ITK-SNAP软件,分别在冠状T1WI、T2WI与T1WI增强图像上手动分割方法逐层勾画病灶的感兴趣区(ROI)然后进行三维融合,然后导入AK软件中提取病灶的各期纹理特征。采用最小冗余最大相关(mRMR)和最小绝对值收敛和选择算子(LASSO)进行纹理特征的筛选降维并建立影像组学标签,计算每例患者的分值,通过100次留组交叉验证(LGOCV)判定模型的可靠性。通过多因素Logistic回归分析建立包括差异有统计学意义的临床及影像特征的常规模型,以及联合影像组学模型所建立的综合模型。绘制受试者工作特征曲线(ROC曲线)评价模型的诊断效能,并绘制决策曲线分析(DCA)评估模型的临床净收益。结果:T1WI、T2WI、T1WI增强及联合序列影像组学模型在训练组中的AUC分别为0.82、0.78、0.87、0.88,在验证组中分别为0.84、0.79、0.83、0.86。常规模型、综合诊断模型在训练组中的AUC分别为0.67、0.88,验证组中分别为0.82、0.86。常规模型预测垂体大腺瘤血供的效能较差,联合模型及T1WI增强序列影像组学的预测效能较高,DCA显示联合模型的临床净收益优于常规模型。结论:影像组学模型具有较高的预测垂体大腺瘤血供的价值,其性能优于临床医生通过肉眼观察对MRI图像的判断,且具有较好的临床净收益,够为临床决策提供有效指导作用。第二部分基于MRI影像组学模型预测垂体大腺瘤术后复发的价值目的:探讨基于MRI影像组学模型预测垂体大腺瘤术后复发的价值。方法:回顾性搜集2013年4月～2022年6月在皖南医学院第一附属弋矶山医院经病理确诊断的102例垂体大腺瘤(最大径大于10mm)患者的临床和影像资料。所有患者随访一年以上后参照2019版《中国复发性垂体腺瘤诊治专家共识》将其分为复发组31例,未复发组71例。按照完全随机的方法将所有患者以7:3的比例分为训练组(n=72例)和验证组(n=30例)。所有患者均行垂体增强磁共振扫描。使用ITK-SNAP软件,分别在冠状T1WI、T2WI与T1WI增强图像上手动分割方法逐层勾画病灶的感兴趣区(ROI)然后进行三维融合,然后导入AK软件中提取病灶的各期纹理特征。采用最小冗余最大相关(mRMR)和最小绝对值收敛和选择算子(LASSO)进行纹理特征的筛选降维并建立影像组学标签,计算每例患者的分值,通过100次留组交叉验证(LGOCV)判定模型的可靠性。通过多因素Logistic回归分析建立包括差异有统计学意义的临床及影像特征的常规模型,以及联合影像组学模型所建立的综合模型。绘制受试者工作特征曲线(ROC曲线)评价模型的诊断效能,并绘制决策曲线分析(DCA)评估模型的临床净收益。结果:T1WI、T2WI、T1WI增强及联合序列影像组学模型在训练组中的AUC分别为0.83、0.87、0.87、0.89,在验证组中分别为0.77、0.83、0.79、0.85。常规模型、综合诊断模型在训练组中的AUC分别为0.84、0.96,验证组中分别为0.86、0.87。综合模型预测垂体大腺瘤术后复发的效能最高,DCA显示综合模型的临床净收益均优于常规模型及影像组学模型。结论:影像组学模型及基于临床、常规MRI特征及纹理特征构建的综合模型均具有较高的预测垂体大腺瘤术后复发的价值,且具有较好的临床净收益,影像组学能够为临床决策提供有效指导作用。

基于甲状腺乳头状癌超声影像组学-迁移学习模型预测颈部中央区淋巴结转移的研究

这是一篇关于甲状腺乳头状癌,颈部淋巴结转移,中央区淋巴结,影像组学,迁移学习的论文, 主要内容为【目的】探讨基于超声影像组学、迁移学习及超声影像组学-迁移学习组合的模型对甲状腺乳头状癌患者颈部中央区淋巴结转移的诊断效能。【方法】1.回顾性分析昆明医科大学第二附属医院2020年1月至2022年10月,经术前细针穿刺活检或术后组织病理学诊断为甲状腺乳头状癌的191例患者的超声图像。所有患者行甲状腺全切术/甲状腺次全切除术+中央区淋巴结预防性清扫手术,术后病理诊断明确中央区淋巴结是否存在转移。2.根据术前超声医师诊断甲状腺乳头状癌患者颈部中央区淋巴结是否转移与术后组织病理学结果进行对比,计算术前超声医师诊断颈部中央区淋巴结转移的准确度、灵敏度和特异度。3.所有患者均经过严格的纳入及排除标准,收集入组患者超声扫查所示的结节大小、位置、纵横比、边界、边缘、内部回声、甲状腺包膜侵犯和微钙化,以及患者的临床资料如年龄、性别、是否合并桥本甲状腺炎病史。利用t检验及卡方检验,以P<0.05具有统计学显著性差异,筛选出与颈部中央区淋巴结转移相关的危险因素。4.将具有统计学显著性差异的临床及超声影像的危险因素纳入分析,基于5种机器学习方法:支持向量机、K近邻、极度随机树、随机森林和XGBoost bosting方法,建立临床-超声特征预测模型。比较5种模型的准确度和AUC值,选出性能最佳的模型。5.建立超声影像组学模型。应用3D Slicer 4.11软件对病灶最佳切面的声像图进行手工勾画感兴趣区域,使用以Python为基础的Py Radiomics平台从每个感兴趣区域提取影像组学特征,以ICCs、U-test、Spearman相关系数和LASSO算法用于影像组学特征筛选。采用5种机器学习算法进行模型构建,利用模型的准确度和AUC值对模型进行评价和筛选。6.构建迁移学习模型。采用Medical Net预训练的Res Net34算法提取特征,再采用与影像组学相同的方法对特征进行筛选。利用相同的5种机器学习算法进行建模,利用各模型AUC值与准确度对预测效能进行评估。7.构建超声影像组学-迁移学习模型。通过结合影像组学和迁移学习的图像特征,釆用5种机器学习算法进行建模,根据各模型的准确度和AUC值,筛选预测性能最佳的模型。8.比较临床-超声特征模型以及基于图像特征的模型包括超声影像组学模型、迁移学习模型和超声影像组学-迁移学习模型的AUC值、准确度、灵敏度和特异度,评估颈部中央区淋巴结转移的预测效能;利用四种模型的临床决策曲线评价模型的临床实用性。9.采用多元Logistic回归方法,以超声图像特征最优模型和临床-超声特征模型为基础,建立颈部中央区淋巴结转移预测模型的诺模图,将模型可视化,并通过绘制校准曲线评估模型的校准度,绘制决策曲线评估模型的临床实用性。【结果】1.191例甲状腺乳头状癌患者中,术前超声医师提示颈部中央区淋巴结有转移的32例,无转移者159例;术后病理组织学诊断结果显示,颈部中央区淋巴结转移的90例,无转移的101例。2.根据术前超声医师诊断甲状腺乳头状癌患者颈部中央区淋巴结转移的结果与术后病理组织学诊断结果对比,得出超声医师诊断191例甲状腺乳头状癌患者颈部中央区淋巴结转移的准确度、灵敏度、特异度分别为62.3%、27.8%和93.1%。3.根据独立样本t检验及卡方检验,筛选出P<0.05的3个危险因素:年龄、结节最大径和内部回声,甲状腺乳头状癌患者颈部中央区淋巴结的转移与患者年龄相关,年轻患者(年龄<40岁)更易于发生颈部中央区淋巴结的转移,年龄与中央区淋巴结转移呈负相关。结节最大径和内部回声是淋巴结转移的超声特征危险因素,结节最大径>1cm和结节内部不均质回声更易于发生颈部中央区淋巴结的转移,而结节最大径≤1cm和均质回声的结节发生转移的概率较小。4.根据筛选出的相关危险因素即年龄、结节最大径和内部回声,建立临床-超声特征模型,基于支持向量机、K近邻、随机森林、极度随机树和XGBoost bosting方法的临床-超声特征模型的AUC值分别为0.754、0.790、0.635、0.651、0.729;准确度分别为63.2%、73.6%、63.1%、60.5%、52.6%。其中基于K近邻构建的模型AUC值和准确度最高,模型的预测效能最佳。5.191例甲状腺结节的图像中,影像组学从每个感兴趣区域提取出439个特征,通过特征筛选,最终保留5个系数不为0的特征,基于支持向量机、K近邻、随机森林、极度随机树和XGBoost bo??sting方法的影像组学模型AUC值分别为0.775、0.572、0.708、0.611、0.723;准确度分别为71.1%、60.5%、57.9%、60.5%、71.1%。支持向量机构建的影像组学模型的AUC最佳,因此,选择支持向量机作为构建模型的机器学习方法。6.迁移学习从每一例甲状腺结节图像中提取出100个图像特征,基于以上5种机器学习方法构建迁移学习模型,各模型的预测效能AUC分别为0.822、0.667、0.844、0.783、0.681;准确度分别为76.3%、57.9%、73.7%、68.4%、55.2%;提示模型性能最佳的是支持向量机构建的模型。7.结合超声影像组学和迁移学习特征,建立模型预测甲状腺乳头状癌患者颈部中央区淋巴结转移,基于支持向量机、K近邻、随机森林、极度随机树和XGBoost bosting方法的模型AUC分别为:0.872、0.800、0.694、0.704、0.619;准确度分别为73.6%、76.3%、68.4%、65.7%、52.6%。因此,使用支持向量机算法的超声影像组学-迁移学习模型的AUC值最高。8.基于支持向量机构建的超声图像特征模型:超声影像组学、迁移学习和超声影像组学-迁移学习的模型性能最佳,选择支持向量机作为构建模型的机器学习方法,对四种特征模型进行性能的对比,其临床-超声特征模型、超声影像组学模型、迁移学习模型和超声影像组学-迁移学习模型的测试集AUC分别为0.754、0.775、0.822和0.872,超声影像组学-迁移学习模型的预测性能最佳。四种模型的决策曲线均高于两条参考线,表示此四种模型均具有较好的临床实用性。9.基于包括年龄、结节最大径和内部回声的临床-超声特征和超声影像组学-迁移学习特征模型建立的诺模图显示该模型具有良好的预测能力(测试集AUC 0.875),且通过校准曲线反映诺模图的校准度良好。【结论】1.与医师术前诊断颈部中央区淋巴结转移的效能相比,临床-超声特征模型、影像组学模型、迁移学习模型和影像组学-迁移学习模型,对预测甲状腺乳头状癌患者颈部中央区淋巴结转移均具有一定价值,可提高中央区淋巴结转移预测的灵敏度,有一定的临床价值。2.利用支持向量机构建临床-超声特征模型、超声影像组学模型、迁移学习模型和超声影像组学-迁移学习模型,每组数据整体上指标均最佳,可以作为四种特征模型的最佳预测模型。四种特征模型相比,超声影像组学-迁移学习模型的预测效能分别高于影像组学模型、迁移学习模型,且高于临床-超声特征模型的诊断效能,可提高对甲状腺乳头癌患者颈部中央区淋巴结转移术前评估的准确性。3.结合临床-超声特征模型和超声影像组学-迁移学习模型特征诺模图,本文建立的诺模图是一种非侵入性工具,可以评估疾病的淋巴结转移风险,利于临床医生制定最优化的患者术前决策,并为后续相关研究奠定基础。

基于影像组学和深度学习的乳腺癌分子分型预测算法研究

这是一篇关于乳腺癌分子分型,影像组学,深度学习,特征融合的论文, 主要内容为乳腺癌对女性的生命健康构成了巨大的威胁。在乳腺癌患者的治疗过程中,医生主要是根据乳腺癌分子分型预测治疗效果和评估预后,所以准确诊断乳腺癌分子分型是为病人制定治疗方案的前提。乳腺钼靶成像技术具有无创伤、检查操作简单、检查结果获取快的优点,是乳腺癌分子分型预测的一种重要手段。然而,提取乳腺钼靶特征是一项较难的工作,针对这个问题,本文以乳腺癌患者为研究对象,深入挖掘乳腺钼靶影像中的信息,采用影像组学和深度学习构建乳腺癌分子分型预测模型。主要研究内容如下:(1)针对乳腺钼靶图像边缘模糊性高、掺杂噪声、清晰度低等问题,对数据进行了预处理。预处理操作包括感兴趣区域的获取、图像剪切、图像增强和数据增强。感兴趣区域是通过将原始图像和其对应的兴趣区掩膜图像利用“与”操作得到的。图像剪切采用Sobel算子、二值化等算法除掉多余的背景。图像增强采用限制对比度自适应直方图均衡化技术提高图像的对比度。数据增强是通过旋转30°、90°的方式来增加样本的数量。预处理操作有助于模型提取更为有效的图像特征。(2)针对乳腺癌分子分型特征提取的问题,构建了基于Res Net50的双视图模型。双视图模型利用特征提取网络提取头尾位图像和内外斜位图像的特征,然后融合两个视图的特征送入多层感知机进行分类。为了提高网络对乳腺钼靶图像特征的提取能力,将高效通道注意力机制(Efficient Channel Attention,ECA)与Res Net50相结合作为特征提取网络。此外,为了避免神经元死亡现象,同时缓解反向传播时的梯度消失问题,模型选择的是Swish激活函数。为了缓解乳腺癌分子分型数据集规模小导致的过拟合现象,采用迁移学习的方法确定特征提取网络的初始参数。在云南省肿瘤医院乳腺癌分子分型数据集上的实验结果表明,双视图模型可以有效地对乳腺癌分子分型进行分类。(3)深度学习提取的是深层次语义特征,而影像组学提取的图像浅层特征能够补充深度学习尚未挖掘到的信息。因此,提出了一种影像组学和深度学习相结合的乳腺癌分子分型预测模型。首先,基于Pyradiomics的影像组学工具提取乳腺癌患者的影像组学特征,与此同时,使用本文双视图模型的特征提取网络提取深度学习特征;其次,依次融合患者头尾位和内外斜位的影像组学特征和深度学习特征、头尾位和内外斜位的特征;然后,使用LASSO算法选出有价值的特征;最后利用随机森林对筛选的特征进行分类。在云南省肿瘤医院乳腺癌分子分型数据集上的实验结果表明,结合影像组学特征和深度学习特征可以进一步提升乳腺癌分子分型的分类精度。

基于肝脏血管定量分析的门静脉高压等级预测

这是一篇关于肝脏血管三维分割,门静脉高压症,自动分级,卷积神经网络,影像组学的论文, 主要内容为门静脉高压症是由门静脉及其分支压力异常升高引起的临床综合征。由于其高发病率和死亡率,门静脉高压症成为全球范围内严重的公共卫生问题。肝静脉压力梯度是门静脉高压症的金标准,但其侵入性和昂贵的程序限制了其在临床实践中的广泛应用。因此,本文提出了一种基于腹部增强CT影像的定量化血管分析方法。该方法主要分为两步:(1)对腹部增强CT影像中的门静脉和肝静脉血管区域进行分割;(2)基于血管分割结果,提取与患者门静脉高压等级有关的血管特征,构建分类模型实现门静脉高压等级的无创评估。本文首先提出了一种新型三维血管分割网络CAU-Net。该网络利用各向异性注意力和中心线约束来解决门静脉和肝静脉血管分割的难点。各向异性注意力模块利用管腔结构特有的空间各向异性,从三个方向提取血管空间各向异性特征,并对特征通道间的相关性进行建模,从而学习血管的三维空间信息。该网络还采用了主辅双分支模型,其中b-Net对血管进行语义分割,a-Net则学习血管中心线的连续性特征,约束bNet的血管分割结果,保证血管分割结果的完整性。为了验证CAU-Net在门静脉及肝静脉分割方面的有效性,我们在公开数据集3D-ircadb-01上进行了对比实验。实验结果表明,CAU-Net血管分割模型能够显著提升血管分割的精度、完整度和连通性。然后本文提出了一种基于血管影像特征的门静脉高压自动分级方法。该方法利用CAU-Net分割网络模型对331例腹部增强CT数据进行门静脉和肝静脉的自动分割,其次提取血管特征并进行特征选择。最后训练四种不同的分类器来预测门静脉高压等级。实验结果验证了基于血管影像特征预测门静脉高压等级的有效性,基于肝脏全部静脉血管的SVM模型的接受者操作特征曲线下面积、敏感性、特异性和准确性分别达到了0.928、0.896、0.875和0.899。本文提出了一种基于血管影像分析预测门静脉高压等级的方法。该方法快速、无创且高度可解释,能够辅助医生诊断患者门静脉高压等级,改善患者生存预后,有望在临床实践中发挥重要的作用。