腹部增强CT检测胃左动脉相关变异的诊断模型建立及运用

发布时间：2022-01-11 09:35

　　目的:1.利用腹部增强CT技术了解胃左动脉走行变化及分型。2.探讨人工智能检测胃左动脉常见变异的实用价值。3.分析腹部手术中胃周动脉血管解剖变异的临床价值。方法:1.回顾性选取了2019年1月-2019年12月在南华大学附属第一医院影像科行腹部增强CT扫描病例的影像学资料,共305例。读取患者增强CT血管图像以对胃周动脉变异进行分类。2.标记变异的动脉血管,并将所有数据随机分为五组,四个训练组,一个测试组。同时构建一个分类-检测级联框架模型对数据进行学习,得到的曲线下面积值（AUC）即为该模型的检测性能值。结果:按照Michels分型,I型共247例,存在血管变异的病人为58例,总体变异率为19.0%。其中II型:8例,约占2.6%;III型、IV型:未见病例;V型:5例,约为1.6%;VI型:6例,约为2.0%。此外,还发现1例肝总动脉缺如,2例胃左动脉缺如,2例肠系膜上动脉发出胃网膜右动脉,还有其他Michels未包括分类34例。按照Hiatt分型,Hiatt I型:247例,约81%;Hiatt II型:有24例,约7.9%;Hiatt III型:有10例,约3.2%;Hiatt... 

【文章来源】：南华大学湖南省

【文章页数】：63 页

【学位级别】：硕士

【部分图文】：

网络设计模型：CT图像经过分类-检测网络模型后输出变异图像层

南华大学硕士学位论文6图2.1网络设计模型：CT图像经过分类-检测网络模型后输出变异图像层。分类网络设计：本研究采用了Pytorch[12]中的ResNet-v2-50，使用ImageNet的预训练模型。Include_top设置为False，CT层图像输入将先通过剪裁后通过双线性插值插值到224x224。输出类数量设置为1（即为是否“可能变异“）。在训练时，CT层图像将加入肉眼不可见的随机噪声以进行数据增广操作。并在裁剪时进行冠状面方向上随机十个像素值的随机位移以进行进一步的数据增广。检测网络的设计：本文使用了香港中文大学多媒体实验室的Mmdetection作为检测框架，并使用了其中的Faster-RCNN-r50-FPN模型。同时没有进行任何的预训练。学习率选择为1x。2.5模型量化评估指标雅卡尔指数：（Jaccardindex），也称为并交比（IntersectionoverUnion，IoU）和雅卡尔相似系数（Jaccardsimilaritycoefficient），是一种用于评估样本集相似性和多样性的统计量。雅卡尔指数用于度量有限样本集之间的相似度，定义为交集的大小除以样本集并集的大小：图2.2雅卡尔指数

第2章资料与方法7其中A和B代表两个不同的集合，J(A,B)代表两个集合之间的雅卡尔指数。在本文中，将检测网络的输出的长方形检测框记为集合A，医生的手工标注长方形框记为集合B，使用二者间的交并比（IoU）来判定检测网络的输出正确与否。查准率与查全率：在模式识别和分类机器学习中，查准率（precision）是相关实例在检索到的实例中所占的比例，而查全率（recall）是相关实例在需要检测出的实例中所占比例（如图2.3）。也就是说，假设用于识别CT扫描变异血管的计算机程序在一组有12层变异血管的CT图像中中识别出8层。在确定为变异血管层的8层中，有5层实际上是真的变异（真阳性），而其余部分是正常血管（假阳性）。该程序的查准率为5/8，而查全率为5/12。因此，在这种情况下，查准率是“搜索结果的有用程度”，而查全率是“结果的完成程度”。所有说查准率与查全率都是对相关性的理解和衡量。查准率和查全率计算方法如图所示（图2.3）其中tp代表真阳性（TruePositive），fp代表假阳性（FalsePositive），fn代表假阴性（Falsenegative）。图2.3查准率及查全率计算2.6统计学分析本设计将所有数据采用5折交叉验证方法进行实验：所有数据将随机分为五组，其中四组用作训练组，一组用作测试组。选择不同的测试数据进行五次实验，计算查准率与查全率，并将五次实验结果取平均值。通过绘制各种阈值设置下的真阳性率（TPR）和假阳性率（FPR）来创建受试者工作特征曲线（ROC）曲线，并计算相应的精度和曲线下面积（AUC）。AUC从0至1不等，越接近1表示模型检测性能越高。并定义AUC>0.9为检测模型优秀，0.7-0.9为检测模型良好，0.7以下为检测模型差。

【参考文献】：
期刊论文
[1]Celiomesenteric trunk: New classification based on multidetector computed tomography angiographic findings and probable embryological mechanisms[J]. Wei Tang,Jing Shi,Lian-Qin Kuang,Shuang-Yue Tang,Yi Wang.  World Journal of Clinical Cases. 2019(23)
[2]变异肝动脉的解剖学特点及其临床意义[J]. 侯燕红,崔爱玲,刘学敏,李建斌,李明,曹靖.  中国临床解剖学杂志. 2019(04)
[3]卷积神经网络过拟合问题研究[J]. 任义丽,罗路.  信息系统工程. 2019(05)
[4]面向小目标的多尺度Faster-RCNN检测算法[J]. 黄继鹏,史颖欢,高阳.  计算机研究与发展. 2019(02)
[5]应用64排螺旋CT血管造影技术观察肝动脉解剖变异类型[J]. 路俊英,郭志军,郭海云,门明,曾艳红,冯文秋.  肝脏. 2018(09)
[6]Faster-RCNN的癌症影像检测方法[J]. 王黎,陆慧娟,叶敏超,严珂.  中国计量大学学报. 2018(02)
[7]腹腔干解剖变异及其临床联系[J]. 邓圣军,陈伟,周承汇,刘畅,张宇,曾志军,吴畏.  中国普通外科杂志. 2017(05)
[8]多层螺旋CTA在肝脏肿瘤介入治疗中的应用价值[J]. 尹红军,余杰,欧阳华忠.  影像研究与医学应用. 2017(02)
[9]胃后动脉在代谢手术规范化操作中的意义[J]. 白日星,闫文貌.  中华肥胖与代谢病电子杂志. 2016(03)
[10]MSCT血管成像对胃左动脉解剖变异研究的临床意义[J]. 步军,全显跃,梁文.  中国医药指南. 2011(20)



本文编号：3582552