CT能谱成像在胰岛素瘤诊断中的初步研究
能谱成像在肿瘤的高级临床应用进展
碘含量(IC)
均值差
显著性
-12.90
0.127
-3.37
0.428
17.84
0.000
14.740.009ຫໍສະໝຸດ 9.520.295
30.74
0.001
27.64
0.006
21.21
0.001
18.11
0.007
-3.10
0.648
斜率(λHU)
均值差
显著性
-0.35
0.758
-0.29
0.606
1.89
82.1
89.5
0.909
84.3
②③④⑤⑥
86.1
86.0
0.907
83.9
①②③④⑤⑥
86.1
86.0
0.908
83.9
注：①IC;②NICT;③λHU;④边界;⑤微小钙化灶;⑥颈部可疑淋巴结转移
碘含量或斜率联合形态学参数可获得最好的准确度
碘含量加斜率与形态学参数联合可获得最大的曲线下面积；很高的特异度
甲状腺腺瘤囊变
L1：碘含量0.77mg/ml L2：正常甲状腺 L3：颈部血管
标化碘含量约0.13
肉芽肿性甲状腺炎
病灶碘含量2.37mg/ml，斜率2.75
良性病变能谱参数定量分析结果
病理类型
结甲 (n=49) 腺瘤(n=4)
IC病灶 （mg/ml） 3.85±1.79
5.63±2.33
IC甲状腺 （mg/ml） 5.20±1.33
通过分析46个病理证实PTMC灶:
1. 能谱CT (单能量+碘基图) 与超声分别检出44例(95.7%),45例(97.8%),
(x2=0.046，P=0.829)
胰岛素瘤的螺旋CT诊断(附13例报告)
胰岛素瘤的螺旋CT诊断(附13例报告)王进虎;王晓东;郭玉林【摘要】目的探讨螺旋CT在胰岛素瘤诊断中的作用.方法回顾性分析经手术病理证实且CT扫描资料完整的13例胰岛素瘤.结果 13例中功能性胰岛素瘤11例,CT 平扫为等稍低密度肿块、结节,直径＜2.0mm,增强扫描动脉期明显均匀性强化,门脉期及延时扫描,密度逐渐降低.非功能性肿瘤2例,瘤体较大,有较明显囊变坏死,增强扫描,动脉期不均匀性轻度强化,门脉期密度降低,需与胰腺囊腺瘤等鉴别.结论螺旋CT动态增强扫描对于胰岛素瘤患者的肿瘤发现及手术定位有重要指导意义.【期刊名称】《宁夏医科大学学报》【年(卷),期】2011(033)010【总页数】2页(P991-992)【关键词】胰岛素瘤;体层摄影术;X线计算机【作者】王进虎;王晓东;郭玉林【作者单位】宁夏西吉县人民医院放射科,西吉756200;宁夏医科大学总医院放射科,银川750004;宁夏医科大学总医院放射科,银川750004【正文语种】中文【中图分类】R736.7胰岛细胞瘤属神经内分泌肿瘤，临床比较少见，根据其是否分泌激素，分为功能性和非功能性两类。
其主要包括胰岛素瘤、胃泌素瘤、胰高血糖素瘤、血管活性肠肽瘤 (vipoma，VIP瘤)及ACTH瘤等，其中以胰岛素瘤为多见。
本文是作者在宁夏医科大学总医院放射科进修期间，收集13例胰岛素瘤的临床及CT影像资料进行总结分析，目的是认识胰岛素瘤的CT表现，提高其诊断率。
1 对象和方法1.1 一般资料 3例胰岛素瘤患者中功能性肿瘤11例，无功能性肿瘤2例，为健康体检时B超发现进而行CT检查发现的胰腺肿块。
患者中男8例，女5例，年龄20～77岁，平均32.6岁，功能性肿瘤患者病程3个月～8年。
临床症状以发作性头昏、疲乏、反复晕厥、意识不清等为主，有2例伴有反复精神异常。
实验室检查11例功能性胰岛素瘤病人低血糖发作时血糖值为0.8 ～3.6 mmol·L－1，口服葡萄糖耐量试验(GOTT)均示高胰岛素血症和低血糖时胰岛素过量分泌。
宝石CT能谱成像在肿瘤方面的应用进展
宝石CT能谱成像在肿瘤方面的应用进展宝石CT能谱成像（Gemstone Spectral Imaging,GSI）是CT成像领域中一项崭新的技术,它以瞬时kVp（80/140）切换和宝石探测器为核心技术，进行数据空间的吸收投影数据到物质密度投影数据的转换，从而在准确的硬化效果校正的基础上得到准确的能谱成像。
宝石CT能谱成像能够避免CT值的漂移，得到精准的CT 值，从而反映物质的本质；同时它将CT从单参数（CT值）成像转变为多参数（不同keV下的CT值、多种基物质密度和有效原子序数）成像，实现了CT质的变革。
自宝石能谱CT于2009年底进入临床应用以来，经过一年多的应用与研究，CT能谱成像已经在全身各系统病变的诊断中获得了广泛的应用，并在临床和基础研究方面取得了初步的成果（1-5)。
目前恶性肿瘤是人类健康第一号的杀手，并已成为人类继心血管疾病后的第二大死因。
而在肿瘤的诊断和治疗过程中，早期发现、早期诊断，有效的进行疗效评价和预后评估，以及治疗后的随访都对肿瘤的治疗效果产生重要影响。
宝石CT能谱成像的内在特点使其在上述方面具有无可比拟的优势。
1、小病灶的检出与其他影像方法相比，CT能谱成像的空间分辨率和时间分辨率更高；同时CT能谱成像可以避免硬化伪影和容积效应，并可以提供对比噪声比最佳的单能量图像及碘基图像，强化碘对比剂的显示，从而避免小病灶的遗漏和误诊，提高小病灶和多发病灶的检出率。
肝脏肿瘤以恶性肿瘤最为常见，但由于部分良、恶性肿瘤的密度相仿，强化方式相似，故有时CT难以检出。
然而，焦晟等(6)研究发现肝血管瘤在70-75keV图像上，HCC在65-70keV图像上，肝囊肿在55-60keV图像上显示更清晰。
因此能谱成像后通过调节能量水平，可能潜在增加不同性质病变的检出。
叶晓华等(7)对42例肝脏肿瘤患者行腹部能谱三期（动脉期、门脉期和静脉期）增强检查，发现除动脉期肝血管瘤和肝转移瘤在70keV和140kVp图像中的检出率相同外，不同肿瘤在不同时相70keV图像（78%－100%）的检出率均高于140kVp图像（65%－96%），小病灶（<1cm）的检出率增加更为明显（分别为57%－100%和14%－91%）。
胰岛素瘤术前医学影像学检查方法的优化
胰岛素瘤术前医学影像学检查方法的优化摘要】目的：观察、分析胰岛素瘤术前医学影像学检查方法的优化效果。
方法：选取来我院就诊的需要实施胰岛素瘤术的低血糖患者56例作为研究对象；随机进行分组，分为常规组和干预组。
每组28例，常规组采取常规CT扫描方案，干预组应用的是优化的扫描方案检查，行对比分析两组的效果。
结果：干预组的肿瘤直径大于常规组，两组间肿瘤大小差异有显著性意义(P＜0.05)；两组的动脉期肿瘤/胰腺实质CT值差异较大，干预组明显高于常规组(P＜0.05)。
干预组定位诊断的准确率、敏感度、特异度、阳性预测率及阴性预测率均显著的高于常规组，差异显著具有统计学意义(P＜0.05)。
结论：优化后的多层螺旋扫描方案的胰岛素瘤定位诊断更为准确、高效，在胰岛素瘤的手术治疗上作用显著，值得应用。
关键词：胰岛素瘤；术前；医学影像学；检查方法本研究选取的是来我院就诊的需要实施胰岛素瘤术的低血糖患者56例作为研究对象，观察、分析胰岛素瘤术前医学影像学检查方法的优化效果。
现报道如下。
1资料与方法1.1一般资料本研究特地区选取2017年8月至2018年1月期间我院收治的需要实施胰岛素瘤术的低血糖患者56例作为研究对象。
每组28例，干预组中男性15例，女性13例，年龄（19-59）岁，平均年龄（40.2±4.4）岁，患者自症状发生到医院就诊间的时间间隔在（1.5-12）年不等，平均年限（5.7±0.4）年。
对照组中男性16例，女性12例，年龄（20-60）岁，平均年龄（40.5±4.5）岁，患者自症状发生到医院就诊间的时间间隔在（1.6-13）年不等，平均年限（5.9±0.6）年。
两组在基本资料的比较上，经统计学处理，无显著性差异，具有可比性。
1.2 手术及病理研究所有患者均满足：通过CT扫描存在阳性病灶者；通过CT扫描没有出现阳性病灶者，然而通过内镜超声患者核素扫描、血管造影、ASVS检查实施定位诊断存在阳性病灶者；通过意思检查都没有出现阳性病灶，然而患者均坚持手术探查者。
功能性胰岛素瘤的MSCT诊断
功能性胰岛素瘤的MSCT诊断作者：李晓光来源：《中国医药导报》2010年第02期[摘要] 目的:讨论胰岛素瘤的MSCT诊断及检查技术要点。
方法:对6例胰岛素瘤患者行多排螺旋CT多期薄层增强扫描,用100 ml非离子型造影剂,高压注射器流速3.0 ml/s,动脉期延迟(30±5) s,胰腺期延迟(45±5) s,门脉期延迟(70±5) s。
结果:6例全部在动脉期表现为高密度,胰腺期4例呈高密度,门脉期全部呈等密度表现。
结论:MSCT增强扫描对胰岛素瘤的诊断具有较高的价值。
[关键词] 胰岛素瘤;MSCT;增强[中图分类号]R735.9[文献标识码] B[文章编号] 1673-7210(2010)01(b)-073-02MSCT diagnosis of functional insulinomaLI Xiaoguang(Department of Imaging, Hongli Hospital of He'nan Province, Changyuan 453400, China)[Abstract] Objective: To discuss the MSCT diagnosis and screening techniques of insulinoma. Methods: Six cases of patients with insulinoma were performed multi-slice spiral CT scanning enhanced multi-phase thin-layer. 100 ml non-ionic contrast agent was used, and the injector flow rate was 3.0 ml/s. The arterial phase delay was (30±5) s, the pancreatic phase was (45±5) s, and the portal phase was (70±5) s. Results: All the six patients showed high-density in the arterial phase, four patients showed high-density in the pancreatic phase, all the six patients showed iso-dense in portal phase. Conclusion: Enhanced MSCT presents high value in the diagnosis of insulinoma.[Key words] Insulinoma; MSCT; Enhancement胰岛素瘤主要由分泌胰岛素的B细胞组成,临床上较少见,常常被误诊。
能谱CT在腹部实质性脏器肿瘤中的应用
能谱CT在腹部实质性脏器肿瘤中的应用潘召城【摘要】This article introduced the principles and techniques of CT spectral imaging and explained the clinical application of CT spectral imaging in the diagnosis of abdominal neoplasms, such as hepatic cancer, pancreatic neoplasms and renal cancer. Previous studies showed spectral CT improved the image quality and the detectability of hepatic and pancreatic lesions. Quantitative analyses based on spectral CT contribute to differential diagnosis in hepatic cancer and portal venous thrombus, pancreatic cystic neoplasms, and renal cancer with complex renal cyst.%本文首先简要介绍CT能谱成像的技术,随后以肝脏、胰腺和肾脏为例说明CT能谱成像在腹部实质性脏器肿瘤诊断中的应用.研究表明能谱CT能够优化图像质量,提高肝脏、胰腺病变的检出率；CT能谱成像定量分析有助于肝癌及门静脉栓塞性质的鉴别,有助于胰腺囊性肿瘤的鉴别诊断以及肾脏复杂性囊肿与肾癌的鉴别.【期刊名称】《中国医学计算机成像杂志》【年(卷),期】2013(019)001【总页数】3页(P4-6)【关键词】体层摄影术,X线计算机;能谱成像;肿瘤;腹部【作者】潘召城【作者单位】上海交通大学医学院附属瑞金医院放射科【正文语种】中文【中图分类】R445.3从2008年能谱CT问世以来，国内外的影像工作人员对此进行了大量的基础和临床研究，目前，包括图像优化、斑块分析、物质分离等技术已经大量地应用在临床工作中。
基于CT图像的胰腺癌智能辅助诊断模型研究
第１３卷㊀第１０期Ｖｏｌ．１３Ｎｏ．１０㊀㊀智㊀能㊀计㊀算㊀机㊀与㊀应㊀用ＩｎｔｅｌｌｉｇｅｎｔＣｏｍｐｕｔｅｒａｎｄＡｐｐｌｉｃａｔｉｏｎｓ㊀㊀２０２３年１０月㊀Ｏｃｔ．２０２３㊀㊀㊀㊀㊀㊀文章编号：２０９５－２１６３（２０２３）１０－０００９－０６中图分类号：Ｒ７３５．９文献标志码：Ａ基于ＣＴ图像的胰腺癌智能辅助诊断模型研究郭冰冰，谷雪莲，胡秀枋，孙运文，徐秀林（上海理工大学健康科学与工程学院，上海２０００９３）摘㊀要：为了更好的为临床疗效评估提供参考，本研究使用胰腺癌患者的ＡＰＴ㊁ＤＰＴ㊁ＮＰＴ㊁ＶＰＴ４期ＣＴ图像数据集进行肿瘤良恶性分类㊂分别建立深度学习和机器学习模型，评价对胰腺肿瘤良恶性分类的准确率，比较了深度学习和机器学习模型在ＣＴ图像应用性能的优势与不足㊂深度学习模型采用ＶＧＧ１６，训练测试后评估识别率较高的是ＡＰＴ数据集和ＶＰＴ数据集，其测试集准确率均达到了８６％以上；机器学习模型采用支持向量机㊁逻辑回归㊁随机森林㊁Ｋ近邻和ＡｄａＢｏｏｓｔ５种模型，随机森林和ＡｄａＢｏｏｓｔ两种模型效果良好，训练测试后识别率较高的是ＮＰＴ数据集和ＶＰＴ数据集㊂在使用ＡｄａＢｏｏｓｔ模型时，ＶＰＴ时期的准确率达到了７７％㊂综合表现说明，胰腺癌在ＶＰＴ时期利用计算机辅助诊断技术具有良好的应用效果㊂关键词：ＣＮＮ；机器学习；胰腺癌；ＣＴ图像；ＡｄａＢｏｏｓｔ；随机森林ＲｅｓｅａｒｃｈｏｎｉｎｔｅｌｌｉｇｅｎｔａｓｓｉｓｔａｎｔｍｏｄｅｌｆｏｒｐａｎｃｒｅａｔｉｃｃａｎｃｅｒｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎＣＴｉｍａｇｅＧＵＯＢｉｎｇｂｉｎｇ，ＧＵＸｕｅｌｉａｎ，ＨＵＸｉｕｆａｎｇ，ＳＵＮＹｕｎｗｅｎ，ＸＵＸｉｕｌｉｎ（ＳｃｈｏｏｌｏｆＨｅａｌｔｈＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＵｎｉｖｅｒｓｉｔｙｏｆＳｈａｎｇｈａｉｆｏｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｓｈａｎｇｈａｉ２０００９３，Ｃｈｉｎａ）ʌＡｂｓｔｒａｃｔɔＩｎｏｒｄｅｒｔｏｐｒｏｖｉｄｅａｂｅｔｔｅｒｒｅｆｅｒｅｎｃｅｆｏｒｔｈｅｅｖａｌｕａｔｉｏｎｏｆｃｌｉｎｉｃａｌｅｆｆｉｃａｃｙ，ｔｈｅｆｏｕｒ－ｐｈａｓｅＡＰＴ，ＤＰＴ，ＮＰＴａｎｄＶＰＴＣＴｉｍａｇｅｄａｔａｓｅｔｓｏｆｐａｎｃｒｅａｔｉｃｃａｎｃｅｒｐａｔｉｅｎｔｓａｒｅｕｓｅｄｔｏｃｌａｓｓｉｆｙｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｔｕｍｏｒｓ．Ｉｎｔｈｉｓｐａｐｅｒ，ｄｅｅｐｌｅａｒｎｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓａｒｅｅｓｔａｂｌｉｓｈｅｄｒｅｓｐｅｃｔｉｖｅｌｙｔｏｅｖａｌｕａｔｅｔｈｅａｃｃｕｒａｃｙｏｆｂｅｎｉｇｎａｎｄｍａｌｉｇｎａｎｔｐａｎｃｒｅａｔｉｃｔｕｍｏｒｓｃｌａｓｓｉｆｉｃａｔｉｏｎ，ａｎｄｔｈｅａｄｖａｎｔａｇｅｓａｎｄｄｉｓａｄｖａｎｔａｇｅｓｏｆｄｅｅｐｌｅａｒｎｉｎｇａｎｄｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓｉｎＣＴｉｍａｇｅａｐｐｌｉｃａｔｉｏｎａｒｅａｎａｌｙｚｅｄ．ＴｈｅｄｅｅｐｌｅａｒｎｉｎｇｍｏｄｅｌａｄｏｐｔｓＶＧＧ１６，ａｎｄｔｈｅＡＰＴｄａｔａｓｅｔａｎｄＶＰＴｄａｔａｓｅｔｈａｖｅｈｉｇｈｅｒｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｓａｆｔｅｒｔｒａｉｎｉｎｇ，ｗｈｅｒｅｔｈｅａｃｃｕｒａｃｙｏｆｔｈｅｔｅｓｔｓｅｔｉｓａｂｏｖｅ８６％．Ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ，ｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ，ｒａｎｄｏｍＦｏｒｅｓｔ，Ｋ－ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｎｄＡｄａＢｏｏｓｔａｒｅｕｓｅｄｉｎｔｈｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌ．Ｉｎｔｈｅｓｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｅｔｈｏｄｓ，ｒａｎｄｏｍｆｏｒｅｓｔａｎｄＡｄａＢｏｏｓｔｈａｖｅｇｏｏｄｅｆｆｅｃｔｓ，ａｎｄＮＰＴｄａｔａｓｅｔａｎｄＶＰＴｄａｔａｓｅｔｈａｖｅｈｉｇｈｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｓ．ＷｈｅｎＡｄａＢｏｏｓｔｍｏｄｅｌｉｓｕｓｅｄ，ｔｈｅａｃｃｕｒａｃｙｒａｔｅｉｎＶＰＴｐｅｒｉｏｄｒｅａｃｈｅｓ７７％．Ｔｈｅｃｏｍｐｒｅｈｅｎｓｉｖｅｅｘｐｅｒｉｍｅｎｔｓｓｈｏｗｔｈａｔｔｈｅａｐｐｌｉｃａｔｉｏｎｏｆｃｏｍｐｕｔｅｒ－ａｉｄｅｄｄｉａｇｎｏｓｉｓｉｎＶＰＴｓｔａｇｅｏｆｐａｎｃｒｅａｔｉｃｃａｎｃｅｒｈａｓｇｏｏｄｅｆｆｅｃｔ．ʌＫｅｙｗｏｒｄｓɔＣＮＮ；ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ；ｐａｎｃｒｅａｔｉｃｃａｎｃｅｒ；ＣＴｉｍａｇｅｓ；ＡｄａＢｏｏｓｔ；ｒａｎｄｏｍｆｏｒｅｓｔ作者简介：郭冰冰（１９９８－），女，硕士研究生，主要研究方向：人工智能及大数据；徐秀林（１９５７－），女，硕士，教授㊁硕士生导师，主要研究方向：康复设备及其关键技术㊁人工智能及大数据㊂通讯作者：徐秀林㊀㊀Ｅｍａｉｌ：ｘｘｌｉｎ１００＠１６３．ｃｏｍ收稿日期：２０２２－１１－０５０㊀引㊀言胰腺癌是预后最差的恶性肿瘤之一，其具有侵袭性强㊁隐匿度高㊁病程短的特点㊂据全球癌症统计数据显示，胰腺癌在癌症的死亡原因里位居前列，且有研究预测未来１０年内胰腺癌相关死亡人数将上升至所有癌种的第２位，仅次于肺癌［１－２］㊂胰腺癌ＩＶ期患者确诊后生存期小于１年，５年平均生存率小于１％［３］㊂同时，由于大部分胰腺癌患者在被确诊时就已错过最佳治疗时期，因此寻找到一种有助于早期诊断的方法显得尤为重要，可大幅提升患者的生存时间［４］㊂目前，病理切片依然被视为确诊的金标准 ，但总体上依赖的是医生的经验，不同的医生可能生成不同的诊断结果㊂随着人工智能在医学领域的深入应用，计算机辅助诊断（Ｃｏｍｐｕｔｅｒ－ＡｉｄｅｄＤｉａｇｎｏｓｉｓ，ＣＡＤ）技术的优势不断显现出来，其可以有效减少医生的阅片工作量，也可为医生提供诊断决策支持，有助于医生减少临床实践中的误诊率和误治率［５］，甚至能预测病灶迁移位置，以便为临床疗效评估提供参考㊂机器学习是人工智能的重要研究内容之一，机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法㊂针对不同的问题需要不同的学习方式，主要的学习方式为有监督学习和无监督学习㊂有监督学习常用于分类和回归的问题，其特点是所有数据都有标签；无监督学习常用于聚类的问题，其特点为所有数据都没有标签㊂常用的机器学习算法有支持向量机㊁逻辑回归㊁随机森林㊁Ｌａｓｓｏ回归㊁ＡｄａＢｏｏｓｔ（ａｄａｐｔｉｖｅｂｏｏｓｔｉｎｇ，ＡｄａＢｏｏｓｔ）等㊂近年来，由于医疗数据不断增长，因此机器学习的优势得到充分的体现㊂２００６年，Ｈｉｎｔｏｎ教授及其团队提出了一种新的网络结构 深度置信网络（ＤｅｅｐＢｅｌｉｅｆＮｅｔ，ＤＢＮ）［６］，至此深度学习开始出现在研究者视野里㊂深度学习常被应用于图像识别，但随着技术的不断推进，在医疗诊断㊁医用机器人控制㊁搜索引擎等领域均有不俗的表现㊂目前，最经典的深度学习网络还是卷积神经网络（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ，ＣＮＮ），Ｌｅｃｕｎ［７－８］等在神经网络中创造性的代入了传播算法，并以此为基础构建了卷积神经网络㊂此外，其它常用的学习模型有Ｉｎｃｅｐｔｉｏｎ［９］㊁ＲｅｓＮｅｔ［１０］㊁ＡｌｅｘＮｅｔ㊁ＶＧＧ等㊂早期诊断是改善胰腺癌患者预后的关键因素之一，若能提升早期诊断率，就能极大改善胰腺癌的预后并延长生存时间㊂本文主要研究ＣＴ分层图像对胰腺癌的早期良恶性诊断的有效性，通过构建ＡｄａＢｏｏｓｔ等５种机器学习模型和经典深度学习网络模型ＶＧＧ１６，分别获得胰腺癌良恶性分类的准确率，同时对不同模型进行对比分析，进一步验证ＣＴ图像在ＶＧＧ１６的应用性能㊂１㊀资料与方法１．１㊀数据集预处理本研究使用的数据来自医院的胰腺癌病人ＣＴ图像，将其分成ＡＰＴ㊁ＤＰＴ㊁ＮＰＴ㊁ＶＰＴ４期的扫描图像，并对图像进行去噪处理，去除相应体数据的绝对位置㊁数据密度等信息，４个数据集存在交集㊂其中，ＡＰＴ（静脉期）包含７８６张图像；ＤＰＴ（延迟期）包含７５７张图像；ＶＰＴ（动脉期）包含１３８２张图像；ＮＰＴ（平扫期）包含１３６８张图像㊂在对数据集进行训练时，将数据集分成训练集㊁验证集㊁测试集３部分㊂训练集用于训练模型，验证集用来验证模型的效能，测试集用来对模型进行评估㊂实践中，测试集和验证集采用同一批数据，在分配时将所有数据的８０％分配给训练集，２０％分配给测试集㊂１．２㊀模型训练方法ＶＧＧＮｅｔ［１１］是２０１４年ＩｍａｇｅＮｅｔＣｈａｌｌｅｎｇｅ图像识别比赛的亚军，其不仅在图像识别应用非常广泛，在目标分割㊁人脸识别等方面的应用也会使用ＶＧＧＮｅｔ作为基础模型，其证明了增加网络的深度能够在一定程度上影响网络最终的性能㊂ＶＧＧ１６有１６层网络，能不断提取学习从低级到高级的特征，卷积核大小为３ˑ３，逐层增加卷积核的数量以增强非线性表达能力［１２］㊂本文深度学习模型选用ＶＧＧ１６对已有数据集进行训练学习㊂ＡｄａＢｏｏｓｔ［１３］是机器学习工具箱中最强有力的工具之一，其基分类器一般是单层决策树，决策树在分裂的时候会选择最优属性进行分裂，最优属性为误差最小的属性，ＡｄａＢｏｏｓｔ在每次迭代时会选择误差最小的那棵树㊂其优势在于Ａｄａｂｏｏｓｔ提供了一种能使用其他方法构建子分类器的框架，不仅能显著提高学习精度，且可以根据子分类器的反馈，对假定的错误率进行自适应调整㊂１．３㊀模型评价指标在对模型进行学习训练时，本文采用的评价指标为模型的训练集和测试集的准确率（Ａｃｃｕｒａｃｙ）及其损失函数（ＬｏｓｓＦｕｎｃｔｉｏｎ）㊂准确率的计算公式为ｃ＝分类正确的样本量总输入样本量（１）㊀㊀本文选择的损失函数为交叉熵损失函数（ｃａｔｅｇｏｒｉｃａｌ＿ｃｒｏｓｓｅｎｔｒｏｐｙ），可评估当前训练得到的概率分布与真实分布的差异情况㊂交叉熵的值越小，概率分布与真实分布就越接近㊂其具体公式为：Ｃ＝－１ｎðｘ［ｙｌｎａ＋１－ｙ()ｌｎ１－ａ()］（２）ａ＝σ（ｚ）（３）ｚ＝ðＷｊ∗Ｘｊ＋ｂ（４）㊀㊀其中，ｙ为期望的输出，ａ为神经元的实际输出㊂２㊀基于深度学习良恶性分类诊断模型首先基于Ｋｅｒａｓ搭建ＶＧＧ１６模型，其中最后一个全连接层的激活函数为ｓｏｆｔｍａｘ，其优点是计算简单且计算量较小，能把数据的值映射到０ １区间，保证概率为非负值；其次将输入的数据集图片调整尺寸大小为（２２４，２２４）的单通道灰度图像，以加快模型训练速度㊂本实验目标是识别胰腺癌肿瘤的良恶性，属于二分类问题，设置训练次数为１６０次，优化函数为Ａｄａｍ［１４］，是一种对随机梯度下降法的扩展，其优点在于效率高㊁内存小㊁且超参数具有直观的解释，通常只需要较少的调谐㊂０１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀本文分别从ＡＰＴ㊁ＤＰＴ㊁ＶＰＴ㊁ＮＰＴ的数据集中随机提取２０％的图像作为验证集，将４组图像数据分别导入搭建好的ＶＧＧ１６模型进行训练，经过不断对参数调优，最终训练集和验证集的训练结果如图１所示，其对应训练集和验证集的损失函数图像如图２所示：T r a i n i n g a c c V a l i d a t i o n a c c0.950.900.850.800.750.700.65020406080100120140160T r a i n i n g a n d v a l i d a t i o n a c c u r a c y（ａ）ＡＰＴ的准确率学习曲线T r a i n i n g a c cV a l i d a t i o n a c c0.90.80.70.60.5T r a i n i n g a n d v a l i d a t i o n a c c u r a c y 020406080100120140160（ｃ）ＮＰＴ的准确率学习曲线T r a i n i n g a c cV a l i d a t i o n a c c0.90.80.70.6T r a i n i n g a n d v a l i d a t i o n a c c u r a c y 020406080100120140160（ｂ）ＤＰＴ的准确率学习曲线T r a i n i n g a c cV a l i d a t i o n a c c1.000.950.900.850.800.750.700.65020406080100120140160T r a i n i n g a n d v a l i d a t i o n a c c u r a c y（ｄ）ＶＰＴ的准确率学习曲线图１㊀４组数据集的准确率学习曲线Ｆｉｇ．１㊀ＬｅａｒｎｉｎｇｃｕｒｖｅｏｆａｃｃｕｒａｃｙｏｆｆｏｕｒｄａｔａｓｅｔｓT r a i n i n g l o s s V a l i d a t i o n l o s s0.70.60.50.40.30.20.1020406080100120140160T r a i n i n g a n d v a l i d a t i o n l o s s（ａ）ＡＰＴ的损失函数曲线T r a i n i n g l o s s V a l i d a t i o n l o s s020406080100120140160T r a i n i n g a n d v a l i d a t i o n l o s s0.80.70.60.50.40.30.20.1（ｃ）ＮＰＴ的损失函数曲线T r a i n i n g l o s sV a l i d a t i o n l o s s020406080100120140160T r a i n i n g a n d v a l i d a t i o n l o s s0.80.70.60.50.40.30.20.1（ｂ）ＤＰＴ的损失函数曲线T r a i n i n g l o s s V a l i d a t i o n l o s s020406080100120140160T r a i n i n g a n d v a l i d a t i o n l o s s0.70.60.50.40.30.20.1（ｄ）ＶＰＴ的损失函数曲线图２㊀４组数据集的损失函数曲线Ｆｉｇ．２㊀Ｌｏｓｓｃｕｒｖｅｓｏｆｆｏｕｒｄａｔａｓｅｔｓ１１第１０期郭冰冰，等：基于ＣＴ图像的胰腺癌智能辅助诊断模型研究㊀㊀根据以上训练和验证结果，得到如表１所示的混淆矩阵㊂㊀㊀由表１不难看出，ＶＧＧ１６模型对于ＡＰＴ㊁ＤＰＴ数据集的灵敏度最好，ＡＰＴ㊁ＶＰＴ数据集的ＡＵＣ和精确度较高㊂表１㊀４组数据集训练后的混淆矩阵Ｔａｂ．１㊀ＣｏｎｆｕｓｉｏｎｍａｔｒｉｘａｆｔｅｒｔｒａｉｎｉｎｇｏｎｆｏｕｒｄａｔａｓｅｔｓＭｏｄｅｌｓＡＵＣＡｃｃｕｒａｃｙＦｐｒＴｐｒＳｅｎｓｉｔｉｖｉｔｙ（Ｒｅｃａｌｌ）ＬｏｓｓＰｅｃｉｓｏｎＡＰＦ１ＡＰＴ０．９５２０．８６６３０．２２２０．９２５０．９２５４．６１６０．８６１０．９６９０．８９２ＤＰＴ０．９２００．８１００．３９５０．９６３０．９６３６．５４４０．７６６０．９３８０．８５３ＮＰＴ０．９２８０．８４９０．０９３０．７４１０．７４１５．２０５０．８０９０．８７７０．７７３ＶＰＴ０．９４００．８６８０．０９９０．８０８０．８０８４．５４４０．８１５０．８９８０．８１１㊀㊀为了进一步验证模型的准确率，本研究分别将上述４期的测试集导入已训练好的ＶＧＧ１６模型，对患者进行肿瘤良恶性分类诊断㊂其中包含２０２张ＡＰＴ的胰腺癌图像，１９０张ＤＰＴ的胰腺癌图像，３４５张ＮＰＴ的胰腺癌图像，３４２张ＶＰＴ的胰腺癌图像，预测与真实值的对比结果见表２：表２㊀４组数据集预测值与真实值结果对比Ｔａｂ．２㊀ＣｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｎｄｇｒｏｕｎｄｔｒｕｔｈｏｎｆｏｕｒｄａｔａｓｅｔｓＣｏｎｆｕｓｉｏｎｍａｔｒｉｘＡｃｔｕａｌＰｒｅｄｉｃｔｉｏｎＢｅｎｉｇｎＭａｌｉｇｎａｎｔＡｃｃｕｒａｃｙＡＰＴＢｅｎｉｇｎ６３１８０．７７８Ｍａｌｉｇｎａｎｔ９１１２０．９２６ＤＰＴＢｅｎｉｇｎ４９３２０．６０５Ｍａｌｉｇｎａｎｔ４１０５０．９６３ＮＰＴＢｅｎｉｇｎ２０４２１０．９０７Ｍａｌｉｇｎａｎｔ３１８９０．７４２ＶＰＴＢｅｎｉｇｎ２００２２０．９０１Ｍａｌｉｇｎａｎｔ２３９７０．８０８㊀㊀由表２可知，ＡＰＴ㊁ＤＰＴ对胰腺癌恶性肿瘤的识别率高达０．９２以上，而ＮＰＴ㊁ＶＰＴ对良性肿瘤识别率也超过了０．９０㊂３㊀基于机器学习模型的良恶性分类诊断为了建立识别胰腺癌ＣＴ图像良恶性分类最佳的机器学习模型，本文将４组数据集分别导入支持向量机㊁逻辑回归㊁随机森林㊁Ｋ近邻㊁ＡｄａＢｏｏｓｔ５个模型进行训练学习，同时从原数据集提取２０％作为测试集以验证模型训练效果㊂各模型对比结果见表３㊂㊀㊀由表３可知，随机森林和ＡｄａＢｏｏｓｔ训练集和测试集准确率较好，对于ＡＰＴ㊁ＤＰＴ㊁ＮＰＴ㊁ＶＰＴ４个数据集的训练效果均达到９０％以上，测试集准确率达到７０％以上㊂随机森林的学习曲线如图３所示，ＡｄａＢｏｏｓｔ的学习曲线如图４所示㊂表３㊀５种机器学习模型对于４组数据集的训练结果对比Ｔａｂ．３㊀Ｃｏｍｐａｒｉｓｏｎｏｆｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｏｆｆｉｖｅｍａｃｈｉｎｅｌｅａｒｎｉｎｇｍｏｄｅｌｓｏｎｆｏｕｒｄａｔａｓｅｔｓ支持向量机逻辑回归随机森林Ｋ近邻ＡｄａＢｏｏｓｔＡＰＴ训练集准确率０．９４９０．９２５０．９９６０．７０００．９９８测试集准确率０．６７００．６９６０．７４１０．６７１０．７２８ＤＰＴ训练集准确率０．９５９０．９５３０．９９３０．６９９０．９９５测试集准确率０．７３００．６７１０．７５７０．６３８０．７３７ＮＰＴ训练集准确率０．９３５０．９３５０．９５３０．７８２０．９５２测试集准确率０．６７９０．７０４０．７６３０．７１５０．７７７ＶＰＴ训练集准确率０．９４００．９６２０．９２６０．７９５０．９４８测试集准确率０．７３６０．７５８０．７５１０．７５８０．７７３２１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀1.000.950.900.850.800.750.70T r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r e100200300400500600700800900T r a i n i n g e x a m p l e sS c o r e（ａ）ＡＰＴ的学习曲线1.000.950.900.850.800.750.700.650.60100200300400500T r a i n i n g e x a m p l e sT r a i n i n g s c o r e C r o s s -v a l i d a t i o n s c o r e S c o r e（ｃ）ＮＰＴ的学习曲线1.00.90.80.70.6100200300400500T r a i n i n g e x a m p l e sT r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r e S c o r e （ｂ）ＤＰＴ的学习曲线1.000.950.900.850.800.750.700.65100200300400500600700800900T r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r eS c o r e T r a i n i n g e x a m p l e s（ｄ）ＶＰＴ的学习曲线图３㊀４组数据集在随机森林模型下的学习曲线Ｆｉｇ．３㊀Ｌｅａｒｎｉｎｇｃｕｒｖｅｓｏｆｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌｏｎｆｏｕｒｄａｔａｓｅｔｓ1.000.950.900.850.800.750.70100200300400500600700800900T r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r eS c o r eT r a i n i n g e x a m p l e s（ａ）ＡＰＴ的学习曲线1.00.90.80.70.60.5100200300400500T r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r e S c o r eT r a i n i n g e x a m p l e s（ｃ）ＮＰＴ的学习曲线1.00.90.80.70.60.5100200300400500T r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r e S c o r eT r a i n i n g e x a m p l e s（ｂ）ＤＰＴ的学习曲线1.000.950.900.850.800.750.700.65100200300400500600700800900T r a i n i n g s c o r eC r o s s -v a l i d a t i o n s c o r eS c o r eT r a i n i n g e x a m p l e s（ｄ）ＶＰＴ的学习曲线图４㊀４组数据集在ＡｄａＢｏｏｓｔ模型下的学习曲线Ｆｉｇ．４㊀ＬｅａｒｎｉｎｇｃｕｒｖｅｓｏｆＡｄａＢｏｏｓｔｍｏｄｅｌｏｎｆｏｕｒｄａｔａｓｅｔｓ４㊀结束语随着人工智能技术的蓬勃发展，机器学习和深度学习在医疗辅助诊断领域的应用也在不断深入，基于ＣＴ图像的胰腺癌良恶性分类的问题已经证明了其具有良好的可行性，获得了很好的分类效３１第１０期郭冰冰，等：基于ＣＴ图像的胰腺癌智能辅助诊断模型研究果［１５］㊂使用机器学习进行训练学习的优势在于网络较简单，速度快，但对于诊断ＣＴ图像良恶性准确率不高；训练集与测试集的差距超过２０％，因此可能存在过拟合现象㊂深度学习对于图像的识别率很高，ＣＮＮ对于４期的ＣＴ图像的ＡＵＣ均可以达到９０％以上，但其不足在于网络模型较为复杂，训练时间长，对电脑配置要求较高㊂本文分别将胰腺癌患者的ＡＰＴ㊁ＤＰＴ㊁ＮＰＴ㊁ＶＰＴ４期ＣＴ图像导入深度学习和机器学习的网络模型训练，虽然不同网络在准确率上有较为明显的差距，但基于深度学习模型的良恶性分类诊断中，综合得分和识别率较高的是ＡＰＴ和ＶＰＴ时期；基于深度学习模型的良恶性分类诊断中，综合得分和识别率较高的是ＶＰＴ和ＮＰＴ时期㊂综上，不论使用深度学习还是机器学习的方法，良恶性特征较为明显的时期是ＶＰＴ，即动脉期㊂虽然本文的研究取得了一定成果，但依然存在一些不足㊂如：４期的ＣＴ图像数据虽然存在交集，但并不是完全重合的数据；由于深度学习网络模型耗时较长，只选取了经典的ＶＧＧ１６导入数据训练等㊂后续可尝试ＲｅｓＮｅｔ㊁Ｉｎｃｅｐｔｉｏｎ等其他网络模型进行进一步研究㊂参考文献［１］ＲＡＨＩＢＬ，ＳＭＩＴＨＢＤ，ＡＩＺＥＮＢＥＲＧＲ，ｅｔａｌ．ＰｒｏｊｅｃｔｉｎｇＣａｎｃｅｒＩｎｃｉｄｅｎｃｅａｎｄＤｅａｔｈｓｔｏ２０３０：ＴｈｅＵｎｅｘｐｅｃｔｅｄｂｕｒｄｅｎｏｆｔｈｙｒｏｉｄ，ｌｉｖｅｒ，ａｎｄｐａｎｃｒｅａｓｃａｎｃｅｒｓｉｎｔｈｅｕｎｉｔｅｄｓｔａｔｅｓ［Ｊ］．ＣａｎｃｅｒＲｅｓｅａｒｃｈ，２０１４，７４（１４）：２９１３－２９２１．［２］ＲＡＨＩＢＬ，ＷＥＨＮＥＲＭ，ＭＡＴＲＩＳＩＡＮＭＣ，ｅｔａｌ．Ｐｒｏｊｅｃｔｉｏｎｏｆｃａｎｃｅｒｉｎｃｉｄｅｎｃｅａｎｄｄｅａｔｈｔｏ２０４０ｉｎｔｈｅＵＳ：Ｉｍｐａｃｔｏｆｃａｎｃｅｒｓｃｒｅｅｎｉｎｇａｎｄａｃｈａｎｇｉｎｇｄｅｍｏｇｒａｐｈｉｃ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｌｉｎｉｃａｌＯｎｃｏｌｏｇｙ，２０２０，３８（１５）：１５５６－１５６６．［３］ＣＨＡＮ－ＳＥＮＧ－ＹＵＥＭ，ＫＩＭＪＣ，ＷＩＬＳＯＮＧＷ，ｅｔａｌ．Ｔｒａｎｓｃｒｉｐｔｉｏｎｐｈｅｎｏｔｙｐｅｓｏｆｐａｎｃｒｅａｔｉｃｃａｎｃｅｒａｒｅｄｒｉｖｅｎｂｙｇｅｎｏｍｉｃｅｖｅｎｔｓｄｕｒｉｎｇｔｕｍｏｒｅｖｏｌｕｔｉｏｎ［Ｊ］．ＮａｔｕｒｅＧｅｎｅｔｉｃｓ，２０２０，５（２）：２３１－２４０．［４］何鹏飞．基于深度学习的多模态影像融合及应用研究［Ｄ］．哈尔滨：哈尔滨工业大学，２０２１．［５］ＳＳＡ，ＦＦＲＡＢ，ＭＮＡ，ｅｔａｌ．Ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｉｎｈｅａｌｔｈｃａｒｅ：ｏｐｐｏｒｔｕｎｉｔｉｅｓａｎｄｒｉｓｋｆｏｒｆｕｔｕｒｅ［Ｊ］．ＧａｃｅｔａＳａｎｉｔａｒｉａ，２０２１，３５（ｓ１）：ｓ６７－ｓ７０．［６］ＨＩＮＴＯＮＧＥ，ＳＡＬＡＫＨＵＴＤＩＮＯＶＲＲ．ＲｅｄｕｃｉｎｇｔｈｅＤｉｍｅｎｓｉｏｎａｌｉｔｙｏｆＤａｔａｗｉｔｈＮｅｕｒａｌＮｅｔｗｏｒｋｓ［Ｊ］．Ｓｃｉｅｎｃｅ，２００６，３１３（５７８６）：５０４－５０７．［７］ＬＥＣＵＮＹ，ＢＥＮＧＩＯＹ，ＨＩＮＴＯＮＧ．Ｄｅｅｐｌｅａｒｎｉｎｇ［Ｊ］．Ｎａｔｕｒｅ，２０１５，５２１（７５５３）：４３６．［８］ＺＨＡＮＧＸ，ＺＨＡＯＪ，ＬＥＣＵＮＹ．Ｃｈａｒａｃｔｅｒ－ｌｅｖｅｌｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｔｅｘｔｃｌａｓｓｉｆｉｃａｔｉｏｎ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２０１５（１）：６４９－６５７．［９］ＳＺＥＧＥＤＹＣ，ＶＡＮＨＯＵＣＫＥＶ，ＩＯＦＦＥＳ，ｅｔａｌ．Ｒｅｔｈｉｎｋｉｎｇｔｈｅｉｎｃｅｐｔｉｏｎａｒｃｈｉｔｅｃｔｕｒｅｆｏｒｃｏｍｐｕｔｅｒｖｉｓｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ．２０１６：２８１８－２８２６．［１０］ＨＥＫ，ＺＨＡＮＧＸ，ＲＥＮＳ，ｅｔａｌ．Ｄｅｅｐｒｅｓｉｄｕａｌｌｅａｒｎｉｎｇｆｏｒｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ．２０１６：７７０－７７８．［１１］ＳＩＭＯＮＹＡＮＫ，ＺＩＳＳＥＲＭＡＮＡ．ＶｅｒｙＤｅｅｐＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｔｗｏｒｋｓｆｏｒＬａｒｇｅ－ＳｃａｌｅＩｍａｇｅＲｅｃｏｇｎｉｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２０１４，７（１）：１４０９－１４１８［１２］侯向宁，徐草草，杨井荣．基于Ｓｐａｒｋ的花卉图像分类研究［Ｊ］．计算机技术与发展，２０２２，３２（７）：５．［１３］ＦＲＩＥＤＭＡＮＪ，ＴＩＢＳＨＩＲＡＮＩＲ，ＨＡＳＴＩＥＴ．Ａｄｄｉｔｉｖｅｌｏｇｉｓｔｉｃｒｅｇｒｅｓｓｉｏｎ：Ａｓｔａｔｉｓｔｉｃａｌｖｉｅｗｏｆｂｏｏｓｔｉｎｇ［Ｊ］．ＴｈｅＡｎｎａｌｓｏｆＳｔａｔｉｓｔｉｃｓ：ＡｎＯｆｆｉｃｉａｌＪｏｕｒｎａｌｏｆｔｈｅＩｎｓｔｉｔｕｔｅｏｆＭａｔｈｅｍａｔｉｃａｌＳｔａｔｉｓｔｉｃｓ，２０００，２８（２）：３３７－３７４．［１４］ＫＩＮＧＭＡＤ，ＢＡＪ．Ａｄａｍ：ＡＭｅｔｈｏｄｆｏｒＳｔｏｃｈａｓｔｉｃＯｐｔｉｍｉｚａｔｉｏｎ［Ｊ］．ＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，２０１４，ａｂｓ／１４１２．６９８０．［１５］ＬＩＳ，ＪＩＡＮＧＨ，ＷＡＮＧＺ，ｅｔａｌ．ＡｎｅｆｆｅｃｔｉｖｅｃｏｍｐｕｔｅｒａｉｄｅｄｄｉａｇｎｏｓｉｓｍｏｄｅｌｆｏｒｐａｎｃｒｅａｓｃａｎｃｅｒｏｎＰＥＴ／ＣＴｉｍａｇｅｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｍｅｔｈｏｄｓａｎｄｐｒｏｇｒａｍｓｉｎｂｉｏｍｅｄｉｃｉｎｅ，２０１８，１６５：２０５－２１４．（上接第８页）［１７］ＹＡＮＧＭ，ＹＵＫ，ＺＨＡＮＧＣ，ｅｔａｌ．Ｄｅｎｓｅａｓｐｐｆｏｒｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｉｎｓｔｒｅｅｔｓｃｅｎｅｓ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ．２０１８：３６８４－３６９２．［１８］ＺＨＡＮＧＺ，ＳＡＢＵＮＣＵＭ．Ｇｅｎｅｒａｌｉｚｅｄｃｒｏｓｓｅｎｔｒｏｐｙｌｏｓｓｆｏｒｔｒａｉｎｉｎｇｄｅｅｐｎｅｕｒａｌｎｅｔｗｏｒｋｓｗｉｔｈｎｏｉｓｙｌａｂｅｌｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ３２ｎｄＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍ，２０１８：８７９２－８８０２．［１９］ＢＥＲＴＡＳＩＵＳＧ，ＴＯＲＲＥＳＡＮＩＬ，ＹＵＳＸ，ｅｔａｌ．Ｃｏｎｖｏｌｕｔｉｏｎａｌｒａｎｄｏｍｗａｌｋｎｅｔｗｏｒｋｓｆｏｒｓｅｍａｎｔｉｃｉｍａｇｅｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］／／ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥｃｏｎｆｅｒｅｎｃｅｏｎｃｏｍｐｕｔｅｒｖｉｓｉｏｎａｎｄｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ．２０１７：８５８－８６６．４１智㊀能㊀计㊀算㊀机㊀与㊀应㊀用㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第１３卷㊀。
放射科的谋变者访上海交通大学医学院附属瑞金医院放射科主任陈克敏
放射科的谋变者访上海交通大学医学院附属瑞金医院放射科主任陈克敏代瑾【摘要】@@ 估计连陈克敏自己也没想到,在离开上海交通大学医学院附属瑞金医院(以下简称瑞金医院)近二十年后,他重新回到这里,又干了十年.唯一不同的是,离开瑞金医院时,他只是一名小医生,回来的时候已经是放射科的学科带头人了.【期刊名称】《中国医院院长》【年(卷),期】2010(000)010【总页数】3页(P58-60)【作者】代瑾【作者单位】【正文语种】中文推荐理由在既定框架下做自己认为正确的事情，让更多的后辈接受更规范的训练。
为了这两个目标，他一直在执着地谋划着。
估计连陈克敏自己也没想到，在离开上海交通大学医学院附属瑞金医院（以下简称瑞金医院）近二十年后，他重新回到这里，又干了十年。
唯一不同的是，离开瑞金医院时，他只是一名小医生，回来的时候已经是放射科的学科带头人了。
离开瑞金医院的近二十年间，陈克敏在复旦大学医学院附属华山医院完成了研究生学业，并成为了华山医院超声领域的领军人。
两所知名医院的工作背景让他的价值更加彰显，上海交通大学医学院附属仁济医院挖他去做放射科主任。
在仁济医院干了六年后，瑞金医院又将他召回。
“瑞金医院毕竟是我的母校，妈妈叫儿子回去，儿子能不回去吗？”陈克敏对自己重回瑞金医院轻描淡写地说道。
重返瑞金医院的这一年，陈克敏已经50岁了。
年过半百时接任瑞金医院放射科主任，陈克敏最锐意的改革就是对人才的素质培养和技能训练。
“我不否认北京、上海的教学医院培养体系很规范，但是从全国范围来说，我们国家跟欧美国家，甚至是日本相比，还是有很大的差距。
”在整个采访中，陈克敏不断地指出医学教育体系存在的问题。
拿住院医师培养制度来说，其实这项制度早在文化大革命前就已存在，但是直到现在执行仍然不规范。
由于在培养上没有形成统一的标准，进行统一的考试也就成了纸上谈兵。
在很大程度上，我国内地从住院医师晋升到专科医师拼的不是知识素养，而是年资。
“有一次我参观台湾某医院，看见他们的走廊里贴着一条大标语，上面写着：狂贺某某通过了专科医师资格考试。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
作者单位：２０００２５ 上海，上海交通大学医学院附属瑞金医院放射科作者简介：张静（１９８２－），女，山东济宁人，硕士研究生，主要从事腹部影像学研究工作。
通讯作者：陈克敏，Ｅ－ｍａｉｌ：ｋｅｍｉｎｃｈｅｎｒｊ＠ｙａｈｏｏ．ｃｏｍ．ｃｎ基金项目：国家自然基金面上项目（８１０７１２８１）；上海市科委科研项目（１０ＪＣ１４１０９００）；上海市科委生药重点项目资助（１０４１１９５３０００）·能谱ＣＴ影像学专题·ＣＴ能谱成像在胰岛素瘤诊断中的初步研究张静，林晓珠，徐学勤，李卫侠，王明亮，郁义星，严福华，陈克敏【摘要】 目的：探讨ＣＴ能谱成像分析在胰岛素瘤诊断中的价值。
方法：回顾性分析采用能谱ＣＴ能谱模式双期增强扫描并经手术病理证实的３０例胰岛素瘤患者的病例资料。
分别采用７０ｋｅＶ单能图像、碘基图像和最佳ｋｅＶ能量图像进行重建，比较不同图像模式下胰岛素瘤的检出率和病灶的对比噪声比（ＣＮＲ）。
结果：本组胰岛素瘤动脉期和门静脉期７０ｋｅＶ单能图像、最佳ｋｅＶ能量图像和碘基图像上ＣＮＲ分别为３．１８±２．２１、３．７７±２．３７、３．１３±２．１８和１．７７±１．２５、２．２０±１．３８、１．８７±１．０８。
配对ｔ检验结果显示，７０ｋｅＶ单能图像、最佳ｋｅＶ能量图像和碘基图的ＣＮＲ，动脉期图像均明显优于门静脉期（ｔ＝３．１３９，Ｐ＝０．００５；ｔ＝３．１９６，Ｐ＝０．００４；ｔ＝３．０５，Ｐ＝０．００３）。
动脉期最佳ｋｅＶ能量图像上病灶ＣＮＲ大于７０ｋｅＶ单能量图像；动脉期和门静脉期７０ｋｅＶ能量、最佳ｋｅＶ能量图像、碘基图、能谱多参数图像对胰岛素瘤的检出率分别为７３．３％（２２／３０）、８６．７％（２６／３０）、８６．７％（２６／３０）、９６．７％（２９／３０）和５３．３％（１６／３０）、７３．３％（２２／３０）、７３．３％（２２／３０）、７６．７％（２３／３０）。
结论：在诊断胰岛素瘤方面，不同能谱扫描模式下动脉期图像均优于门静脉期，最佳ｋｅＶ能量图像和碘基图优于７０ｋｅＶ单能量图像。
能谱ＣＴ多参数图像联合应用有利于提高对胰岛素瘤的诊断准确性。
【关键词】 胰腺肿瘤；胰岛素瘤；体层摄影术，Ｘ线计算机；能谱成像；诊断【中图分类号】Ｒ８１４．４２；Ｒ７３６．７ 【文献标识码】Ａ 【文章编号】１０００－０３１３（２０１２）０３－０２５０－０４Ｓｐｅｃｔｒａｌ ＣＴ ｉｍａｇｉｎｇ ｉｎ ｐｒｅｏｐｅｒａｔｉｖｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｐａｎｃｒｅａｔｉｃ ｉｎｓｕｌｉｎｏｍａ：ａｐｒｅｌｉｍｉｎａｒｙ ｓｔｕｄｙ ＺＨＡＮＧ Ｊｉｎｇ，ＬＩＮ Ｘｉａｏ－ｚｈｕ，ＸＵＸｕｅ－ｑｉｎ，ｅｔ ａｌ．Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｒａｄｉｏｌｏｇｙ，Ｒｕｉｊｉｎ Ｈｏｓｐｉｔａｌ，Ｓｃｈｏｏｌ ｏｆ Ｍｅｄｉｃｉｎｅ，Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２０００２５，Ｐ．Ｒ．Ｃｈｉｎａ【Ａｂｓｔｒａｃｔ】 Ｏｂｊｅｃｔｉｖｅ：Ｔｏ ｅｘｐｌｏｒｅ ｔｈｅ ｖａｌｕｅ ｏｆ ｄｕａｌ ｅｎｅｒｇｙ ｓｐｅｃｔｒａｌ ＣＴ ｉｍａｇｉｎｇ ｉｎ ｐｒｅｏｐｅｒａｔｉｖｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｉｎｓｕｌｉｎｏ－ｍａｓ．Ｍｅｔｈｏｄｓ：Ｔｈｉｒｔｙ ｐａｔｉｅｎｔｓ ｉｎｃｌｕｄｅｄ ｉｎ ｔｈｉｓ ｓｔｕｄｙ ｕｎｄｅｒｗｅｎｔ ｄｕａｌ－ｐｈａｓｅ ＤＥｓＣＴ ｉｍａｇｉｎｇ ｆｒｏｍ Ｆｅｂ ２０１０ｔｏ Ｎｏｖ ２０１１．Ａｌｌｔｈｅ ｐａｔｉｅｎｔｓ ｈａｄ ｄｉａｇｎｏｓｉｓ ｃｏｎｆｉｒｍｅｄ ｂｙ ｐａｔｈｏｌｏｇｙ．Ｔｈｒｅｅ ｓｅｔｓ ｏｆ ｓｐｅｃｔｒａｌ ｉｍａｇｅ ｉｎｃｌｕｄｉｎｇ ７０ｋｅＶ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｅ，ｉｏ－ｄｉｎｅ ｄｅｎｓｉｔｙ ｉｍａｇｅ ａｎｄ ｏｐｔｉｍａｌ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｅ ｗｅｒｅ ｒｅｃｏｎｓｔｒｕｃｔｅｄ．Ａｌｌ ｉｍａｇｅ ｓｅｔｓ ｗｅｒｅ ｉｎｔｅｒｐｒｅｔｅｄ ｒｅｔｒｏｓｐｅｃｔｉｖｅｌｙ ｂｙｔｗｏ ｒａｄｉｏｌｏｇｉｓｔｓ．Ｔｈｅ ｃｏｎｔｒａｓｔ ｎｏｉｓｅ ｒａｔｉｏ（ＣＮＲ）ｏｆ ｌｅｓｉｏｎ ｗａｓ ｃａｌｃｕｌａｔｅｄ，ａｎｄ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ｒａｔｅ ｏｆ ｉｎｓｕｌｉｎｏｍａ ａｎｄ ＣＮＲｗｅｒｅ ｃｏｍｐａｒｅｄ ｂｅｔｗｅｅｎ ｄｉｆｆｅｒｅｎｔ ｉｍａｇｅ ｓｅｔｓ．Ｒｅｓｕｌｔｓ：Ｉｎ ａｒｔｅｒｉａｌ ｐｈａｓｅ，７０ｋｅＶ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｉｎｇ ｄｅｔｅｃｔｅｄ ２２ｏｆ ３０ｔｕｍｏｒｓ ａｎｄ ｔｈｅ ｏｐｔｉｍａｌ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｉｎｇ ｄｅｔｅｃｔｅｄ ２６ｏｆ ３０ｔｕｍｏｒｓ ｓｅｐａｒａｔｅｌｙ，ｔｈｅ ｉｏｄｉｎｅ ｄｅｎｓｉｔｙ ｉｍａｇｉｎｇ ａｌｓｏ ｄｅｔｅｃｔｅｄ２６ｏｆ ３０ｔｕｍｏｒｓ；ｗｈｉｌｅ ２９ｏｆ ３０ｔｕｍｏｒｓ ｗｅｒｅ ｄｅｔｅｃｔｅｄ ｗｉｔｈ ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｔｈｅ ｔｈｒｅｅ ｋｉｎｄｓ ｏｆ ｉｍａｇｅｓ．Ｔｈｅ ＣＮＲｓ ｏｆ ｌｅｓｉｏｎｏｎ ７０ｋｅＶ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｅ，ｏｐｔｉｍａｌ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｅ，ｉｏｄｉｎｅ ｄｅｎｓｉｔｙ ｉｍａｇｅ ｗｅｒｅ ３．１８±２．２１，３．７７±２．３７，３．１３±２．１８ａｎｄ １．７７±１．２５，２．２０±１．３８，１．８７±１．０８．ｉｎ ａｒｔｅｒｉａｌ ｐｈａｓｅ ａｎｄ ｖｅｎｏｕｓ ｐｈａｓｅ ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅ ＣＮＲｓ ｏｆ ｌｅｓｉｏｎ ｉｎ ａｒｔｅ－ｒｉａｌ ｐｈａｓｅ ｗｅｒｅ ｓｉｇｎｉｆｉｃａｎｔｌｙ ｈｉｇｈｅｒ ｔｈａｎ ｔｈｏｓｅ ｉｎ ｐｏｒｔａｌ ｖｅｎｏｕｓ ｐｈａｓｅ，ａｎｄ ＣＮＲ ｏｎ ｏｐｔｉｍａｌ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｅ ｗａｓ ｈｉｇｈｅｒｔｈａｎ ｔｈａｔ ｏｎ ７０ｋｅＶ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｅ．Ｃｏｎｃｌｕｓｉｏｎ：Ｔｈｅ ｏｐｔｉｍａｌ ｍｏｎｏｃｈｒｏｍａｔｉｃ ｉｍａｇｉｎｇ ｈａｓ ｈｉｇｈｅｒ ｓｅｎｓｉｔｉｖｉｔｙ ｉｎ ｄｉａｇｎｏ－ｓｉｓ ｏｆ ｉｎｓｕｌｉｎｏｍａｓ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｅ ７０ｋｅＶ ｍｏｎｏ－ｅｎｅｒｇｙ ｉｍａｇｉｎｇ ａｎｄ ｔｈｅ ｉｏｄｉｎｅ ｄｅｎｓｉｔｙ ｉｍａｇｉｎｇ．Ｔｈｅ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ ｍｏｎｏ－ｃｈｒｏｍａｔｉｃ ｉｍａｇｅ ａｎｄ ｉｏｄｉｎｅ ｄｅｎｓｉｔｙ ｉｍａｇｅ ｃａｎ ｉｍｐｒｏｖｅ ｔｈｅ ｄｉａｇｎｏｓｔｉｃ ｓｅｎｓｉｔｉｖｉｔｙ ｏｆ ｉｎｓｕｌｉｎｏｍａｓ．【Ｋｅｙ ｗｏｒｄｓ】 Ｐａｎｃｒｅａｔｉｃ ｎｅｏｐｌａｓｍｓ；Ｉｎｓｕｌｉｎｏｍａ；Ｔｏｍｏｇｒａｐｈｙ，Ｘ－ｒａｙ ｃｏｍｐｕｔｅｄ；Ｓｐｅｃｔｒａｌ ｉｍａｇｉｎｇ；Ｄｉａｇｎｏｓｉｓ 胰岛素瘤是一种少见的神经内分泌肿瘤，发生率约１∶１００，０００，是较常见的功能神经内分泌肿瘤，９０％属良性，手术切除是唯一可以治愈的方法，但胰岛素瘤一般非常小，定位相对困难，且影像表现多样［１］。
故术前明确肿瘤的部位、大小、数目和毗邻关系非常重要。
目前关于ＣＴ能谱成像对胰岛素瘤诊断价值的研究尚无报道。
ＣＴ能谱成像是在双能量扫描条件下实现的ＣＴ功能成像技术，不但能够获得基物质密度值及其分布图像，还能获得不同千电子伏（ｋｉｌｏ ｅｌｅｃｔｒｏｎ ｖｏｌｔａｇｅ，ｋｅＶ）水平的单能量图像。
ＣＴ能谱成像可以显示不同病变和人体组织随着Ｘ线能量水平（ｋｅＶ）的变化而变化的Ｘ线衰减系数，从而产生反映不同病变和人体组织对于Ｘ线的特征性能谱曲线，同时根据所得的能谱曲线能够计算出病变或组织的有效原子序数（Ｅｆｆｅｃ－ｔｉｖｅ－Ｚ）。
ＣＴ能谱成像是具有多参数定量分析的新成像模式。
本研究通过对胰岛素瘤的ＣＴ能谱特征分析，旨在探讨ＣＴ能谱成像在胰岛素瘤诊断方面的价值。
材料与方法１．研究对象０５２放射学实践２０１２年３月第２７卷第３期 Ｒａｄｉｏｌ Ｐｒａｃｔｉｃｅ，Ｍａｒ ２０１２，Ｖｏｌ ２７，Ｎｏ．３本研究获得医院伦理委员会的批准。
回顾性分析２０１０年２月－２０１１年１１月在本院行能谱ＣＴ双期增强检查并经手术切除及病理证实的３０例胰岛素瘤患者的资料。
其中男１２例，女１８例，年龄１３～８１岁，平均４６岁，病程１个月～４０年，平均７．８年。
２．ＣＴ检查方法本组检查均在ＧＥ Ｄｉｓｃｏｖｅｒｙ ＣＴ７５０ＨＤ宝石能谱ＣＴ机上进行。
检查前１５～３０ｍｉｎ患者饮清水８００～１０００ｍｌ充盈上消化道，减少气体伪影干扰。
增强扫描前行常规上腹部ＣＴ平扫确定胰腺位置，采用能谱成像模式（ＧｅｍＳｔｏｎｅ ｉｍａｇｉｎｇ，ＧＳＩ）行双期动态增强扫描，扫描参数：０．６ｓ／ｒ，螺距０．９８４，０．６２５ｍｍ×６４ｉ；电压为高低能量（１４０和８０ｋＶｐ）瞬间（０．５ｍｓ）切换，管电流约为６００ｍＡ。
采用机械注射器经外周静脉注射碘对比剂碘普胺（３００ｍｇ Ｉ／ｍｌ）８０～１００ｍｌ，注射流率３ｍｌ／ｓ。
动脉晚期（ｌａｔｅ ａｒｔｅｒｉａｌ ｐｈａｓｅ，ＡＰ）扫描开始时间采用腹腔干水平腹主动脉内ＣＴ值监测（Ｓｍａｒｔ Ｐｒｅｐ技术）触发扫描，监测阈值为１２０ＨＵ，达到阈值后延迟８ｓ开始扫描（平均时间为注射对比剂后２５～３５ｓ），门静脉期（ｐｏｒｔａｌ ｖｅｎｏｕｓ ｐｈａｓｅ，ＰＰ）扫描开始时间为动脉期结束后３０ｓ。
图像回顾性后重建３组：第１组为默认单能量（７０ｋｅＶ），第２组图像为碘基图，第３组图像为最佳ｋｅＶ能量图像；层厚和层间距均为１．２５ｍｍ，图像重建均采用标准算法。
３．图像分析及测量所有图像分析和测量均在专业后处理工作站ＧＥＡＷ４．４上由两名有经验的影像医师盲法进行。
将单能量图像载入宝石能谱成像浏览器软件进行分析，病灶大小测量在３个标准平面（横轴面、矢状面和冠状面）上进行，选择病灶最大径记录为病灶大小。
以肠系膜上静脉左侧壁为界记录病灶位置，右侧为胰腺头颈部（包括钩突、头部和颈部），左侧为胰腺体尾部。
病灶测量时，选择病灶最大层面，取圆形或椭圆形兴趣区（ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔ，ＲＯＩ）放置于病灶中央，在不超过病灶面积的前提下，ＲＯＩ面积尽量大，分别记录病灶在７０ｋｅＶ单能量图像、碘基图、最佳ｋｅＶ单能量图像的ＣＴ值及标准差，并保存相应ＲＯＩ的数据文件。