CT能谱成像在胰岛素瘤诊断中的初步研究

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（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。

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。

19胰腺囊性肿瘤属于临床常见病症类型，同时包含浆液性囊腺瘤、假性囊肿、胰腺结核、真性囊肿以及胰腺癌等多种病症表现，病症会显著降低患者的生活质量，促使胰腺功能下降，对于胰腺囊性肿瘤通常以早发现、早治疗作为基本治疗标准，而准确的病症诊断情况能够为提供治疗方案、保证治疗效果奠定基础。

因此有效的诊断方式对胰腺囊性肿瘤的诊断具有重要价值。

现通过选用能谱CT 及MR 弥散加权成像对20例胰腺囊性肿瘤患者进检测，为探究两种方式的使用情况，有以下报告。

1 资料与方法1.1 一般资料选取2019年1月—2020年1月的20例病理检测为胰腺囊性肿瘤的患者进行研究，通过使用不同的检测仪器对其进行分组，分为CT 组和MR 组，其中男性患者10例，女性患者10例，年龄25～39平均年龄（34.27±2.67）岁，经过病理检测确认为浆液性囊腺瘤3例；导管内乳头状黏液性肿瘤4例，假性囊肿6例；胰腺癌4例。

患者资料无统计学意义（P ＞0.05）纳入标准：①所有患者均为病理检测为胰腺囊性肿瘤患者，符合病理检测的相关诊断指标；②未服用过病症相关治疗药物；③知情条件下自愿参与，并签署知情同意书。

排除标准：①存在严重的功能障碍者；②存在内分泌失调者；③短期内有大型手术或外伤者。

1.2 方法能谱CT 检测采用GE 256排Revolution CT 进行检测，方法采用增强扫描联合平扫的方式进行检测，于患者膈顶部位开始扫描至患者肝脏部位下缘，设定CT 扫描的电流为250mAs，电压设定为120Kv，CT 检测层厚为5mm，螺距设定为1。

在对患者进行扫描的过程中，应当采用90ml 碘伏醇对患者进行持续静脉注射，期间需控制对患者的推注速度，完成对比剂注射后需要对患者扫描肝动脉期、门脉器及延迟期进行扫描检测并做好相关记录。

MR 弥散加权成像采用医用磁共振成像设备德国西门子Magnetom Trio Tim 进行检测，同能谱CT 扫描方式对患者进行增强扫描联合平扫，磁共振成像检测的层间距设定为0.8mm，层距设定为4mm，随后对患者冠面T2WI、T2WI 以及T1WI 部位进行扫描，在扫描过程中应采用顺磁性Gd-DTPA 进行静脉推注，速率按照0.2ml/kg 对患者进行5s 内快速注射，推注时需要患者保持屏息，同时需要对患者进行动态增强扫描，以保证患者的病症观测。

能谱CT成像原理及临床应用价值研究作者：张磊来源：《中国卫生产业》2016年第29期[摘要] 自从射线成像技术被应用到医学领域之后，CT设备经历了巨大的进步与改善，已成为临床疾病检查与筛查的首选，为疾病的诊断带来了巨大的推动作用。

近年来，随着多层螺旋CT的出现，成像技术及后期影像处理技术的发展，CT已在临床疾病检查、筛查、诊断、定位与治疗等方面广泛应用。

CT成像原理主要基于单能量成像、能谱曲线、有效原子序数、X线与物质相互作用、能谱成像技术支持等，不仅有助于疾病的诊断和定量分析，而且为疾病数据分析，资料保存提供有效支持。

在心血管系统、神经系统、泌尿系统、运动系统、肿瘤定位诊断、靶向治疗、物质分离与鉴别等方面均得到广泛应用，在临床与科研应用中具有广阔的发展空间和应用价值。

[关键词] 能谱CT;体层摄影术;成像原理;临床应用[中图分类号] R81 [文献标识码] A [文章编号] 1672-5654（2016）10（b）-0033-03Research on Energy Spectrum CT Imaging Principle and Its Clinical Application ValueZHANG LeiDepartment of CT Imaging， Nanyang Central Hospital of Henan Province， nanyang， Henan Province， 473000 China[Abstract] CT equipment has experienced enormous progress and improvement and has been the preference of the clinical disease examination and screening since the X-ray imaging technique was applied to the medical field， which brings an enormous promotion effect on the diagnosis of diseases， in recent years， with the emergence of multi-slice spiral CT and development of imaging technique and post imaging processing technique， CT has been widely applied in the clinical disease examination， screening， diagnosis， location and treatment， CT imaging principle not only contributes to the disease diagnosis and quantitative analysis， but also providing effective support for the disease data analysis and data preservation mainly based on the monokinetic imaging， energy spectrum curve， effective atomic number， interaction between x-ray and matter and energy spectrum imaging technology support. And CT is widely applied in the cardiovascular system，nervous system， urinary system， locomotor system， tumor location diagnosis， molecular targeted therapy， physical separation and identification， and has a broad development space and application value in clinic and scientific research application.[Key words] Energy spectrum CT; Body section radiography; Imaging principle; Clinical applicationCT自20世纪70年代问世以来，得到了飞速的发展，1972年第一台头部CT被应用于临床检查，之后扫描部位得到不断延伸，成像重要部件探测器也得到不断改进和进步，使CT影像更加清晰，为临床医师提供了大量疾病诊断依据[1]。

能谱CT碘基图对胰腺癌生物治疗疗效的分析目的通过对胰腺癌患者生物治疗前、后行能谱CT增强扫描，探讨CT能谱成像对胰腺癌生物治疗疗效的价值。

方法选取本院20例进行生物治疗的胰腺癌患者，均行能谱CT增强扫描，在宝石能谱成像浏览器（GSI viewer）软件的碘基图上测量治疗前、后肿瘤的碘含量，并进行数据分析及配对t检验。

结果20例胰腺癌患者，生物治疗前肿瘤内兴趣区（ROI）碘含量为（3.05±0.42）g/L，治疗后ROI 碘含量为（1.89±0.33）g/L，通过配对t检验，治疗后肿瘤内碘含量较治疗前降低，两组间的差别具有统计学意义（t = 19.19 P ＜0.05）。

结论CT能谱成像通过测量肿瘤内碘含量的变化，可以初步评价胰腺癌生物治疗的疗效，为临床上肿瘤治疗效果的判定提供一定的参考价值。

[Abstract] Objective To evaluate the efficacy value of biological treatment of pancreatic cancer, by analysis of spectral CT enhancement imaging before and after the application of this therapy. Methods Twenty cases biological treatment of pancreatic cancer patients were underwent spectral CT enhancement imaging. In gemstone spectral imaging viewer (GSI viewer) software, pancreatic cancer patients were measured the tumor iodine content of before and after biological treatment on the iodine-based image, analysed the variance and paired t-test. Results Twenty patients with pancreatic cancer, biological treatment within the tumor region of interest (ROI) were different between pre-treatment and post-treatment. Iodine content of the tumor in post-treatment was lower than that in pre-treatment (1.89±0.33) vs (3.05±0.42) respectively, t = 19.19, P ＜0.05. Conclusion Spectral CT imaging by measuring the changes in iodine content of the tumor, could initially evaluate the efficacy of biological treatment of pancreatic cancer, and could provide a reference value for the clinical efficacy of cancer treatment.[Key words] Spectral CT imaging; Pancreatic cancer; Tomography; X-ray computer胰腺癌（pancreatic cancer，PC）是惡性程度很高的肿瘤，因其独特的解剖位置，症状隐匿，早期诊断困难，其根治性切除术后较高的复发与转移率以及对传统化疗、放疗不敏感已成为制约胰腺癌有效治疗的主要障碍[1-2]。

能谱CT在临床应用中的研究进展摘要：能谱CT作为一种新型影像技术，在原有时间分辨率、空间分辨率的基础上增加了能量分辨率及理化性质分辨率，可以对病灶的组织结构和功能状态进行量化检测，进而提高病灶的对比度和检出率。

能谱CT在疾病的诊断、治疗及预后方面具有很大潜力，本文重点就能谱CT在临床疾病中的应用进行综述。

关键词：能谱CT，诊断，治疗，综述能谱CT是利用物质在不同X射线能量下产生的不同的吸收来提供比常规CT 更多的影像信息的CT技术。

能谱CT的成像技术使CT设备从形态学检查设备逐渐演变成为形态结合功能和组织成分分析的仪器设备。

能谱CT能够通过有效的原子序数、单能量曲线图像、能谱曲线、物质分离及能谱分析技术对病灶的组织结构和功能状态进行量化检测，提高病灶的对比度及检出率，并且具有提供更多的成像参数以及精准的临床数据图像的优势，被广泛应用于临床，本文就简要对能谱CT在临床疾病中的应用进行综述。

1 能谱CT在结直肠癌方面的临床应用能谱CT碘成像可通过分析肿瘤的血供来鉴别结直肠肿瘤的恶性程度，鉴别良恶性病变。

Sun等[1]研究发现与常规CT相比，能谱CT碘成像使结直肠癌的检出率提高了6.7%，检测结直肠肿瘤的敏感性提高到了95.6%，特异性也由原来的42.8%提高为100%，显著降低常规CT结肠成像诊断的假阳性率，辅助鉴别良恶性病变。

同时，能谱CT的碘覆盖图像也已经被证明可以定量检测和描绘结肠和周围组织内病变，从而显示肿瘤的结肠外扩散。

Schaeffer等[2]研究发现，与病理组织结果相比，能谱CT结肠成像对结直肠癌的诊断准确率高达95％，可辅助术前分期评估。

而Yang 等[3]通过能谱CT 对结肠癌患者动静脉期肿瘤中的碘浓度进行测量，并进行分组比较。

研究发现动脉期血供和微血管密度高的低分化和未分化癌的碘浓度均高于高分化癌，这表明定量碘分解图像中的碘浓度与肿瘤血管生成有关，可以用来定量反应肿瘤的血供情况，从而评价肿瘤微循环的生理功能，辅助术前分化程度诊断。

能谱CT成像在胰腺癌术前精确TNM分期中的应用胰腺癌是消化系统高发的恶性肿瘤，侵袭性强，预后不良。

目前根治性手术切除仍然是胰腺癌主要治疗方式，该病没有特异性的临床表现，85%的患者发现时已属疾病晚期，失去了手术切除的机会。

因此，早期发现胰腺癌并准确判断其分期，是获得最佳治疗效果的关键。

目前多层螺旋CT是胰腺癌主要的影像学检查，而能谱CT成像（gemstone spectral imaging，GSI）是一种新兴的检查手段，优化观察目标与背景的对比度和改善图像质量，有助于发现小胰腺癌灶或与胰腺实质密度差异相近的癌灶，并准确显示肿块与周围脏器、大血管之间的关系、淋巴结及腹腔转移情况，进而判断肿块的TNM分期，提高临床对胰腺癌术前可切除性评估水平。

1.GSI的基本原理与功能1.1GSI的基本原理GSI通过对高低（80\140）管电压千伏峰值（kVp）下获取的能量数据进行分析，然后通过碘/水等已知的物质随能量变化的质量吸收函数获取若干单能量（40-140KeV）图像、能谱曲线、物质分离图像及有效原子序数等多参数。

实现更加精细的解剖成像，提高组织间的对比，更重要的是实现物质分离和定量分析，从而在形态和功能变化2个层面为全身各系统疾病提供更加准确、全面的诊断。

1.2GSI的四大工具1.2.1单能量图像（Monchromatic）GSI可以通过计算最佳对比噪声比（CNR）以及相应的能量值而获得最佳单能量图像，增加不同组织结构之间的对比，提高小胰腺癌灶或与胰腺实质密度相近的癌灶检出率，清晰显示各级动静脉，从而为提高胰腺癌的检出率及显示病变与周围脏器、血管的关系提供了可能。

1.2.2能谱曲线（Spectral HU curve）GSI可以反映不同keV下感兴趣区（ROI）的CT值变化规律。

通过能谱曲线的比较，有助于分析病变的性质、比较病变之间的同质性及异质性。

从而准确判断胰腺癌是否存在淋巴结及远处转移，为临床提供更确切、更精准的诊断。

42·中国CT和MRI杂志　2023年08月 第21卷 第08期 总第166期【通讯作者】谢飞跃Diagnostic Value of Energy Spectrum CT·43CHINESE JOURNAL OF CT AND MRI, AUG. 2023, Vol.21, No.08 Total No.166癌42例，滤泡状甲状腺癌21例。

另选取同时期内病理证实的甲状腺腺瘤51例作为甲状腺腺瘤组，其中女性35例，男性16例，年龄21-72岁，平均(50.43±6.51)岁。

选择于我院健康体检的志愿者47例作为对照组，其中男性23例，女性24例，年龄19-62岁，平均(37.84±6.95)岁。

所有受试者均行能谱CT检查和血清MK、IGF-1、Tg水平检测。

三组性别、年龄等一般资料比较无统计学差异(P >0.05)。

纳入标准：分化型甲状腺癌和甲状腺腺瘤均经病理证实；患者未合自身免疫性甲状腺炎、并炎症、结节性甲状腺肿、亚急性甲状腺炎、慢性肾炎等；既往无颈部或甲状腺手术史的患者；未合并或既往有肺癌、乳腺癌、胃癌等其他恶性肿瘤疾病的患者；排除标准：伴有严重心、肝、肾功能障碍者；未行能谱CT检查；病灶直径<1cm者；血清MK、IGF-1、Tg水平检测不符合诊断标准；无病理结果；病灶内含有大面积钙化或为囊性病灶；图像质量不合格；对碘对比剂过敏、孕妇、合并有肿瘤等会引起血清标志物异常者。

1.2 能谱CT检查方法 甲状腺扫描采用GE Discovery HD 750 CT 机，患者取卧位，扫描时嘱受试者注意屏气、避免吞咽等运动以减少运动伪影，自颅底至主动脉弓水平进行范围。

采用颈部能谱CT成像扫描，双球管电压(高电压140keV、低电压80keV)，自动调节管电流，层厚5mm，重建层厚0.6mm，螺距0.984，FOV：250mm×250mm。

以碘普罗胺作为增强注射对比剂，流速控制在4-5ml/s，静脉注射，总量为50-60mL，在药物注射后20s和40s扫描并获得动脉期、静脉期图像。

综 述影像研究与医学应用 2019年8月 第3卷第15期引言能谱CT在胰腺疾病的检测方面，其优势主要体现在对于胰腺小病灶的分析和鉴别，可以明确肿瘤疾病分级、病变分析，从而做好早期诊断工作。

一般情况下利用碘作为对比剂时，能谱CT还可以利用不同类型的基物质来显示出含血供的病灶。

总体来看，我们在胰腺疾病的诊断环节可以更好地利用该技术做好辅助工作。

1 能谱CT的成像原理CT成像的原理分析是结合X线穿透物质的衰减所提出，能谱CT成像在此基础上以两个不同能量点切换实现X先衰减吸收曲线的表达，获取混合能量与物质分离的图像信息，为后续工作提供参考，从而进行物质组成成分的分析，或是进行物质分离。

另外，也可以对特定的组织图像而进行分析与比较。

一般情况下能谱的曲线图会伴随着X线能量水平（keV）的变化而变化，用以满足不同能量水平下对于各类疾病的准确诊断。

所以在keV值的选择环节中，我们需要考虑到病灶的现实情况，同时确定最佳对比噪声比，在某一能量水平病灶与脏器衰减的差异可以使得噪声值得到合理控制。

总体来看，我们可以分析肿瘤的浸润程度、病理特征、远处转移灶等不同情况的特点，以提升图像的对比噪声比来维持诊断结果的精确程度。

2 能谱CT在胰腺疾病诊断的应用2.1 胰岛素瘤的诊断胰岛素瘤是胰岛β细胞瘤或是β细胞增生导致的胰岛素过度分泌引起的低血糖，同时表现为多种病因引起的血糖浓度低为特征的综合征。

从该疾病的诊断过程来看，我们需要对其血糖进行监测，判断患者是否存在Whipple 三联征。

因为胰岛素瘤通常伴有典型的Whipple三联征表现，包括低血糖症状、神经症状、昏迷，且该肿瘤的体系普遍较小，多采用手术治疗方案。

而胰岛素瘤本身是一种良性肿瘤，在手术中我们也多保留正常的胰腺组织，此时对于手术区域的定位工作就显得至关重要，否则必然导致周围组织与病变密度无法有效诊断，出现漏诊、误诊，影响正常疾病的治疗时机。

我们通过能谱CT的物质分离，可以通过注射对比剂的方式了解到病灶特征的关键信息，特别是如何获取CT值差异与较低能量值下器官组织的对比过程研究。