目的:1.利用腹部增強CT技術(shù)了解胃左動脈走行變化及分型。2.探討人工智能檢測胃左動脈常見變異的實用價值。3.分析腹部手術(shù)中胃周動脈血管解剖變異的臨床價值。方法:1.回顧性選取了2019年1月-2019年12月在南華大學(xué)附屬第一醫(yī)院影像科行腹部增強CT掃描病例的影像學(xué)資料,共305例。讀取患者增強CT血管圖像以對胃周動脈變異進行分類。2.標(biāo)記變異的動脈血管,并將所有數(shù)據(jù)隨機分為五組,四個訓(xùn)練組,一個測試組。同時構(gòu)建一個分類-檢測級聯(lián)框架模型對數(shù)據(jù)進行學(xué)習(xí),得到的曲線下面積值（AUC）即為該模型的檢測性能值。結(jié)果:按照Michels分型,I型共247例,存在血管變異的病人為58例,總體變異率為19.0%。其中II型:8例,約占2.6%;III型、IV型:未見病例;V型:5例,約為1.6%;VI型:6例,約為2.0%。此外,還發(fā)現(xiàn)1例肝總動脈缺如,2例胃左動脈缺如,2例腸系膜上動脈發(fā)出胃網(wǎng)膜右動脈,還有其他Michels未包括分類34例。按照Hiatt分型,Hiatt I型:247例,約81%;Hiatt II型:有24例,約7.9%;Hiatt III型:有10例,約3.2%;Hiatt... 

【文章來源】：南華大學(xué)湖南省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

網(wǎng)絡(luò)設(shè)計模型：CT圖像經(jīng)過分類-檢測網(wǎng)絡(luò)模型后輸出變異圖像層

南華大學(xué)碩士學(xué)位論文6圖2.1網(wǎng)絡(luò)設(shè)計模型：CT圖像經(jīng)過分類-檢測網(wǎng)絡(luò)模型后輸出變異圖像層。分類網(wǎng)絡(luò)設(shè)計：本研究采用了Pytorch[12]中的ResNet-v2-50，使用ImageNet的預(yù)訓(xùn)練模型。Include_top設(shè)置為False，CT層圖像輸入將先通過剪裁后通過雙線性插值插值到224x224。輸出類數(shù)量設(shè)置為1（即為是否“可能變異“）。在訓(xùn)練時，CT層圖像將加入肉眼不可見的隨機噪聲以進行數(shù)據(jù)增廣操作。并在裁剪時進行冠狀面方向上隨機十個像素值的隨機位移以進行進一步的數(shù)據(jù)增廣。檢測網(wǎng)絡(luò)的設(shè)計：本文使用了香港中文大學(xué)多媒體實驗室的Mmdetection作為檢測框架，并使用了其中的Faster-RCNN-r50-FPN模型。同時沒有進行任何的預(yù)訓(xùn)練。學(xué)習(xí)率選擇為1x。2.5模型量化評估指標(biāo)雅卡爾指數(shù)：（Jaccardindex），也稱為并交比（IntersectionoverUnion，IoU）和雅卡爾相似系數(shù)（Jaccardsimilaritycoefficient），是一種用于評估樣本集相似性和多樣性的統(tǒng)計量。雅卡爾指數(shù)用于度量有限樣本集之間的相似度，定義為交集的大小除以樣本集并集的大�。簣D2.2雅卡爾指數(shù)

第2章資料與方法7其中A和B代表兩個不同的集合，J(A,B)代表兩個集合之間的雅卡爾指數(shù)。在本文中，將檢測網(wǎng)絡(luò)的輸出的長方形檢測框記為集合A，醫(yī)生的手工標(biāo)注長方形框記為集合B，使用二者間的交并比（IoU）來判定檢測網(wǎng)絡(luò)的輸出正確與否。查準(zhǔn)率與查全率：在模式識別和分類機器學(xué)習(xí)中，查準(zhǔn)率（precision）是相關(guān)實例在檢索到的實例中所占的比例，而查全率（recall）是相關(guān)實例在需要檢測出的實例中所占比例（如圖2.3）。也就是說，假設(shè)用于識別CT掃描變異血管的計算機程序在一組有12層變異血管的CT圖像中中識別出8層。在確定為變異血管層的8層中，有5層實際上是真的變異（真陽性），而其余部分是正常血管（假陽性）。該程序的查準(zhǔn)率為5/8，而查全率為5/12。因此，在這種情況下，查準(zhǔn)率是“搜索結(jié)果的有用程度”，而查全率是“結(jié)果的完成程度”。所有說查準(zhǔn)率與查全率都是對相關(guān)性的理解和衡量。查準(zhǔn)率和查全率計算方法如圖所示（圖2.3）其中tp代表真陽性（TruePositive），fp代表假陽性（FalsePositive），fn代表假陰性（Falsenegative）。圖2.3查準(zhǔn)率及查全率計算2.6統(tǒng)計學(xué)分析本設(shè)計將所有數(shù)據(jù)采用5折交叉驗證方法進行實驗：所有數(shù)據(jù)將隨機分為五組，其中四組用作訓(xùn)練組，一組用作測試組。選擇不同的測試數(shù)據(jù)進行五次實驗，計算查準(zhǔn)率與查全率，并將五次實驗結(jié)果取平均值。通過繪制各種閾值設(shè)置下的真陽性率（TPR）和假陽性率（FPR）來創(chuàng)建受試者工作特征曲線（ROC）曲線，并計算相應(yīng)的精度和曲線下面積（AUC）。AUC從0至1不等，越接近1表示模型檢測性能越高。并定義AUC>0.9為檢測模型優(yōu)秀，0.7-0.9為檢測模型良好，0.7以下為檢測模型差。

【參考文獻】：
期刊論文
[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]變異肝動脈的解剖學(xué)特點及其臨床意義[J]. 侯燕紅,崔愛玲,劉學(xué)敏,李建斌,李明,曹靖.  中國臨床解剖學(xué)雜志. 2019(04)
[3]卷積神經(jīng)網(wǎng)絡(luò)過擬合問題研究[J]. 任義麗,羅路.  信息系統(tǒng)工程. 2019(05)
[4]面向小目標(biāo)的多尺度Faster-RCNN檢測算法[J]. 黃繼鵬,史穎歡,高陽.  計算機研究與發(fā)展. 2019(02)
[5]應(yīng)用64排螺旋CT血管造影技術(shù)觀察肝動脈解剖變異類型[J]. 路俊英,郭志軍,郭海云,門明,曾艷紅,馮文秋.  肝臟. 2018(09)
[6]Faster-RCNN的癌癥影像檢測方法[J]. 王黎,陸慧娟,葉敏超,嚴(yán)珂.  中國計量大學(xué)學(xué)報. 2018(02)
[7]腹腔干解剖變異及其臨床聯(lián)系[J]. 鄧圣軍,陳偉,周承匯,劉暢,張宇,曾志軍,吳畏.  中國普通外科雜志. 2017(05)
[8]多層螺旋CTA在肝臟腫瘤介入治療中的應(yīng)用價值[J]. 尹紅軍,余杰,歐陽華忠.  影像研究與醫(yī)學(xué)應(yīng)用. 2017(02)
[9]胃后動脈在代謝手術(shù)規(guī)范化操作中的意義[J]. 白日星,閆文貌.  中華肥胖與代謝病電子雜志. 2016(03)
[10]MSCT血管成像對胃左動脈解剖變異研究的臨床意義[J]. 步軍,全顯躍,梁文.  中國醫(yī)藥指南. 2011(20)



本文編號：3582552