RSNA年会的主题是“携手预见未来”，强调对临床和影像信息的整合，对患者全方位的关爱。深度学习依旧扮演着重要角色，在病灶检测、图像重建等领域应用越来越广泛。能谱CT技术、低剂量扫描技术愈加成熟。影像组学等技术在临床应用中的探索越来越多。急诊CT对扫描时间和对比剂等的要求更高。肺部MRI在功能评估中的应用越来越多。技术的落脚点始终是临床问题，即解决医生和患者的需求。

??CT图像中的肺肿瘤体积分割对于通过跟踪肿瘤体积变化、监测肿瘤对治疗的反应以及通过CT影像组学进行预后和诊断预测至关重要。肺肿瘤分割的主要挑战是肿瘤的大小差异在1~18cm之间，肿瘤的位置也不同。SohyunByun等提出了在不同肿瘤形状和位置的肺肿瘤强有力的分割耦合网络，将检测数据集按照肿瘤位置分为4类：孤立的肿瘤(1类)、胸壁和纵隔肿瘤(2类和3类)、肺尖部和基底部的肿瘤(第4类)。该耦合器网络的性能表现最好，能够较好地分割肿瘤，总体Dice系数性能为79.49%，1类、2类、3类和4类的Dice系数分别为86.94%、80.35%、73.57%和84.08%。在纵隔相关肿瘤(第3类)中，由于肿瘤形态的多样性，相对于其他类其表现较差。

??StephenHumphries等试图确定使用深度学习（DL）方法分类的受试者水平肺气肿模式是否可以预测损害和死亡率。将慢性阻塞性肺疾病（COPD）Gene研究中的名受试者（具有可用的基线CT和视觉气肿评分）分为两组（训练集例，测试集例），训练DL算法以根据Fleischner标准对实质性肺气肿的模式进行分类。与视觉评分相比，DL肺气肿分类改善了线性混合模型的拟合度；使用DL对放射影像进行标准化，可帮助临床试验的受试者选择，以及在临床实践或肺癌筛查中的风险分层。

??最近推出的基于DL的图像重建（DLIR）算法（TrueFidelityTM，GEHealthcare）旨在通过采用基于深度卷积神经网络（CNN）的模型（包括数百万个经过训练的参数）来模拟具有低噪声和高分辨率的超高剂量滤过反投影（FBP）图像纹理。Melany等回顾性重建常规扫描的52例CT肺血管成像（CTPA）患者（RevolutionApex，GEHealthcare，层厚为1.25mm），采用FBP，50%自适应统计迭代重建（ASIR50%）和3种水平的DLIR（低、中、高），将DLIR算法的图像质量与CTPA中的标准重建图像进行比较发现，与FBP和ASIRv相比，DLIR算法的图像噪声降低，CNR和SNR升高；与ASIRv50相比，DLIR中等强度降低图像噪声，并改善图像纹理质量；图像质量的主观评估无显著差异。

??WeifangLiu等使用DL方法在CTPA上计算急性肺栓塞（APE）的血凝块体积，并探讨其与其他影像学参数的关系。该方法基于U-Net模型的全卷积神经网络，用于分割APE。使用2个数据集来训练DL模型，数据集1包含个放射医师标记的CTPA上的急性PE样本，数据集2包含65个CTPA上不含PE的样本。结果显示，DL模型具有高度的敏感性和可重复性，用DL模型检测急性PE可以大大提高诊断效率，减少放射科医师的工作量。血凝块体积与阻塞分数高度相关，而与右心功能相关的参数具有中等相关性。

??JungheumCho等回顾性分析了在阴性筛查后发生肺癌的美国国家肺癌筛查试验（NLST）参与者的CT筛查图像（n=），并评估基于DL的计算机辅助检测（CAD）系统在检测漏诊肺癌中的价值。根据NLST标准和Lung-RADS分类分别分析了CAD系统的敏感性和假阳性数，结果显示，大多数的CT筛查均符合阳性筛查的标准，并且漏诊了肺癌；基于DL的CAD系统对于阳性筛查的敏感度为89％~95％，对于漏诊肺癌的敏感度为74％，而假阳性数有限，具有改善早期诊断的潜力。

??RamandeepSingh等使用基于DL原型和LungAnalysisTM在双能CT上进行自动肺分割和定量灌注，评估有无PE的患者在双能CT（DECT）肺血管成像上的大叶和区域肺灌注的准确性和变化。88位成年患者在层第三代双源CT（SiemensSomatomForce）上接受DECT肺血管成像扫描，使用基于DL的分割工具，可以获得准确的肺叶分割和定量的肺叶肺灌注。定量参数可以提高诊断准确性，并有助于DECT肺血管成像上预测PE患者的预后。

??JongHyukLee等开发了一种胸部X线上基于DL的活动性肺结核自动检测算法(DLAD)，他们观察了例无症状个体，使用DLAD对这些病例进行诊断，并计算敏感性、特异性、阳性预测值（PPVs）和阴性预测值(NPVs)发现，在低患病率环境下对活动性结核进行系统筛查时，DLAD算法显示出良好的诊断性能，在活动性肺结核的检测方面与放射科医生相当。

??磨玻璃结节（GGNs）肺腺癌的侵袭程度的判断是治疗的关键。Hwan-hoCho等使用影像组学方法从CT评估附加的边缘特征来预测病理侵犯的程度。从2个队列(训练n=，验证n=47)中确定例患者接受了GGNs手术。所有GGNs经病理证实为原位腺癌(AIS)、微浸润腺癌(MIA)和侵袭性腺癌(IA)。对感兴趣区（ROI）进行半自动勾画，计算出40个影像组学特征，使用L1正则化的特征来建立基线影像组学模型。利用肿瘤内部强度的累积分布函数(CDF)来分析其他的边缘特征。将基线模型与CDF特征相结合，建立改进模型。对2个模型都进行3种分类测试。从2个模型的2个队列中测量分类器性能。新边缘特征反映了病理侵袭性，可用于区分IA与AIS和MIA。这些反映病理侵犯程度的肿瘤边缘特征可能有助于制定更准确的治疗计划。

??SoheePark等回顾性评估了CT层厚对肺癌影像组学特征（RF）可再现性的影响，并研究基于CNN的超分辨率（SR）算法是否可以提高从不同来源获得的RF的可再现性；开发了使用残差学习的基于CNN的SR算法，以将图像厚层转换为1mm。对例经病理证实的肺癌的CT图像进行半自动分割，包括1、3和5mm的层厚。在所有RF类和所有层厚配准中，GGNs的重现性均优于实体结节。应用基于CNN的SR算法后，3个配准的重现性均显著提高。对不同层厚的CT图像得出的影像组学结果进行比较可能是不可靠的，而基于CNN的图像转换算法可以增强可靠性。

??肺腺癌的一种新的侵袭性方式是空气间隙传播（STAS），这是接受有限切除的早期腺癌患者复发和预后较差的危险因素。为了开发和验证基于CT的影像组学模型，用于肺腺癌STAS的术前预测，JingshanGong等回顾性纳入了例经病理证实的肺腺癌患者，2名放射科医生使用3DSlicer以及PyRadiomics扩展包，对术前薄层CT图像上的影像学特征进行分割和提取。多元逻辑回归分析显示年龄和一种放射学特征（偏斜度）是STAS的独立预测因子，具有较高的诊断性能（AUC为0.81，敏感度为0.，特异度为0.）。

??MengdiCong等回顾性纳入了名IA期非小细胞肺癌（NSCLC）患者，所有患者术前均进行薄层CT增强扫描。由放射科医生确定临床和CT影像特征（年龄、性别、吸烟状况、结节大小、空泡征和胸膜凹陷），软件提取了个影像组学特征。使用最小绝对收缩和选择算子（LASSO）算法选择特征后，开发了3种模型（临床模型、影像组学模型和组合模型）来预测NSCLC早期的淋巴结转移（LNM）。ROC分析显示，组合模型的预测能力优于临床模型和影像组学模型，具有预测LNM的潜力，并可能有助于治疗计划的改善。

??为了调查基于首次CT扫描的基于机械学习的全自动预测多发伤患者急性呼吸窘迫综合征（ARDS）的可能性，SebastianRoehrich等在4年内研究纳入了名≥18岁，创伤严重程度评分（ISS）＞15的多发伤患者。在事故发生后1小时内进行CT扫描，进行了基于DL的肺分割，包括胸腔积液；在整个肺部密集采样了83个影像学特征，并学习了影像学特征表达的时空视觉词汇；随后，使用每个肺的时空视觉词的直方图来训练支持向量机（SVM）分类器，以预测ARDS，并将该算法与用于预测预后的常用评分（简明损伤评分AIS）进行比较。执行了40倍分层交叉验证，以拆分训练集和测试集。基于机器学习的ARDS风险评分得出的AUC为0.78（ISS：0.66；AIS：0.68）。

Jenny等招募例接受前瞻性右心导管（RHC）检查和标准DE-CTPA方案(延迟7s后进行第2次扫描)的患者，根据DE-CTPA碘图像计算主肺动脉增强（PAenh）和降主动脉增强（DAenh），并使用灌注肺血容量定量（PBV）分析每个全肺的体积增强（WLenh）。双期DE-CTPA和实质增强评估是传统CT指标的补充，并提高了预测平均肺动脉压（mPAP）和肺血管阻力（PVR）的能力。

??ParthaHota等将DECT直方图参数作为生物标志物来表征急性和慢性PE患者的肺功能障碍程度。他们回顾性分析了~年间95例疑似急性或慢性PE患者的DE-CTPA资料，使用材料分解重建0.8mm厚的全肺PBV图，并在主肺动脉内用大小为1cm2的圆形ROI进行归一化；使用0.8mm厚的轴向CT图像生成肺罩以限制PBV图分析区域；直方图由落入标签图中的体素生成，并与参数模型拟合以生成用于分析的参数。初步分析表明，DECT直方图参数可以表征急、慢性PE患者的肺功能障碍；平均体素值是用于量化RHC衍生的mPAP和PVR的潜在成像生物标志物。

??为了确定PE患者在DE-CTPA上是否存在灌注缺陷，以及灌注缺陷程度是否影响其发病率和死亡率，Riddhi等从机构性肺栓塞反应小组（PERT）登记处确定了在层双源CT（西门子SOMATOM）上进行DE-CTPA检查的名PE疑似成年患者。使用肺叶分割原型处理已识别的DICOM图像。该原型执行自动的肺叶分割，并提供肺体积，以及每个肺和每个肺叶的几个灌注参数。定性和定量灌注异常以及肺活量是PE患者不良临床结局的独立预后指标。

??WaleedAbdellatif等比较了两种双源CT扫描仪在以双能模式操作的APE评估中的辐射剂量、平均采集时间、客观图像质量和主观图像质量。与第二代SOMATOMDefinitionFlashCT扫描仪相比，第三代SOMATOMForce的平均获取时间明显缩短，捕获时间加快，图像质量提高。这对于紧急检查和高体重患者检查大有裨益。

??Dominik等评估DECT衍生的碘浓度（IC）以及常规CT衰减的临床效用，以区分原发性肺癌和肺转移癌。他们分析了79例原发性肺癌和89例原发性乳腺癌肺转移患者，提取定量IC和常规HU值并将其归一化至胸主动脉。两组之间的差异通过Kruskal-Wallis检验和Dunn事后校正进行评估。使用多元逻辑回归生成诊断模型。相应的多元模型（AUC=0.73）在诊断准确性上明显优于两个参数（IC：AUC=0.57，P0.01；HU：AUC=0.55，P0.），敏感度为65.82％，特异度为76.40％。结合DECT衍生的IC和常规CT衰减值的组合诊断模型可显著改善原发性肺癌和肺转移的鉴别能力。

??JulieDewaguet等获取49例肿瘤（鳞癌12例，腺癌37例）的术前评估的两阶段DECT图像，包括整个胸腔的早期阶段（即肿瘤的血管内阶段）和50s后（即肿瘤灌注的间质期）。计算整个肿瘤以及最外围2mm厚的肿瘤层中的首过和延迟碘浓度和动脉增强分数，并评估肿瘤标本的膜碳酸酐酶IX（mCAIX）的表达。延迟的碘浓度明显高于初次通过的碘浓度，提示间质空间有血管外渗漏。缺氧诱导的新生血管形成可能有助于肿瘤进展和转移。DECT衍生的灌注参数提供肿瘤缺氧的信息。

PeiP.Dou等探讨了能谱CT参数对肺癌Ki67表达的预测价值。他们前瞻性纳入年12月至年2月间经病理证实的27名原发性肺癌患者，从西门子后处理工作站中的双能虚拟成像得出能谱CT参数。基于单能谱曲线和碘图像的静脉相碘比率（iodineratio，IR）和波谱曲线（spectrumcurve，SP）可将原发性肺癌Ki67表达有效地分为低组和高组，这在一定程度上可用于肺癌的分层和个体化治疗。其他能谱参数的功效需要进一步研究。

??YitzhacHadad等回顾性纳入年1月1日至12月31日因临床怀疑PE而行非门控CTPA的患者，通过测量右心室和左心室直径的比值（RV/LV）来研究每个CTPA图像，同时比较有无PE患者间RV/LV≥1的发生率。例患者中，男性例(39.9%)，中位年龄70岁(四分位间58~82)。例存在PE(16.5%)。由于RV/LV≥1在CTPA患者中非常普遍(64.1%)，且无显著性差异，因此RV/LV≥1可能不是APE事件的心脏反应，而是患者的基线状态。因此，对于这一比例的CTPA，进一步的研究是必要的，以完善最有意义的分界点。临床医生应该意识到，在任何CTPA上，RV/LV≥1的高发生率，因为这一发现(尤其是当RV/LV接近1时)可能并不反映增加的PE风险。

在小儿急诊科，为疑似PE的儿童进行CTA检查已经增多，但是检测到的PE数目保持不变。CTA上阴性的PE的临床相关辅助发现的数量可能影响关于CTA的风险/收益比的临床决策。Christian等的研究表明，在小儿急诊科为评估PE进行的CTA中，当PE阴性时，13%病例发现新的临床相关表现。拟对患有PE症状的儿童进行胸部CTA检查时，临床医生不仅应考虑儿童发生PE的可能性较低，还应考虑发现先前X线片未发现的相关异常的可能性较低。

??DavidRotzinger等回顾性纳入了17年来因临床怀疑PE而行CTPA的所有孕妇。依次使用了4排、16排、64排和排探测器CT。结果表明，在过去的17年中，CTPA在孕妇中的使用稳步增长，并且由于最近的技术进步，CTPA的辐射剂量已大大降低，而图像质量却保持不变。在孕妇的CTPA检查中，很少检出PE，检出其他病变更多。

??预测试概率临床评分系统用于将PE疑似患者分为PE的低风险和高风险。PE风险低的患者通常接受D-二聚体测试。低风险组中的D-二聚体由于具有较高的敏感性，因此可以高度肯定地排除PE。然而，D-二聚体的特异性测试较差，阳性结果通常会导致不必要的放射成像。Ahmed等回顾了例PE疑似患者，并进行CTPA和D-二聚体水平的血样检测。回顾性计算所有患者的肺栓塞排除标准（PERC），并在检测PE时将PERC规则的诊断性能与标准D-二聚体水平进行比较，PERC规则对于排除急诊科可疑PE患者具有很高的阴性预测价值。

??Lung-RADS管理指南基于专家意见，缺乏独立的验证。Mark等使用NLST中的结节，评价Lung-RADS评估亚实性结节恶性率的能力；同时将Lung-RADS与NELSON试验体积分类进行比较发现，亚实性Lung-RADS2类和3类结节的恶性风险高于预期，可能需要修订管理指南。

??肺癌筛查的当前挑战是高假阳性率和过度诊断。PengHuang等评估了由组合纵向CT图像特征、患者人口统计学和临床病史发展而来的机器学习预测器（ML）是否可以改善筛查阳性预测值（PPV）并确定侵袭性癌症，并在个来自加拿大肺癌早期检测研究（PanCan）的图像中进行了验证。在肺癌筛查中，ML预测因子比Lung-RADS具有更高的敏感性和PPV。

??年Kaggle比赛中，参加团队获得了大约例低剂量CT扫描的训练集，并在包含个肺癌病例的个扫描测试集中对最终性能进行了测量。超过个团队提交了结果。最好的10种算法全部使用了DL，并且开放源代码。ColinJacobs等将这些算法的性能与放射科医师进行相比（邀请11位放射科医生诊断例CT病例），同时该患者扫描后1年内是否会罹患肺癌评分在0（低）至（高）之间。排名前10位的算法表现出令人鼓舞的性能（AUC为0.86），但仍然不如医师（AUC为0.90），未来的分析将着重于理解计算机算法和人类读者的优缺点，以及如何将它们最佳地结合起来。

??越来越多的共识是，阳性肺癌筛查CT扫描应由多学科小组审查。Michael等评估了多学科审查对肺癌筛查CT（初始编码为Lung-RADS（LR）-3，LR-4a或LR-4b）的影响，发现对LR-3，LR-4a和LR-4b病例进行多学科审查会导致LR重分类，并且在极少数情况下会更改随访建议。

??肺气肿评分(ES)是一种有效的评估肺气肿严重程度的CT定量测量方法。然而，ES高度依赖于辐射剂量和重建算法。为了获得精确的ES，图像噪声必须很低。深度学习重建(deeplearning-basedreconstruction，DLR)可以在不模糊结构轮廓的情况下大幅度降低图像噪声。WataruFukumoto等探讨了DLR重建的低剂量CT(LDCT)和超低剂量CT(ULDCT)图像计算的ES是否相等。在4种重建算法中，只有应用DLR时，LDCT和ULDCT图像才获得等效ES。DLR从LDCT和ULDCT图像中获得较精确的ES，从而能够比较在不同环境下接受扫描的患者之间和患者自身的肺气肿严重程度。

??特发性肺纤维化（IPF）导致外周纤维化改变，从而导致肺表面不规则（PSI）。PSI评分是一种应用广泛的定量CT生物标记物，具有较高的观察者之间一致性，并可预测肺纤维化患者的生存情况。Asser等评估了高分辨率胸部CT上定量PSI评分的准确性，以预测IPF患者的无移植生存期。高分辨率胸部CT图像上PSI的定量测量具有良好的观察者之间一致性，并且是IPF患者无移植生存的强大独立预测因子。

??MinsuokKim等对9名COPD患者进行了Xe-DECT扫描，在不影响肺活量的情况下，对虚拟非对比（VNC）图像和通气图进行了配准，并使用内部软件进行了评估。从VNC图像中分割出叶片和大气道的几何形状，以进行基于CT的全尺寸气道网络（FAN）流动模型建模。从FAN模型计算得出的肺通气与Xe-DECT图像明显相似，并且模型与图像之间的投影平面上的通气剖面的Pearson相关性具有统计学意义。利用结构CT数据的FAN模型可用于得出肺通气图和定量通气数据。

??PeterHoeksema等比较了不同放射科亚专业医生在小儿胸部X线检查上，诊断正常胸片，小气道病变和细菌性肺炎的准确性和准确性。不同专科的放射科医师在解释小儿胸部X线片的准确性无显著性差异。

??JordiBroncano等评价了单指数DWI定量分析胸壁肿瘤的可行性和诊断价值。良性和恶性胸壁肿瘤的平均信号强度（SI）和信号强度比（SIR）存在显著差异(P0.05)。病变的ADC最小值也具有显著差异(P0.05)，脂肪瘤和背部弹力纤维瘤较低。ROC曲线显示，在基于SI的测量中，AUC显著增大，而不是基于ADC的(P0.05)。DWI评价胸壁肿瘤是可行的。相对于基于ADC的参数，基于强度的参数在良恶性鉴别中表现出更好的诊断性能。

??StefaniaGhinassi等以1.5T的呼吸门控逐点编码时间减少与径向采集(respiratory-gatedpointwiseencodingtimereductionwithradialacquisition,PETRA)序列获取肺部MR图像，并与T2加权(BLADE)序列进行比较，重点

欢迎转载,转载请注明原文网址：http://www.iojkm.com/zzywh/13221.html