陈硕
- 作品数：7 被引量：21H指数：3
- 供职机构：清华大学医学院生物医学工程系更多>>
- 发文基金：国家自然科学基金北京市自然科学基金北京市科技计划项目更多>>
- 相关领域：医药卫生更多>>
- 颅颈动脉三维磁共振管壁成像技术及其应用进展被引量：5
- 2016年
- 颅颈动脉粥样硬化是引起缺血性脑卒中的主要原因。MR管壁成像技术可直接显示动脉管壁的形态学特征,是目前评价颈动脉斑块的最佳无创性影像学手段之一。近年来,随着三维MR管壁成像技术的发展,其在颅内和颅外颈动脉粥样硬化病变的临床诊断中发挥着越来越重要的作用。本文主要对颅颈动脉三维磁共振管壁成像技术及其应用进展做一综述。
- 蔡颖陈硕赵锡海李澄
- 关键词：动脉粥样硬化血管壁磁共振成像
- 利用4D-Flow技术定量分析肺动脉血流和相对压力的可重复性研究被引量：3
- 2016年
- 目的肺动脉血流动力学参数的无创测量,对于肺动脉高压的诊断、预后评估和跟踪研究有重要意义。本文主要基于4D-Flow技术对肺动脉血流定量测量和相对压力计算的可重复性进行研究。资料与方法对8例健康志愿者1周内进行2次独立的肺动脉4D-Flow成像,在肺动脉干、左肺动脉和右肺动脉取3个截面,定量分析每个截面的最大流速、每搏输出量、最大流量和平均相对压力等参数,分析各参数的相关性和可重复性。结果利用2次扫描结果成功测量了肺动脉最大流速、每搏输出量、最大流量和平均相对压力,2次扫描结果相关性较好(r=0.880、0.988、0.958、0.953,P<0.001)。Bland-Altman分析结果表明,最大流速、最大流量、每搏输出量和峰值压力结果有较好的可重复性(d=1.30、4.60、1.00、0.04,σd=±8.90、±29.30、±9.20、±0.35)。结论利用4D-Flow技术可以对肺动脉血流及相对压力进行定量分析,并且有较好的可重复性。
- 马珂岳云龙周赜辰孙爱琦陈硕李睿
- 关键词：磁共振成像肺动脉血流动力学
- 基于U-Net神经网络的多模态MR颈动脉血管成像的分割方法研究被引量：8
- 2019年
- 目的 探讨基于U-Net神经网络的多模态MR影像颈动脉血管分割方法的价值.方法 回顾性分析了2012年至2015年中国动脉粥样硬化风险评估研究项目中,经标准多模态MR扫描,且两周内出现缺血性脑卒中或短暂性脑缺血的患者.经纳入标准和排除标准筛选后,有658例患者共17 568层颈动脉血管壁影像纳入研究.应用定制设计的心血管疾病评估计算机辅助系统(CASCADE,华盛顿大学血管成像实验室,西雅图)对所有影像数据进行分析.按照训练集、验证集和测试集6∶2∶2的比例,随机选取10 592个样本作为训练集,3 488个样本作为验证集,3 488个样本作为测试集.为防止模型过拟合,提高模型泛化能力,对原始的多模态血管斑块MR影像进行数据增强.应用经过微调的U-Net神经网络构建多模态MR影像颈动脉血管分割模型,在训练集上训练,在验证集上验证并优化训练超参数,在测试集上测试并计算像素级别的颈动脉血管分割的敏感度、特异度和Dice系数,并计算U-Net分割方法和手工分割方法下的最大管壁厚度和管壁面积,利用组内相关系数和Bland-Altman分析来验证两种方法的一致性.结果 在测试集上应用训练得到的U-Net神经网络模型进行颈动脉血管分割,计算敏感度为0.878,特异度为0.986,Dice系数为0.858.最大管壁厚度的组内相关系数(95%可信区间)为0.921(0.915~0.925),管壁面积的组内相关系数(95%可信区间)为0.929 (0.924~0.933),Bland-Altman分析中最大管壁厚度差值为(0.037±0.316)mm,管壁面积差值为(1.182± 4.953)mm2,U-Net分割方法和手工分割方法具有较高一致性.结论 应用U-Net神经网络的方法,在大规模经过专业医师标注的数据集上进行训练和验证,可以实现对多模态MR影像颈动脉血管自动分割.
- 李继凡陈硕章强宋焱Gador Canton孙杰许东翔赵锡海苑纯李睿
- 关键词：颈动脉动脉粥样硬化
- 3D颅颈联合血管壁成像评估动脉粥样硬化的可重复性研究被引量：1
- 2018年
- 目的对3D颅颈联合血管壁成像显示颈动脉及大脑中动脉的动脉粥样硬化特点(形态、斑块成分)的可重复性进行评估。方法入组颈动脉或大脑中动脉存在动脉粥样硬化斑块的症状性大脑中动脉供血区梗死患者10例。所有患者均行两次3D颅颈联合血管壁成像,时间间隔小于1个月。对所有患者双侧颈总动脉段、颈动脉窦段、颈内动脉C1段(C1)、颈内动脉C2~C7段(C2~C7)及大脑中动脉M1段进行评估,评估包括斑块存在、管腔面积、管壁面积、最大管壁厚度、血管狭窄程度、斑块面积、斑块分布、斑块成分(颈动脉:斑块内出血、钙化、溃疡;大脑中动脉:斑块分布、斑块内出血),并比较两次扫描对斑块定性及定量评估的差异。结果排除1例图像质量差的患者,共9例患者,72个颈动脉节段和18个大脑中动脉节段被纳入分析。共14个颈动脉斑块和8个大脑中动脉斑块被检出,统计结果显示两次扫描对管腔面积、管壁面积、最大管壁厚度、血管狭窄程度、斑块面积等参数的评估一致性良好(ICC均大于0.75)。对于颈动脉脉斑块存在、钙化、溃疡及大脑中动脉斑块存在、分布及斑块内出血等性质的评价一致性极好(Kappa值均大于0.8),对于颈动脉斑块内出血的评估具有良好的一致性(Kappa值大于0.6)。结论 3D颅颈联合血管壁成像具有良好的可重复性,能够用于评估颈动脉及大脑中动脉的动脉粥样硬化斑块的特点,具有良好的临床应用前景。
- 沈宓高培毅杜康陈硕
- 关键词：动脉粥样硬化大脑中动脉颈动脉
- 基于三维卷积神经网络的颈部TOF MRA图像的血管自动分割
- 2022年
- 目的提出一种基于三维卷积神经网络(convolutional neural network,CNN)的分割模型,通过设计网络结构和调整参数,实现对颈部时间飞跃法磁共振血管造影(time of flight magnetic resonance angiography,TOF MRA)图像的自动精准血管分割。方法三维颈部TOF MRA图像数据来源于一项无症状老年人心脑血管病发病风险研究中的166例受试者。首先由有血管影像临床经验的放射诊断医生运用Mimics软件对颈部动脉血管进行手动标注,再按照8∶1∶1的比例将数据随机分为训练集(132例)、验证集(17例)和测试集(17例)。针对TOF MRA图像稀疏性和高对比度的特点,采用3D CNN的优化模型,通过在U-Net网络的编码和解码路径中多层级的加入专门的模块和不同分辨率的原始图像,更好地学习和利用到图像的独有特征。为研究输入图像的大小对网络性能的影响,从原始图像中分别裁剪出3种不同尺寸大小的三维切块来进行模型训练。在十折交叉验证下,采用Dice系数的平均值和标准差,以及灵敏度和特异度对模型的分割性能进行评价。采用单因素方差分析对比3种切块尺寸下的测试实验。结果所提出的新模型取得了最高的分割Dice值(0.9320)、灵敏度(0.9186)和特异度(0.9996),以及最小的Dice值标准差(0.0051)。ANOVA显著性水平为P<0.01,表明了不同切块尺寸下的模型分割结果有显著性差异,尺寸增大,模型分割结果更好。结论所提出的基于3D CNN的优化模型在TOF MRA图像血管自动精准分割上优于已有方法。此外,增加模型输入图像的尺寸大小有助于提高分割性能。
- 邱伟陈硕魏寒宇李睿
- 关键词：卷积神经网络血管分割
- 无需心电门控与呼吸控制的心脏磁共振实时成像被引量：2
- 2020年
- 目的为解决传统心脏电影成像易受屏气不完全和心律不齐等影响的缺陷,并获得高时间分辨率的心脏图像,本文实现并验证一种无需心电门控与呼吸控制的实时心脏磁共振成像和重建方法。资料与方法使用低秩模型与稀疏约束实现实时成像方法。前瞻性纳入6名健康志愿者及1名心律不齐患者进行心脏磁共振扫描。通过仿真优化成像重建参数;通过健康志愿者实验比较实时方法与传统电影成像方法的一致性;进行心律不齐患者实验以验证实时方法对异常心动周期的捕捉能力。结果模型在参数为阶数L=25、约束系数λ=0.5时表现最佳;实时方法与电影方法对于射血分数、心输出量、每搏输出量指数、左心室质量的皮尔逊相关系数分别为0.9934、0.9997、0.9936、0.9916;Bland-Altman与相关系数分析结果表明,实时方法与电影方法在评估健康志愿者的左心室面积与心功能参数时高度一致,实时方法能够捕捉心律不齐患者的发病状态。结论心脏实时成像方法与传统电影方法具有高度一致性,并能够实现对心律不齐患者的异常心动周期的捕捉,具有进一步研究及临床应用价值。
- 郑翊宸陈硕孙爱琦赵波李睿
- 关键词：心脏磁共振成像实时成像磁共振成像
- 基于U-Net神经网络的肥厚型心肌病与高血压性左心室肥厚磁共振图像定量分析与鉴别被引量：2
- 2020年
- 目的探讨基于U-Net神经网络的肥厚型心肌病(hypertrophic cardiomyopathy,HCM)与高血压性左心室肥厚(hypertensive left ventricular hypertrophy,HLVH)的磁共振图像定量分析与鉴别。材料与方法回顾性分析2017年国际医学图像计算和计算机辅助干预协会(Medical Image Computing and Computer Assisted Intervention Society,MICCAI)一项心脏疾病自动诊断挑战项目中包含的100例心脏疾病患者以及2014年7月至2019年3月上海交通大学医学院附属仁济医院确诊的45例HCM与48例HLVH患者。MICCAI数据集作为训练集和验证集,随机挑选5例HCM病例和5例HLVH病例作为测试集,得到一个基于U-Net的心脏自动分割神经网络。对所有入组的HCM与HLVH患者的心脏磁共振图像进行自动分割并提取多项量化参数,采用独立t检验比较各项量化参数在HCM组与HLVH组间的差异,采用多因素logistic回归法对有统计学差异的变量进一步分析建模,使用4折交叉验证方法结合ROC法对模型的分类性能进行验证。结果55项量化参数中有13项在HCM组与HLVH组之间存在显著性差异,有3项指标对两者的鉴别分类具有显著性影响。4折交叉验证得到的ROC曲线下面积分别为0.939、0.984、0.972和0.963,其中最佳模型对应的测试集准确率为86.96%(20/23)。结论U-Net神经网络分割心脏磁共振影像可以提供更多量化信息,有助于鉴别肥厚型心肌病与高血压性左心室肥厚。
- 焦梓灵魏寒宇李继凡陈硕柴烨子刘启明李睿姜萌
- 关键词：卷积神经网络肥厚型心肌病高血压性左心室肥厚磁共振成像
