Heliyon新板块“Heliyon Medical Imaging”上线了！

交叉学科

Interdisciplinary

Heliyon新板块“Heliyon Medical Imaging”上线了！Heliyon是一本全学科、开放获取的期刊，其中新版块Heliyon Medical Imaging致力于发表所有医学成像研究领域有价值的研究，包括但不限于：放射学、核医学成像技术、光学成像、血管或微循环成像、放射学、医学物理学、超声等，也包括这些成像技术在人工智能领域的最新应用进展。

扫描二维码

查看Heliyon Medical Imaging详情

主编介绍

Andor W.J.M. Glaudemans 

教授，医学博士

Andor Glaudemans是格罗宁根大学医学中心核医学和分子成像部门的核医学专家和副主任、荷兰核医学学会主席、欧洲核医学协会感染与炎症委员会的联合主席。2020年起任格罗宁根大学教授，研究方向为“感染和炎症性疾病的多模态成像”，研究领域包括（病人护理层面和研究层面）：(1)感染；(2)炎症性疾病；(3)肿瘤免疫学。发表论文300余篇，培养博士生20余名，编写施普林格教科书若干，多个编委会成员，参与编写了多项关于感染和炎症性疾病的欧洲指南和PET程序建议。

人工智能有潜力彻底改变医学影像，我致力于为该领域的前沿研究提供专家间的合作平台。我期望可以在探讨人工智能在提高诊断准确性、加速图像解读和改善患者预后方面选择高质量的文章。“Heliyon Medical Imaging”提供了一个创新和知识交流的空间，使我能够努力推动这一领域的发展，为全世界提供更有效、更便捷的医疗解决方案做出贡献。

Tuan Pham

教授，博士

Tuan Pham博士于1995年在新南威尔士大学获得博士学位，研究方向是人工智能在工程数值分析中的应用，是Barts和伦敦玛丽女王大学伦敦医学和牙科学院的人工智能(AI)教授，擅长成像、诊断和创伤。Tuan Pham博士的研究致力于推进人工智能方法，特别是在牙科、医学和生命科学领域，旨在提高人类的认知和技能。撰写专著3项，发表论文数百篇，学术贡献涉及多个学科，包括医学和牙科人工智能、生物信息学、计算机科学、物理学和工程学。

编辑推荐文章

通过使用相对和绝对阈值优化基线¹⁸F-FDG PET/CT代谢参数对结外自然杀伤/ t细胞淋巴瘤的预后能力

目的

探讨¹⁸F -氟脱氧葡萄糖(¹⁸F -FDG)正电子发射断层扫描/计算机断层扫描(PET/CT)代谢参数对淋巴结外自然杀伤/ t细胞淋巴瘤(ENKTCL)预后的影响，以及相对阈值(RT)和绝对阈值(AT)选择对预后的影响。

材料和方法

在133例患者中使用基于代谢肿瘤体积(MTV)的参数RTs(最大标准化摄取值[SUV_max]的41%或25%)、ATs(SUV 2.5、3.0、4.0或平均肝脏摄取)来定义。代谢参数分为与度相关的参数(SUV_max、SUV均值[SUV_mean]、SUV标准差[SUV_sd])、与体积相关的参数(RT-MTV)、与度和体积相关的参数(病灶糖酵解总量[TLG]和AT-MTV)。评估代谢参数的预后能力和不同阈值类型(RT vs AT)的影响。

结果

所有代谢参数均与预后中度相关。然而，MTV和TLG的受试者工作特征曲线下面积略高于预测5年无进展生存期(PFS) (0.614-0.705 vs 0.563-0.609)和总生存期(OS) (0.670-0.748 vs 0.562-0.593)的相关性参数。MTV和亲切度相关参数的相关性在RTs (r < 0.06, P = 0.324 ~ 0.985)和ATs (r 0.56 ~ 0.84, P≤0.001)之间存在差异。AT-MTV是PFS和OS的最佳预测因子，RT-TLG是PFS的最佳预测因子，RT-MTV与SUV_max的组合是OS的最佳预测因子。

结论

体积和贪婪度的结合显著提高了PET对ENKTCL的预后能力。建议采用包含亲和度和体积的复合参数。

长按识别二维码阅读原文

为肺结节分析的深度学习准备CT成像数据集：对四个知名数据集的深度解析

背景

深度学习是实现计算机断层扫描（CT）图像中肺结节自动检测、分割和分类的重要手段。由于图像大小、图像格式、图像维度和其他因素，深度学习模型无法直接使用整个CT扫描。在CT扫描的采集和将数据输入深度学习模型之间，有几个步骤，包括数据使用许可、数据访问和下载、数据注释和数据预处理。本文旨在为希望从事CT图像和人工智能工程跨学科肺结节研究的研究人员推荐一份完整而详细的指南。

方法

数据准备管道使用以下四个流行的大型数据集：LIDC-IDRI（肺部图像数据库联盟图像收集）、LUNA16（2016年肺结节分析）、NLST（国家肺部筛查试验）和NELSON（Dutch-Belgian随机癌症筛查试验）。数据集的准备工作按时间顺序排列。

研究结果

确定了深度学习前不同数据的准备步骤。其中包括更多通用的步骤和专门用于肺结节研究的步骤。对于这些步骤中的每一个，都提供了实际实现所需的过程、必要性和示例代码或工具。

讨论和结论

根据具体的研究问题，研究人员应了解所需的各种准备步骤，并仔细选择数据集、数据注释方法和图像预处理方法。此外，必须承认每个辅助工具或代码都有其特定的使用范围和限制。本文提出了一个标准化的数据准备过程，同时清楚地展示了不同步骤的原理和顺序。通过遵循这些建议的步骤并实现建议的示例代码和工具，可以快速实现数据准备管道。

长按识别二维码阅读原文

基于深度学习的3D超分辨率CT血管造影术，改进用于识别症状性颈动脉粥样硬化斑块的放射学建模

原理和目的

基于正常分辨率（NR）计算机断层扫描血管造影术（CTA）图像的放射模型无法区分有症状和无症状的颈动脉粥样硬化斑块。本研究旨在探索基于深度学习的三维超分辨率（SR）CTA放射组学模型在改善症状性颈动脉粥样硬化斑块识别方面的有效性。

材料和方法

将193名颈动脉粥样硬化斑块患者回顾性纳入，并分为有症状（n=123）组或无症状（n=70）组。使用基于深度学习的三维SR技术，从NR CTA图像中导出SR CTA图像。从SR和NR CTA图像中提取手工制作的放射学特征，并基于手动测量的定量CTA特征以及NR和SR放射学特征开发了三个风险模型。通过接收器的工作特性、校准曲线分析和决策曲线分析来评估模型的性能。

结果

SR模型在测试队列中表现出最佳性能（曲线下面积[AUC]0.820，准确度0.802，灵敏度0.854，F1得分0.847），优于其他两个模型。校准曲线分析和Hosmer–Lemeshow检验表明SR模型表现出最佳拟合优度，决策曲线分析表明SR模型具有最高的临床价值和潜在的患者益处。

结论

基于深度学习的三维SR技术可以改进基于CTA的放射学模型，来识别有症状的颈动脉斑块，这将有可能提供更准确和有价值的信息来指导临床决策，以降低缺血性中风的风险。

长按识别二维码阅读原文

经过50年的不懈努力，Cell Press细胞出版社的编辑与全球的作者、审稿人一起，创办了一系列优秀出版物，未来我们也将不断深耕科研创新和科学信息的传播交流，启迪更多科学新发现。

CellPress细胞出版社

推荐阅读

New feature: Volunteer reviewer

寻找闪光的你：Heliyon 审稿志愿者功能正式上线啦！

扫码进入

优秀审稿人快速通道

点击以上链接，在Elsevier Review Hub注册账号，填写个人主页（Profile），和我们一起助力前沿科研吧！

▲长按识别二维码关注细胞科学

点击阅读原文

访问Heliyon Medical Imaging