【摘要】 目的 研究人工智能實現(xiàn)正電子發(fā)射斷層/計算機(jī)斷層顯像（positron emission tomography/computed tomography，PET/CT）結(jié)合高分辨CT進(jìn)行肺部炎性肉芽腫結(jié)節(jié)多參數(shù)定性診斷的價值。方法 選取2020年1月1日—2023年4月30日贛州市人民醫(yī)院存儲的肺結(jié)節(jié)PET/CT圖像、高分辨率CT圖像及數(shù)據(jù)，基于3D CNN網(wǎng)絡(luò)模型和XGboost分類器建立雙通道聯(lián)合模型，通道1輸入結(jié)構(gòu)化的結(jié)節(jié)特征信息和患者基本信息，通道2輸入圖像數(shù)據(jù)，以2020年1月1日—2022年9月30日肺結(jié)節(jié)圖像及數(shù)據(jù)材料作為訓(xùn)練樣本，以2022年10月1日—2023年4月30日的肺結(jié)節(jié)圖像及數(shù)據(jù)材料作為測試樣本，進(jìn)行20×20×20、30×30×30、40×40×40 3種體素尺度圖像的模型性能實驗。結(jié)果 雙通道聯(lián)合模型下，30×30×30體素尺度下診斷準(zhǔn)確率為0.964 3±0.017 7，靈敏度為0.961 4±0.019 5，特異度為0.964 4±0.019 9，曲線下面積（area under curve，AUC）為0.979 9±0.011 5，顯著優(yōu)于20×20×20、40×40×40 2種體素尺度，差異有統(tǒng)計學(xué)意義（Plt;0.05）；醫(yī)師盲審診斷準(zhǔn)確率為0.798 4±0.058 9，靈敏度為0.765 3±0.067 8，特異度為0.843 9±0.042 1，AUC為0.823 1±0.051 9，顯著低于模型診斷表現(xiàn)，差異有統(tǒng)計學(xué)意義（Plt;0.05）；與單純輸入圖像數(shù)據(jù)采用3D CNN網(wǎng)絡(luò)進(jìn)行人工智能輔助診斷相比，3種體素尺度下引入結(jié)節(jié)特征參數(shù)和患者信息的診斷表現(xiàn)明顯更優(yōu)，差異有統(tǒng)計學(xué)意義（Plt;0.05）。結(jié)論 采用雙通道聯(lián)合模型，引入結(jié)節(jié)特征信息和患者基本信息，進(jìn)行人工智能結(jié)合PET/CT與高分辨CT圖像的聯(lián)合診斷，可有效提高肺部炎性肉芽腫結(jié)節(jié)的良惡性定性診斷準(zhǔn)確率，為醫(yī)師提供更有價值的輔助診斷信息，具有較高的應(yīng)用價值。

【關(guān)鍵詞】 正電子發(fā)射斷層/計算機(jī)斷層顯像；高分辨CT；肺部炎性肉芽腫結(jié)節(jié)；人工智能

文章編號：1672-1721（2024）27-0009-05" " "文獻(xiàn)標(biāo)志碼：A" " "中國圖書分類號：R734.2

肺部炎性肉芽腫結(jié)節(jié)是一種慢性炎癥刺激引起的肺部結(jié)節(jié)疾病，多因感染引起肺部慢性炎癥所致，導(dǎo)致局部纖維組織增生形成局部炎性肉芽結(jié)節(jié)，也有因異物導(dǎo)致炎癥形成結(jié)節(jié)狀病變現(xiàn)象，患者可表現(xiàn)為咳嗽、咳痰、胸痛、發(fā)熱等臨床癥狀，影像學(xué)檢查可見肺部多個大小不一的結(jié)節(jié)狀陰影[1-2]。在臨床上，影像學(xué)檢查是肺結(jié)節(jié)檢測和識別的重要手段，但由于肺部炎性肉芽腫結(jié)節(jié)特點多樣，形態(tài)和大小各異，與肺癌、轉(zhuǎn)移瘤等有一定相似之處，加上醫(yī)生診療水平、認(rèn)知經(jīng)驗等方面的影響，診斷結(jié)果具有一定的主觀性和不穩(wěn)定性，存在一定誤診為惡性病灶的可能，急需更為客觀的影像學(xué)評價，以提高診斷準(zhǔn)確率[3]。目前，人工智能技術(shù)在肺結(jié)節(jié)影像診斷方面的研究較多，取得了大量的研究成果，但多集中于傳統(tǒng)的CT圖像上，PET/CT結(jié)合高分辨CT影像的人工智能綜合輔助診斷方面的研究較少[4]?；诖?，本研究采用深度學(xué)習(xí)方法，提取肺部炎性肉芽腫結(jié)節(jié)的幾何學(xué)、亮度、梯度等影像學(xué)特征參數(shù)，采用非結(jié)構(gòu)化圖像數(shù)據(jù)、結(jié)構(gòu)化特征參數(shù)雙通道輸入的方式構(gòu)建基于3D CNN網(wǎng)絡(luò)和XGBoost算法的聯(lián)合模型，研究PET/CT結(jié)合高分辨CT影像的人工智能診斷定性分析技術(shù)的可行性，為肺部炎性肉芽腫結(jié)節(jié)的臨床診斷提供更多有價值的參考，報告如下。

1 資料與方法

1.1 研究材料

選取2020年1月1日—2023年4月30日贛州市人民醫(yī)院存儲的肺結(jié)節(jié)PET/CT圖像、高分辨率CT圖像及數(shù)據(jù)，按圖像清晰、結(jié)節(jié)結(jié)構(gòu)清晰、病理報告完整為標(biāo)準(zhǔn)共篩選出1 472例病例，共有肺部炎性肉芽腫結(jié)節(jié)2 846個，其中良性結(jié)節(jié)1 924個、惡性結(jié)節(jié)922個。以2020年1月1日—2022年9月30日的肺結(jié)節(jié)圖像及數(shù)據(jù)材料作為訓(xùn)練驗證樣本，用于人工智能模型的學(xué)習(xí)訓(xùn)練和驗證，采用隨機(jī)分類的方法，80%作為模型訓(xùn)練樣本，20%作為模型驗證樣本；以2022年10月1日—2023年4月30日的肺結(jié)節(jié)圖像及數(shù)據(jù)材料作為測試樣本，用于最終模型性能的測試。結(jié)節(jié)性質(zhì)及數(shù)量如表1所示。

1.2 圖像處理

根據(jù)圖像特征設(shè)置灰度閾值，運用迭代閾值算法[5]對CT圖像進(jìn)行二值化處理，分離肺實質(zhì)區(qū)域和胸腔輪廓區(qū)域，運用卷積運算消除不符合肺部及結(jié)節(jié)的結(jié)構(gòu)元素，消除血管等噪聲點，進(jìn)行去噪處理。消除噪聲點獲得更為清晰連續(xù)的圖像后，進(jìn)行掩膜運算獲得肺實質(zhì)感興趣區(qū)域，分割出肺實質(zhì)圖像。運用區(qū)域生長法，探索肺實質(zhì)圖像中的氣管部分，再以灰度閾值迭代運算后進(jìn)行掩摸操作，獲得肺結(jié)節(jié)感興趣區(qū)域。

對于2D圖像數(shù)據(jù)，直接以獲得的肺結(jié)節(jié)感興趣區(qū)域中心點為坐標(biāo)，截取中心點坐標(biāo)周圍20×20×20、30×30×30、40×40×40體素（1×1×1 mm3/voxel）3種尺度的結(jié)節(jié)2D圖像樣本，將PET/CT圖像和高分辨CT圖像拼接為一張2D圖像。對于3D圖像據(jù)，采用2D多視圖融合（2D multi-view fusion，2D MVF）技術(shù)，即不對3D圖像進(jìn)行展開操作，只取3D結(jié)節(jié)中心點坐標(biāo)點4張2D圖像拼接為2D MVF圖像，以保留更多的結(jié)節(jié)信息，并在截取的圖像中減少干擾性組織的影響。同樣以感興趣中心點坐標(biāo)截取周圍20×20×20、30×30×30、40×40×40體素構(gòu)建3種尺度的2D FVF視圖，將PET/CT圖像和高分辨CT圖像拼接。具體流程如圖1所示。

1.3 肺部炎性肉芽腫結(jié)節(jié)特征參數(shù)

運用人工智能技術(shù)通過深度學(xué)習(xí)，對PET/CT結(jié)合高分辨率CT影像數(shù)據(jù)進(jìn)行人工智能輔助診斷[6-8]。設(shè)計肺部炎性肉芽腫結(jié)節(jié)特征參數(shù)，包括結(jié)節(jié)性質(zhì)、標(biāo)準(zhǔn)化攝取值最大值、病灶大小、病灶數(shù)量、密度特征、鈣化程度、球形度、邊緣特征、分葉特征、毛刺特征、紋理特征。其中，結(jié)節(jié)性質(zhì)根據(jù)病理報告確定，標(biāo)準(zhǔn)化攝取值最大值根據(jù)PET/CT診斷結(jié)果確定，病灶大小根據(jù)PET/CT、CT診斷結(jié)果確定，其余特征參數(shù)由4名放射科醫(yī)師根據(jù)圖像進(jìn)行人工標(biāo)注。具體參數(shù)設(shè)置見表2。

1.4 其他結(jié)構(gòu)化特征參數(shù)

除結(jié)節(jié)結(jié)構(gòu)化特征參數(shù)外，增加患者信息數(shù)據(jù)作為結(jié)構(gòu)化參數(shù)，包括吸煙史、肺癌家族史、疾病史等，具體參數(shù)設(shè)計見表3。

1.5 人工智能模型構(gòu)建

采用3D卷積神經(jīng)網(wǎng)絡(luò)和XGBoost算法聯(lián)合建模，構(gòu)建雙通道輸入模型，用于PET/CT結(jié)合高辨率CT的肺部炎性肉芽腫結(jié)節(jié)的人工智能定性診斷。該模型采用2個輸入通道，第1個通道輸入1.3、1.4中設(shè)計的結(jié)構(gòu)化數(shù)據(jù)，共16個參數(shù)轉(zhuǎn)化為長度16的特征向量；第2個通道用于圖像特征向量的提取，截取后的類結(jié)節(jié)圖像數(shù)據(jù)通過第2個通道，采用3D卷積神經(jīng)網(wǎng)絡(luò)提取出長度為50的特征向量，合成66個特征向量輸入到XGBoost分類器中進(jìn)行分類。通過10次5倍交叉驗證后，以共計50次的驗證結(jié)果均值作為最終定性評價結(jié)果，將結(jié)節(jié)分為“良性”“惡性”。模型結(jié)構(gòu)如圖2所示。

1.6 統(tǒng)計學(xué)方法

采用準(zhǔn)確率、靈敏度、特異度、AUC值來評估模型的診斷能力。其中，準(zhǔn)確率為正確診斷肺部炎性肉芽腫結(jié)節(jié)性質(zhì)占總樣本的比例，靈敏度為正確識別惡性結(jié)節(jié)占全部惡性結(jié)節(jié)樣本數(shù)量的比例，特異度為正確識別良性結(jié)節(jié)占全部良性結(jié)節(jié)樣本數(shù)量的比例，AUC值為受試者工作特征（receiver operating characteristic，ROC）曲線下方面積。采用SPSS 21.0統(tǒng)計學(xué)軟件進(jìn)行統(tǒng)計分析，符合正態(tài)分布的計量數(shù)據(jù)以x±s表示，采用獨立樣本t檢驗和單因素方差分析F檢驗。對3種體素尺度下模型的性能進(jìn)行對比，并與超聲科醫(yī)生的臨床診斷結(jié)果進(jìn)行對比、與采用傳統(tǒng)3D CNN模型僅輸入結(jié)節(jié)圖像診斷性能進(jìn)行對比。Plt;0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 3種體素尺度下模型診斷表現(xiàn)

將3種體素尺度下的結(jié)節(jié)圖像及結(jié)構(gòu)化特征分別輸入模型進(jìn)行訓(xùn)練后，得到不同體素尺度下的訓(xùn)練完成的模型，對測試數(shù)據(jù)進(jìn)行診斷測試，共進(jìn)行50次測試驗證，模型預(yù)測值以0.5為分界點，預(yù)測值≥0.5為惡性，lt;0.5為良性，以病理報告組織病理學(xué)檢查結(jié)果為金標(biāo)準(zhǔn)，診斷表現(xiàn)見表4。3種體素尺度的診斷準(zhǔn)確率、診斷靈敏度、診斷特異度、AUC值比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）。

2.2 模型診斷表現(xiàn)與醫(yī)師診斷對比

選擇模型診斷表現(xiàn)最為優(yōu)秀的30×30×30體素尺度診斷表現(xiàn)與醫(yī)師診斷表現(xiàn)進(jìn)行獨立樣本t檢驗，檢驗結(jié)果見表5。30×30×30體素尺度圖形模型診斷與醫(yī)師診斷準(zhǔn)確率、診斷靈敏度、診斷特異度、AUC值比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）。

2.3 聯(lián)合模型診斷與傳統(tǒng)3D CNN模型診斷對比

以傳統(tǒng)的3D卷積神經(jīng)網(wǎng)絡(luò)模型，僅輸入結(jié)節(jié)圖像進(jìn)行診斷，診斷結(jié)果與本研究建立的3種體素尺度聯(lián)合模型圖像診斷結(jié)果進(jìn)行對比，結(jié)果見表6。輸入20×20×20體素尺度圖像，聯(lián)合模型與單純3D CNN模型診斷準(zhǔn)確率、AUC值比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）；輸入20×20×20體素尺度圖像，聯(lián)合模型與單純3D CNN模型診斷靈敏度、特異度比較，差異無統(tǒng)計學(xué)意義（Pgt;0.05）。輸入30×30×30體素尺度圖像，聯(lián)合模型與單純3D CNN模型診斷準(zhǔn)確率、靈敏度、特異度、AUC值比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）。輸入40×40×40體素尺度圖像，聯(lián)合模型與單純3D CNN模型診斷準(zhǔn)確率、靈敏度、特異度、AUC值比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）。

3 討論

PET/CT利用腫瘤細(xì)胞代謝比正常細(xì)胞更高的特點，以正電子核素為示蹤劑，可快速獲得多層面斷層影像和定量結(jié)果，觀察病灶功能和代謝信息，利于腫瘤的早期診斷和鑒別，已經(jīng)被廣泛應(yīng)用于肺結(jié)節(jié)良惡性鑒別診斷之中[9]。PET/CT的定量分析主要以核素的標(biāo)準(zhǔn)攝取值作為依據(jù)。除腫瘤具有高代謝特征外，巨噬細(xì)胞、粒細(xì)胞、活動期肺結(jié)核等同樣具有代謝旺盛的現(xiàn)象，表現(xiàn)出高攝取特征，因此PET/CT診斷惡性肺結(jié)節(jié)具有較高的假陽性率。有研究顯示，PET/CT診斷惡性肺結(jié)節(jié)的假陽性率高達(dá)11%，存在較大的誤診可能[10-13]。當(dāng)腫瘤病灶太小或代謝不旺盛時，PET/CT難以發(fā)現(xiàn)病灶，造成假陰性現(xiàn)象，出現(xiàn)漏診[14]。在PET/CT檢查中，身體成分和造影劑的注射劑量也會對圖像造成影響，造成偽影和圖像模糊現(xiàn)象，不利于病變性質(zhì)和范圍的確定[15]。因此，在肺部結(jié)節(jié)性疾病的診斷中，不能單純依靠PET/CT檢查，通常還需要結(jié)合高分辨率CT來診斷。

受診療水平、認(rèn)知經(jīng)驗等方面的影響，醫(yī)生在PET/CT結(jié)合高分辨CT進(jìn)行肺結(jié)節(jié)診斷中存在較強(qiáng)的主觀性和不穩(wěn)定性，依然有較大的誤診、漏診可能[16]。目前，已有大量運用人工智能輔助診斷肺結(jié)節(jié)方面的研究，但多集中在圖像識別領(lǐng)域。借助深度學(xué)習(xí)方法和神經(jīng)網(wǎng)絡(luò)構(gòu)建多種模型，如Dou等提出的ConvNets模型、Rajpurkar提出的CheXNet模型，在肺結(jié)節(jié)的輔助診斷中具有較高的準(zhǔn)確率和靈敏度，能為醫(yī)師診斷提供更多的輔助信息[17]。從相關(guān)研究結(jié)果來看，僅依靠從圖像中提取特征信息進(jìn)行肺結(jié)節(jié)的輔助診斷有所不足，多數(shù)研究準(zhǔn)確率在92%以下，部分研究診斷準(zhǔn)確率僅85%左右[6，18]。本研究采用PET/CT結(jié)合高分辨CT融合診斷的方式，引入更多的結(jié)構(gòu)化參數(shù)，包括結(jié)節(jié)圖像特征參數(shù)和患者基礎(chǔ)信息參數(shù)，建立非結(jié)構(gòu)化的圖像數(shù)據(jù)和結(jié)構(gòu)化的信息參數(shù)聯(lián)合診斷模型，采用3D卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像數(shù)據(jù)特征的識別提取，與結(jié)構(gòu)化的信息參數(shù)進(jìn)行融合后，利用XGBoost分類器進(jìn)行計算識別分類，進(jìn)行肺結(jié)節(jié)的定性診斷，設(shè)置3種體素尺度的結(jié)節(jié)圖像，與醫(yī)師診斷和常用的3D CNN單純圖像識別診斷進(jìn)行比較。

本研究結(jié)果顯示，不同體素尺度的結(jié)節(jié)聯(lián)合模型圖像下診斷準(zhǔn)確率、靈敏度、特異度、AUC比較，差異有統(tǒng)計學(xué)意義（Plt;0.05）；30×30×30體素尺度下利用本研究建立的雙通道聯(lián)合模型進(jìn)行肺部炎性肉芽腫結(jié)節(jié)的定性診斷，準(zhǔn)確率可達(dá)96.43%，靈敏度可達(dá)96.14%，特異度可達(dá)94.44%，AUC可達(dá)97.99%，表現(xiàn)最為優(yōu)秀，20×20×20、40×40×40 2種體素尺度下的診斷表現(xiàn)稍差。分析原因，本研究雖然在雙通道聯(lián)合模型下引入了結(jié)構(gòu)化的圖像特征參數(shù)和患者基本信息，但非結(jié)構(gòu)化的圖像數(shù)據(jù)依然是學(xué)習(xí)訓(xùn)練的主要數(shù)據(jù)和輔助診斷的重要基礎(chǔ)。小體素尺度下圖像所保留的信息相對較少，會浪費不少結(jié)節(jié)信息，而體素尺度過大雖然會保留更多的結(jié)節(jié)信息，卻會引入大量無關(guān)的非結(jié)節(jié)組織，給圖像識別診斷帶來一定的干擾。因此20×20×20和40×40×40 2種體素尺度下的圖像診斷表現(xiàn)弱于30×30×30體素尺度。

本研究進(jìn)一步以表現(xiàn)最優(yōu)秀的30×30×30體素尺度下聯(lián)合模型診斷表現(xiàn)與醫(yī)師盲審診斷進(jìn)行對比發(fā)現(xiàn)，聯(lián)合模型的診斷表現(xiàn)明顯優(yōu)于醫(yī)師盲審診斷表現(xiàn)。分析原因，醫(yī)師在對肺結(jié)節(jié)進(jìn)行診斷時，更傾向于關(guān)注PET/CT檢查提供的信息，對圖像的識別分析有較大的主觀性，從而導(dǎo)致診斷表現(xiàn)較差。在聯(lián)合模型各體素尺度下與單純利用圖像通過3D CNN進(jìn)行輔助診斷的診斷表現(xiàn)進(jìn)行對比發(fā)現(xiàn)，雙通道聯(lián)合模型在各體素尺度下的診斷表現(xiàn)均優(yōu)于3D CNN模型。分析原因，3D CNN模型僅通過圖像數(shù)據(jù)進(jìn)行診斷識別，而本研究建立的雙通道聯(lián)合模型引入了結(jié)構(gòu)化的結(jié)節(jié)特征參數(shù)和患者信息參數(shù)，納入了更多利于結(jié)節(jié)定性診斷的信息，從而提高了診斷的準(zhǔn)確率和靈敏度。

由于肺部炎性肉芽腫結(jié)節(jié)也可表現(xiàn)出一定的高代謝特征，單純依靠PET/CT檢查會一定程度出現(xiàn)假陽性診斷結(jié)果，造成不必要的外科手術(shù)和治療。利用人工智能技術(shù)進(jìn)行圖像識別輔助診斷肺結(jié)節(jié)能為臨床提供更多的信息，幫助醫(yī)師作出較為準(zhǔn)確的診斷，但依然有所不足。利用PET/CT結(jié)合高分辨CT，納入PET/CT檢查提供的標(biāo)準(zhǔn)攝取值等結(jié)節(jié)信息和患者信息，將PET/CT圖像與高分辨CT圖像拼接，通過雙通道分別輸出圖像和特征參數(shù)，利用3D CNN提取圖像特征信息，利用XGBoost進(jìn)行診斷定性分類，在肺部炎性肉芽腫結(jié)節(jié)定性診斷上的準(zhǔn)確率、靈敏度、特異度、AUC均有較好的表現(xiàn)，能為醫(yī)師的診斷提供更佳的輔助信息，在臨床上有一定的應(yīng)用價值。

4 結(jié)論

采用雙通道聯(lián)合模型，引入結(jié)節(jié)特征信息和患者基本信息，與CT圖像數(shù)據(jù)結(jié)合，進(jìn)行PET/CT結(jié)合高分辨CT圖像的聯(lián)合診斷，可有效提高肺部炎性肉芽腫結(jié)節(jié)的良惡性定性診斷準(zhǔn)確率，為醫(yī)師提供更有價值的輔助診斷信息，具有較高的應(yīng)用價值。

參考文獻(xiàn)

[1] 劉浩雷，李文韜，曹偉云，等.良性肺結(jié)節(jié)誤診為惡性肺結(jié)節(jié)臨床分析[J].臨床誤診誤治，2022，35（8）：1-3.

[2] 張升雄，時國朝.手術(shù)后病理證實為良性肺結(jié)節(jié)288例臨床病例分析[J].中華結(jié)核和呼吸雜志，2021，44（5）：456-461.

[3] 賴嬋，李儒瓊，張嘉瑜，等.最大徑≤1 cm肺小結(jié)節(jié)螺旋CT靶掃描及重建的良惡性判斷分析[J].中國CT和MRI雜志，2020，18（6）：41-42，58，153.

[4] 張濤，張登國，李建，等.人工智能影像系統(tǒng)在肺部結(jié)節(jié)診斷中的真實世界數(shù)據(jù)分析[J].四川醫(yī)學(xué)，2021，42（2）：193-196.

[5] 王娟，唐麗麗，于明川，等.基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測算法對不同大小肺結(jié)節(jié)的檢出效果[J].中國醫(yī)學(xué)影像技術(shù)，2019，35（12）：1771-1774.

[6] 陳疆紅，鐘朝輝，江桂蓮，等.人工智能肺結(jié)節(jié)輔助診斷系統(tǒng)預(yù)測亞實性肺結(jié)節(jié)惡性概率[J].中國醫(yī)學(xué)影像技術(shù)，2020，36（4）：535-539.

[7] 李娟娟，劉敏，楊斌，等.人工智能輔助肺結(jié)節(jié)篩查及定性診斷的應(yīng)用研究[J].實用臨床醫(yī)藥雜志，2022，26（8）：8-12.

[8] 曹孟昆，姜杰，朱曉雷，等.人工智能肺部結(jié)節(jié)輔助診療系統(tǒng)預(yù)測肺結(jié)節(jié)的良惡性及浸潤情況[J].中國胸心血管外科臨床雜志，2021，28（3）：283-287.

[9] 孫希剛，趙芳，田旭，等.18F-FDG PET/CT定量參數(shù)與非小細(xì)胞肺癌患者腫瘤標(biāo)志物水平的分析[J].臨床和實驗醫(yī)學(xué)雜志，2022，21（16）：1766-1770.

[10] 符海杰，雷學(xué)斌，張曦，等.硬化性肺細(xì)胞瘤的MSCT與18F-FDG PET/CT表現(xiàn)及誤診分析[J].海南醫(yī)學(xué)院學(xué)報，2019，25（24）：1902-1906.

[11] 盧靜，劉志軍，謝麗璇，等.結(jié)節(jié)病18F-氟代脫氧葡萄糖PET/CT的影像診斷及誤診分析[J].華南國防醫(yī)學(xué)雜志，2021，35（2）：112-115.

[12] 趙斌，郭彬威，黃斌，等.18F-FDG PET/CT不同重建算法對肺結(jié)節(jié)SUV的影響[J].中華核醫(yī)學(xué)與分子影像雜志，2020，40（4）：224-230.

[13] 王鵬遠(yuǎn)，辛軍.原發(fā)性肺黏液腺癌18F-FDG PET/CT影像表現(xiàn)的初步研究[J].實用放射學(xué)雜志，2021，37（5）：749-752.

[14] 馬圓，王風(fēng)，韓勇，等.基于深度信念網(wǎng)絡(luò)檢測PET/CT圖像肺結(jié)節(jié)良惡性[J].中國醫(yī)學(xué)影像技術(shù)，2020，36（1）：77-80.

[15] 許穎.PET/CT掃描在孤立性肺結(jié)節(jié)良惡性鑒別診斷中的應(yīng)用價值及準(zhǔn)確性分析[J].檢驗醫(yī)學(xué)與臨床，2021，18（7）：984-986.

[16] 譚等泰，李世超，常文文，等.多特征融合的行為識別模型[J].中國圖象圖形學(xué)報，2020，25（12）：2541-2552.

[17] 王風(fēng)，王磊，李囡，等.基于三維卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的肺結(jié)節(jié)良惡性的鑒別診斷[J].中國醫(yī)學(xué)影像學(xué)雜志，2019，27（10）：779-782，787.

[18] 王娟，唐麗麗，于明川，等.基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測算法對不同大小肺結(jié)節(jié)的檢出效果[J].中國醫(yī)學(xué)影像技術(shù)，2019，35（12）：1771-1774.

（編輯：徐亞麗）

基金項目：贛州市科技計劃項目（GZ2021ZSF179）

作者簡介：郭 佳（1980—），女，江蘇連云港人，本科，副主任醫(yī)師，主要從事PET/CT聯(lián)合核磁共振檢查對腫瘤的早期診斷方面的研究。