重建算法和層厚對(duì)AI提取pGGN一階特征的影響

［摘要］目的探討不同重建算法和層厚對(duì)基于人工智能（AI）獲得的純磨玻璃結(jié)節(jié)（pGGN）一階特征的影響，選取最佳重建算法和重建層厚。方法回顧性分析我院同一臺(tái)CT機(jī)上行胸部高分辨率平掃者CT影像，在AI輔助下由一名副主任醫(yī)師篩選出最小徑≥5 mm的pGGN 158例，分別記錄相同重建算法不同層厚（0.625、1.250、2.500 mm）和相同層厚不同重建算法（標(biāo)準(zhǔn)算法和肺算法）數(shù)據(jù)，在AI軟件中標(biāo)準(zhǔn)敏感度下獲得16個(gè)一階特征（總體積、總質(zhì)量、CT最大值、CT最小值、CT平均值、CT值方差、球型度、最大面面積、表面積、3D長(zhǎng)徑、長(zhǎng)短徑平均值、峰度、偏度、能量、緊湊度、熵），并進(jìn)行統(tǒng)計(jì)分析。結(jié)果2.500 mm層厚數(shù)據(jù)中有7例pGGN無(wú)論標(biāo)準(zhǔn)算法還是肺算法在AI上均未識(shí)別，其余層厚和算法組合均能準(zhǔn)確識(shí)別；另有4例pGGN在肺算法中未識(shí)別，而在標(biāo)準(zhǔn)算法及其他層厚組合中均能識(shí)別。不管標(biāo)準(zhǔn)算法還是肺算法0.625 mm組和1.250 mm組只有能量（Z=3.39、3.34，Plt;0.05）、熵（Z=6.49、6.77，Plt;0.05）差異有統(tǒng)計(jì)學(xué)意義；0.625 mm組和2.500 mm組在標(biāo)準(zhǔn)算法中總體積、CT最大值、CT最小值、CT平均值、表面積、球型度、緊湊度、能量、熵差異有統(tǒng)計(jì)學(xué)意義（Z=3.67～13.40， Plt;0.05），在肺算法中除上述特征外還有CT值方差、峰度差異有統(tǒng)計(jì)學(xué)意義（Z=2.64～13.34，Plt;0.05）；1.250 mm組和2.500 mm組在標(biāo)準(zhǔn)算法中CT平均值、CT最大值、球型度、表面積、緊湊度、能量、熵差異有統(tǒng)計(jì)學(xué)意義（Z=2.43～6.98，Plt;0.05），在肺算法中CT最大值、CT最小值、CT值方差、球型度、表面積、緊湊度、峰度、熵差異有統(tǒng)計(jì)學(xué)意義（Z=2.54～8.51，Plt;0.05）。結(jié)論不同的重建算法和層厚對(duì)AI獲得的pGGN一階特征均會(huì)產(chǎn)生影響，建議采用1.250 mm層厚、標(biāo)準(zhǔn)算法數(shù)據(jù)進(jìn)行一階特征分析。

［關(guān)鍵詞］磨玻璃結(jié)節(jié)；機(jī)器學(xué)習(xí)；圖像處理，計(jì)算機(jī)輔助；算法

［中圖分類(lèi)號(hào)］R563;R814.42［文獻(xiàn)標(biāo)志碼］A［文章編號(hào)］2096-5532（2024）03-0440-05

doi：10.11712/jms.2096-5532.2024.60.104［開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）］

［網(wǎng)絡(luò)出版］https：//link.cnki.net/urlid/37.1517.R.20240730.1131.001;2024-07-3114：25：22

The impact of reconstruction algorithm and slice thickness on the first-order features of pure ground-glass nodule extracted by artificial intelligence" WANG Yufeng， ZHAO Qing， SUN Li， SHI Shan（Guang’anmen Hospital， China Academy of Chinese Medicine Sciences， Beijing 100053， China）

［Abstract］ObjectiveTo investigate the impact of reconstruction algorithm and slice thicknesses on the first-order features of pure ground-glass nodule （pGGN） extracted by artificial intelligence （AI）， and to select the optimal reconstruction algorithm and slice thickness. MethodsA retrospective analysis was performed for the CT images of the patients who underwent high-re-solution chest plain scan on the same CT machine in our hospital， and with the assistance of AI， 158 cases of pGGN with a minimum diameter of ≥5 mm were identified by an associate chief physician. Data were recorded under the conditions of the same reconstruction algorithm with different slice thicknesses （0.625， 1.250， and 2.500 mm） or the same slice thickness with different reconstruction algorithms （the standard algorithm and the lung algorithm）. A total of 16 first-order features were obtained under the standard sensitivity in AI software， i.e.， total volume， total mass， maximum CT value， minimum CT value， mean CT value， CT value variance， sphericity， maximum area， surface area， 3D major axis， mean major and minor axes， kurtosis， skewness， energy， compactness， and entropy， and a statistical analysis was performed. ResultsAs for the data of the slice thickness of 2.500 mm， 7 cases of pGGN were not recognized by either standard algorithm or lung algorithm， while the remaining cases were accurately re-cognized on the other combinations of slice thickness and algorithm; 4 cases of pGGN were not recognized by the lung algorithm， but they were recognized by the combinations of standard algorithm and other slice thicknesses. Based on both the standard algorithm and the lung algorithm， there were significant differences between the 0.625 mm group and the 1.250 mm group in energy （Z=3.39，3.34;Plt;0.05） and entropy （Z=6.49，6.77;Plt;0.05）. Based on the standard algorithm， there were significant diffe-rences between the 0.625 mm group and the 2.500 mm group in total volume， maximum CT value， minimum CT value， mean CT value， surface area， sphericity， compactness， energy， and entropy （Z=3.67-13.40，Plt;0.05）， as well as significant differences in CT value variance and kurtosis in addition to the above features based on thelung algorithm （Z=2.64-13.34，Plt;0.05）. Based on the standard algorithm， there were significant differences between the 1.250 mm group and the 2.500 mm group in mean CT value， maximum CT value， sphericity， surface area， compactness， energy， and entropy （Z=2.43-6.98，Plt;0.05）， as well as significant differences in maximum CT value， minimum CT value， CT value variance， sphericity， surface area， compactness， kurtosis， and entropy based on the lung algorithm （Z=2.54-8.51，Plt;0.05）. ConclusionReconstruction algorithms and slice thicknesses can affect the first-order features of pGGN extracted by AI. The data obtained based on a slice thickness of 1.250 mm and the standard algorithm are recommended for analysis of first-order features.

［Key words］ground-glass nodules; machine learning;image processing， computer-assisted; algorithms

隨著CT技術(shù)的發(fā)展，肺磨玻璃結(jié)節(jié)（GGN）的檢出率提升[1-2]。2018年肺小結(jié)節(jié)診治中國(guó)專(zhuān)家共識(shí)指出，GGN為局部肺組織輕度密度稍高影，不影響支氣管和血管束的顯示，分為不含實(shí)性成分的純磨玻璃結(jié)節(jié)（pGGN）和含部分實(shí)性成分的混合磨玻璃結(jié)節(jié)（mGGN）[3]。浸潤(rùn)性肺腺癌早期常表現(xiàn)為pGGN[4-5]，而pGGN由于缺乏傳統(tǒng)影像特征如分葉、毛刺、空泡征及胸膜牽拉征等較難進(jìn)行良惡性診斷[6-7]。既往研究顯示，基于人工智能（AI）的肺小結(jié)節(jié)輔助系統(tǒng)能夠預(yù)測(cè)肺腺癌亞實(shí)性結(jié)節(jié)的侵襲程度[8]；而基于AI的直方圖預(yù)測(cè)模型，可以定量提取肺結(jié)節(jié)紋理特征[9]，對(duì)病灶內(nèi)像素點(diǎn)的CT值客觀、準(zhǔn)確量化，發(fā)現(xiàn)病灶細(xì)微密度改變[7]，為病灶良惡性鑒別提供有用價(jià)值。然而基于AI獲得的影像組學(xué)特征易受不同掃描機(jī)型、掃描參數(shù)、層厚、重建算法等影響[10-11]，缺乏可重復(fù)性，限制了影像組學(xué)特征的應(yīng)用。本研究旨在比較不同重建算法和層厚對(duì)AI提取的pGGN一階特征的影響，從而選擇最佳重建算法和層厚，擴(kuò)大影像組學(xué)在臨床中的應(yīng)用。

1資料與方法

1.1研究對(duì)象

回顧性分析2023年3月5日—5月28日于我院行胸部高分辨率CT平掃1 526例影像資料，將層厚為1.250 mm、重建算法為肺算法的數(shù)據(jù)導(dǎo)入AI軟件，在標(biāo)準(zhǔn)敏感度下應(yīng)用AI篩選出至少1枚最小徑≥5 mm的pGGN病人367例，由一名工作10年以上有胸部CT診斷經(jīng)驗(yàn)的副主任醫(yī)師對(duì)AI篩選出的病人進(jìn)行二次篩選，排除呼吸偽影重者14例、其他肺部疾?。ㄈ缪装Y、肺部術(shù)后、惡性腫瘤、放化療后等）者195例，同一病人有多個(gè)pGGN的取最大的1個(gè)結(jié)節(jié)納入研究。最終158個(gè)結(jié)節(jié)被納入研究，其中男43例，女115例；年齡15～89歲，平均（54.00±12.79）歲。本研究經(jīng)我院倫理委員會(huì)批準(zhǔn)。

1.2檢查方法

所有病人均在Revolution 256層螺旋CT機(jī)（GE公司）上掃描，仰臥位，頭先進(jìn)，雙臂上舉，掃描范圍從肺尖到肺底，囑病人深吸氣后屏氣掃描。掃描參數(shù)：管電壓120 kV，自動(dòng)管電流120～475 mA；噪聲指數(shù)11，轉(zhuǎn)速0.5 s/r，迭代重建ASIR-V 30%；層厚5 mm。分別重建0.625、1.250、2.500 mm不同濾波函數(shù)（肺算法和標(biāo)準(zhǔn)算法）共6組圖像。

1.3圖像分析

將符合條件的所有重建數(shù)據(jù)導(dǎo)入MIDS-PNAS（深睿醫(yī)療）AI輔助軟件，由AI在標(biāo)準(zhǔn)敏感度下自動(dòng)生成一階特征信息，包括總體積、總質(zhì)量、CT最大值、CT最小值、CT平均值、CT值方差、球型度、最大面面積、表面積、3D長(zhǎng)徑、長(zhǎng)短徑平均值、峰度、偏度、能量、緊湊度、熵。

1.4統(tǒng)計(jì)學(xué)方法

使用SPSS 26統(tǒng)計(jì)軟件進(jìn)行統(tǒng)計(jì)學(xué)分析，不符合正態(tài)分布的計(jì)量資料以M（P25，P75）表示，不同層厚相同算法間比較采用Kruskal-Wallis H檢驗(yàn)，并對(duì)差異有統(tǒng)計(jì)學(xué)意義的特征進(jìn)行兩樣本秩和檢驗(yàn)；相同層厚不同算法間比較采用Wilcoxon檢驗(yàn)。Plt;0.05為差異有統(tǒng)計(jì)學(xué)意義。

2結(jié)果

本研究中2.500 mm層厚的圖像，在AI識(shí)別軟件有7例pGGN（直徑7 mm×6 mm 3例，9 mm×5 mm 1例，6 mm×5 mm 2例，5 mm×5 mm 1例）無(wú)論在肺算法還是標(biāo)準(zhǔn)算法中均未識(shí)別（圖1），其余算法和層厚組合均能準(zhǔn)確識(shí)別；另有4例pGGN（直徑6 mm×5 mm 2例，6 mm×6 mm 1例，8 mm×7 mm 1例）在肺算法中未識(shí)別，而在標(biāo)準(zhǔn)算法及其他層厚組合中均能識(shí)別。

2.1相同重建算法不同層厚一階特征比較

標(biāo)準(zhǔn)算法中，不同層厚總體積、CT最大值、CT最小值、CT平均值、表面積、球型度、緊湊度、能量、熵差異有統(tǒng)計(jì)學(xué)意義（H=13.12～179.56，Plt;0.05）；肺算法中，不同層厚總體積、CT最大值、CT最小值、CT平均值、CT值方差、表面積、球型度、緊湊度、能量、峰度、熵差異均具有統(tǒng)計(jì)學(xué)意義（H=12.16～178.10，Plt;0.05）。對(duì)標(biāo)準(zhǔn)算法和肺算法中有差異的特征兩兩比較，0.625 mm組和1.250 mm組不管是標(biāo)準(zhǔn)算法還是肺算法只有能量（Z=3.39、3.34，Plt;0.05）、熵（Z=6.49、6.77，Plt;0.05）差異有統(tǒng)計(jì)學(xué)意義；0.625 mm組與2.500 mm組無(wú)論在標(biāo)準(zhǔn)算法還是在肺算法中上述特征差異均具有統(tǒng)計(jì)學(xué)意義（Z=2.64～13.40，Plt;0.05）；1.250 mm組和2.500 mm組在標(biāo)準(zhǔn)算法中CT平均值、CT最大值、表面積、球型度、緊湊度、能量、熵差異有統(tǒng)計(jì)學(xué)意義（Z=2.43～6.98，Plt;0.05），在肺算法中CT最大值、CT最小值、CT值方差、表面積、球型度、緊湊度、峰度、熵差異有統(tǒng)計(jì)學(xué)意義（Z=2.54～8.51，Plt;0.05）。見(jiàn)表1。

2.2相同層厚不同重建算法比較

0.625 mm組標(biāo)準(zhǔn)算法和肺算法比較差異有顯著意義的特征有CT平均值、CT值方差、CT最大值、CT最小值、能量、偏度、熵、表面積；1.250 mm組、2.500 mm組標(biāo)準(zhǔn)算法和肺算法比較差異有統(tǒng)計(jì)學(xué)意義的特征均為總質(zhì)量、CT平均值、CT值方差、CT最大值、CT最小值、能量、偏度和熵（Z1.250 mm=-10.90～-2.91，Z2.500 mm=-10.48～-2.63，Plt;0.05）。見(jiàn)表1。

3討論

隨著AI的發(fā)展，AI技術(shù)在肺小結(jié)節(jié)的檢測(cè)中得到廣泛應(yīng)用，大大提高了影像科醫(yī)生的工作效率。有研究表明，AI對(duì)肺小結(jié)節(jié)的識(shí)別與影像診斷醫(yī)師差異無(wú)統(tǒng)計(jì)學(xué)意義，同時(shí)AI還能獲取更多影像組學(xué)特征[12]。另有研究指出，根據(jù)影像組學(xué)特征可以對(duì)腫瘤進(jìn)行定性和定量分析，為疾病診療提供依據(jù)[13-15]。然而，影像組學(xué)特征易受到不同CT掃描方案的影響[16]，不同的掃描儀之間也存在差異[17]。為了更好地服務(wù)于臨床，影像特征需具有可再現(xiàn)性，同時(shí)統(tǒng)一的標(biāo)準(zhǔn)（如相同層厚、相同重建算法、相同掃描參數(shù)等）會(huì)增加影像組學(xué)的可重復(fù)性，從而擴(kuò)大其在臨床中的應(yīng)用。HE等[18]對(duì)240例孤立性肺小結(jié)節(jié)影像組學(xué)特征分析顯示，影像組學(xué)特征易受重建算法和掃描層厚的影響，其中非增強(qiáng)的薄層數(shù)據(jù)以及標(biāo)準(zhǔn)卷積核的影像組學(xué)特征更有臨床意義。KIM等[19]對(duì)42個(gè)肺部腫瘤進(jìn)行閱片者內(nèi)和閱片者間分析發(fā)現(xiàn)，大多數(shù)影像組學(xué)特征受重建算法影響大，而熵、同質(zhì)性和基于灰度共生矩陣的特征，在不同重建算法之間的變異性大于不同閱片者之間的變異性。鄧琦等[20]用基于AI的直方圖參數(shù)模型預(yù)測(cè)微小磨玻璃結(jié)節(jié)樣肺腺癌浸潤(rùn)，發(fā)現(xiàn)熵的診斷效能較高。趙青等[21]通過(guò)直方圖分析中醫(yī)藥治療GGN效果發(fā)現(xiàn)，直方圖圖形越復(fù)雜、排列越緊密、熵值越高，則GGN越傾向于惡性。本研究中熵值隨層厚的增加而減小，并且標(biāo)準(zhǔn)算法要小于肺算法，因而在應(yīng)用熵值大小診斷GGN的良惡性時(shí)應(yīng)考慮到重建算法和重建層厚等對(duì)結(jié)果的影響。在肺算法中由于采用高通濾波算法，會(huì)保留高的空間頻率和噪聲，從而使圖像均勻性變差；而標(biāo)準(zhǔn)算法采用的是較高的空間頻率和較低的噪聲，故標(biāo)準(zhǔn)算法圖像均勻性要優(yōu)于肺算法。相同的層厚下，平滑的算法（標(biāo)準(zhǔn)算法）較銳利的算法（肺算法）可減少更多的圖像噪聲，因而在做組學(xué)分析時(shí)更推薦標(biāo)準(zhǔn)算法，這與相關(guān)研究結(jié)果一致[18，22]。

本文研究顯示，在相同的敏感度下，0.625 mm組和1.250 mm組不管是標(biāo)準(zhǔn)算法還是肺算法所有pGGN均能顯示，2.500 mm組有7例在兩種不同重建算法中均未顯示，另有4例pGGN在肺算法中未顯示，而在標(biāo)準(zhǔn)算法中正常識(shí)別，說(shuō)明2.500 mm組數(shù)據(jù)診斷效能較差；同時(shí)2.500 mm組與0.625 mm組一階直方圖特征差異有統(tǒng)計(jì)學(xué)意義，與周?chē)萚22]研究結(jié)果一致。這可能由于2.500 mm組層厚較厚，雖然層厚增加噪聲降低，但其軸向的空間分辨率會(huì)降低，同時(shí)還會(huì)有較大的部分容積效應(yīng)使圖像模糊導(dǎo)致圖像紋理細(xì)節(jié)減少，從而限制其在AI中的應(yīng)用；還有可能是在做AI模型時(shí)本身用的就是薄層數(shù)據(jù)，從而應(yīng)用薄層數(shù)據(jù)會(huì)獲得更準(zhǔn)確的數(shù)值。而0.625 mm組數(shù)據(jù)與1.250 mm組數(shù)據(jù)除熵、能量外其他特征差異均無(wú)統(tǒng)計(jì)學(xué)意義，為了提高圖像重建速度，減少儲(chǔ)存空間，建議采用1.250 mm層厚的數(shù)據(jù)做組學(xué)分析。

本研究存在一些不足：①樣本量較小，后期要加大樣本量對(duì)結(jié)果進(jìn)一步驗(yàn)證；②只對(duì)部分組學(xué)信息進(jìn)行分析，下一步會(huì)納入更多種組學(xué)特征；③僅對(duì)一家公司同一個(gè)CT機(jī)型數(shù)據(jù)進(jìn)行對(duì)比，未對(duì)不同機(jī)型和不同AI輔助軟件進(jìn)行比較。

綜上所述，重建算法和重建層厚對(duì)基于AI獲得的pGGN一階特征均會(huì)產(chǎn)生影響。在做pGGN一階特征分析時(shí)，為了提高重建速度及節(jié)省存儲(chǔ)空間，建議采用1.250 mm層厚、標(biāo)準(zhǔn)算法的數(shù)據(jù)。

［參考文獻(xiàn)］

[1]STANG A， SCHULER M， KOWALL B， et al. Lung cancer screening using low dose CT scanning in Germany. extrapolation of results from the national lung screening trial[J]." Deutsches Arzteblatt International， 2015，112（38）：637-644.

[2]吳芳. 小于等于10 mm純磨玻璃密度肺腺癌CT特征與病理對(duì)照及長(zhǎng)期存在≤10 mm純磨玻璃密度結(jié)節(jié)的隨訪研究[D]. 北京：解放軍醫(yī)學(xué)院， 2015.

[3]中華醫(yī)學(xué)會(huì)呼吸病學(xué)分會(huì)肺癌學(xué)組，中國(guó)肺癌防治聯(lián)盟專(zhuān)家組. 肺結(jié)節(jié)診治中國(guó)專(zhuān)家共識(shí)（2018年版）[J]. 中華結(jié)核和呼吸雜志， 2018，41（10）：763-771.

[4]AHERNE E A， PLODKOWSKI A J， MONTECALVO J， et al. What CT characteristics of lepidic predominant pattern lung adenocarcinomas correlate with invasiveness on pathology[J]？" Lung Cancer， 2018，118： 83-89.

[5]YU Z Y， XU C X， ZHANG Y， et al. A triple-classification for the evaluation of lung nodules manifesting as pure ground-glass sign： a CT-based radiomic analysis[J]." BMC Medical Imaging， 2022， 22（1）：133.

[6]崔效楠，劉穎，葉兆祥，等. 影像組學(xué)特征對(duì)肺純磨玻璃結(jié)節(jié)侵襲性腺癌與非侵襲性腺癌的鑒別價(jià)值[J]. 國(guó)際醫(yī)學(xué)放射學(xué)雜志， 2018，41（4）：375-378.

[7]蔡雅倩，周小君，張正華，等. CT直方圖分析鑒別肺良惡性純磨玻璃結(jié)節(jié)的價(jià)值[J]. 放射學(xué)實(shí)踐， 2020，35（8）：949-952.

[8]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(cè)亞實(shí)性肺結(jié)節(jié)惡性概率[J]. 中國(guó)醫(yī)學(xué)影像技術(shù)， 2020，36（4）：535-539.

[9]BONAVITA I， RAFAEL-PALOU X， CERESA M， et al. Integration of convolutional neural networks for pulmonary no-dule malignancy assessment in a lung cancer classification pipeline[J]." Computer Methods and Programs in Biomedicine， 2020，185：105172.

[10]PARK S， LEE S M， DO K H， et al. Deep learning algorithm for reducing CT slice thickness： effect on reproducibility of radiomic features in lung cancer[J]." Korean Journal of Radiology， 2019，20（10）：1431-1440.

[11]PENG X Q， YANG S Y， ZHOU L X， et al. Repeatability and reproducibility of computed tomography radiomics for pulmonary nodules： a multicenter phantom study[J]." Investigative Radiology， 2022，57（4）：242-253.

[12]耿然. 基于深度學(xué)習(xí)的人工智能影像輔助診斷系統(tǒng)對(duì)肺結(jié)節(jié)的診斷效能評(píng)價(jià)[J]. 新鄉(xiāng)醫(yī)學(xué)院學(xué)報(bào)， 2022，8（11）：1031-1035.

[13]陳鑫. 基于CT影像組學(xué)精準(zhǔn)預(yù)測(cè)非小細(xì)胞肺癌術(shù)后預(yù)后的研究[D]. 廣州：南方醫(yī)科大學(xué)， 2020.

[14]張俊杰，郝李剛，許茜，等. 基于臨床及CT特征構(gòu)建預(yù)測(cè)肺浸潤(rùn)性黏液腺癌的機(jī)器學(xué)習(xí)模型[J]. 中華全科醫(yī)學(xué)， 2023，21（1）：6-9，49.

[15]CHEN C H， CHANG C K， TU C Y， et al. Radiomic features analysis in computed tomography images of lung nodule classification[J]." PLoS One， 2018，13（2）：e0192002.

[16]BERENGUER R， PASTOR-JUAN M D R， CANALES-VZQUEZ J， et al. Radiomics of CT features may be nonreproducible and redundant： influence of CT acquisition parameters[J]." Radiology， 2018， 288（2）：407-415.

[17]MACKIN D， FAVE X， ZHANG L F， et al. Measuring computed tomography scanner variability of radiomics features[J]." Investigative Radiology， 2015，50（11）：757-765.

[18]HE L， HUANG Y Q， MA Z L， et al. Effects of contrast-enhancement， reconstruction slice thickness and convolution kernel on the diagnostic performance of radiomics signature in so-litary pulmonary nodule[J]." Scientific Reports， 2016，6（1）：34921.

[19]KIM H， PARK C M， LEE M， et al. Impact of reconstruction algorithms on CT radiomic features of pulmonary tumors： analysis of intra- and inter-reader variability and inter-reconstruction algorithm variability[J]." PLoS One， 2016，11（10）：e0164924.

[20]鄧琦，潘愛(ài)珍，徐志鋒，等. 基于AI技術(shù)CT直方圖參數(shù)模型預(yù)測(cè)微小磨玻璃結(jié)節(jié)樣肺腺癌浸潤(rùn)性[J]. 放射學(xué)實(shí)踐， 2022，8（8）：977-981.

[21]趙青，王文潔，王蕾. 放射組學(xué)直方圖分析在中醫(yī)藥治療肺磨玻璃結(jié)節(jié)療效評(píng)價(jià)中的應(yīng)用[J]. 北京中醫(yī)藥大學(xué)學(xué)報(bào)， 2023，46（10）：1338-1344.

[22]周?chē)槐?，劉亞斌，? 基于AI對(duì)肺小結(jié)節(jié)CT圖像層厚與結(jié)節(jié)特征的檢出效能影響[J]. 醫(yī)學(xué)影像學(xué)雜志， 2021，31（2）：234-238.

（本文編輯黃建鄉(xiāng)）