影像AI还在稿花哨的模型？ 试试理论创新的CT弹性成像吧

之前一直就说过，医学影像与AI结合，最不重要的就是各种花里胡哨的神经网络，以及各种什么多模态、2D、3D的融合，甚至可以这么说最不重要的就是各种神经网络方法创新，你想搞神经网络创新，你应该去投计算机的杂志，去读计算的硕博士。这些东西已经水了很多文章了，审稿人以及编辑早就审美疲劳了。之所以那些机构总是推，是因为他们只懂计算机，根本不知道医学影像在临床场景需要什么。如果你的课题研究目的还是像这种良恶性鉴别，那基本发不出去，好在大家还是听劝的，各位的研究目的一般还是贴近临床实际的，所以录用率还可以。但是现在更卷的来了，那就是即便你的研究目的还可以，那样本量也是一个很难解决的问题。其实在AI未冲击医学影像之前，大家想想看，哪儿有那么多几百个病例的研究，还跨中心，更是没有。

那么除了研究目的能让审稿人眼前一亮，其实还有就是各种影像功能参数图，比如之前跟大家说的CT细胞外容积也有同学已经顺利发文。但今天我要给大家介绍一个新的功能参数图-CT弹性成像，此参数图只需要普通的CT图像即可，非常适合广泛使用。参考文献（Lesion classification by model-based feature extraction: A differential affine invariant model of soft tissue elasticity）

我们通常认为，要想知道身体内部某块组织的“软硬”——也就是弹性——必须依赖专门的设备，比如超声弹性成像或磁共振弹性成像。然而，其实普通的CT图像中，也蕴含着这些“软硬”信息。如果能够巧妙地“提取”出来，就能用现有的CT设备实现类似弹性成像的效果。

这种软组织弹性建模方法的核心思路，是把一张静态CT图像当作一个连续的密度场。尽管CT只记录了不同部位的密度（灰度强度），但因为身体内部各类组织的排列、微小形变和边界过渡，已经在这些灰度的微小变化里“写”下了弹性信息。通过数学方法（例如求取一阶和二阶梯度、张量等），可以从一幅图像内部，分析出局部的密度变化情况，反推出组织在受到压缩或拉伸时的响应能力，也就是弹性特征。

这种方法特别智能的一点在于：它用的是“差分”和“仿射不变量”原则，也就是说，不论CT图像的尺度、旋转、或微小变形如何，只要是反映真实组织结构的变化，模型提取出来的弹性特征都能保持一致。这使得结果既可靠又稳定。

总的来说，传统CT图像其实暗藏了丰富的组织属性信息。只要用对了数学工具，不仅能看清“形”，还能推测“质”，即在无需特殊仪器的前提下，实现在普通CT上的弹性成像。这为肿瘤等疾病的进一步无创识别和诊断提供了全新的可能。

那么我们再来看一例胃ca病例：

上图是肿瘤显示，CT值58hu，下图是正常胃壁，CT值56hu，几乎没有什么差异。而彩色的CT弹性成像显示，肿瘤弹性值为1.2，正常胃壁弹性值0.8，明显肿瘤会更加“硬”一些。

那么根据新的CT弹性参数图，又可以提取很多影像组学特征。研究就可以有两个方向：

1.老套路，各种建模思路，融合也好，生境也好，但总归有弹性这个强解释性图像在，你的讨论有很多干货。

2.提取很多影像组学特征、生境特征，走最传统的统计学分析，功效分析确定样本量，一般也就几十个样本。所以根本不用担心样本量，而且这种新参数图是一个探索性研究根本没有训练集、测试集一说。

现在公众号提供代做服务，同时PixelmedAI平台也会在本周上架这种参数图。最后重要的是说三遍：

医学影像与AI结合，最不重要的就是各种花里胡哨的神经网络，以及各种融合；

医学影像与AI结合，最不重要的就是各种花里胡哨的神经网络，以及各种融合；

医学影像与AI结合，最不重要的就是各种花里胡哨的神经网络，以及各种融合；

研究目的或者各种可解释性功能参数图是永远的创新，也是能在审稿人面前眼前一亮的终极法宝。

往期推荐：

审稿日记-大语言模型影像水论文要注意实验设计

可代做分享：胃癌CT-ECV可影像组学或者深度学习

成人小肠磁共振成像：不仅限于克罗恩病

与肝门胆管癌相关的肝叶和小段萎缩，以及肝门胆道解剖变异的影响

足踝部假瘤性软组织病变的影像学回顾

可代做分享：基于深度学习的用于前列腺T2W MRI质量评估的可解释AI