周舒畅， 王玉锦， 胡琼洁， 胡玉娜， 杨朝霞， 张新平， 康诗超， 陈冲， 黄嘉，夏黎明

2017年RSNA的主题是“去探索，去发明，去转化”，旨在将科研应用于临床，更好的为临床服务，深度学习/人工智能是今年RSNA的绝对热点，影像组学也是今年的主题之一，肺部磁共振成像仍处于探索阶段，肺结节放射诊疗、肺结节筛查、低剂量、双能CT仍较为重要，笔者将2017 RSNA胸部影像学内容综述如下。

深度学习/人工智能

在医学影像分析的深度学习研究中，我们可以走多远是一个未知数。Tajbakhsh等在局灶性病变(胸部CT中的肺结节和CT结肠成像中的结肠息肉)的检测和分类中研究了计算机辅助卷积神经网络(CNNs)的深度，发现当在卷积层中使用8或64个滤波器时，不同深度CNN之间没有显著统计学差异(P>0 .05)，表明如果CNNs足够宽，更深的架构不是有效的。 具有3或4个卷积层的CNNs比较浅的架构更有效，而使用更深的架构没有进一步增加性能。Lau等利用卷积神经网络进行肺结节自动检测和分割，发现自动化结节检测在保持较低的假阳性率的同时，可以有很好的结节反馈与记忆学习。 此外，他们的结节分割方法提供准确和详细的三维结节分割，以协助临床管理和后续更多方案的制定。深度学习在计算机视觉中的对象分类中取得了巨大的成功。Tajbakhsh等探讨了从计算机视野领域导入卷积神经网络(CNN)与医学成像领域提出的神经网络卷积(NNC)两种深度学习模型在肺结节检测和分类中的作用，他们开发了5种代表性的CNN模型和1种NNC模型，最终发现，NNC模型比他们开发的5种CNN模型中最好的模型有更高的性能。