研究背景与目标
直肠癌淋巴结转移的准确诊断对治疗方案选择和病人预后判断至关重要。目前临床主要依赖观察淋巴结形态特征，但缺乏统一标准。随着影像组学和深度学习的发展，本研究旨在结合两者方法，探究其在直肠癌淋巴结转移诊断中的应用价值。
研究方法与流程
研究分为图像分割、肿瘤特征提取和构建分类模型三部分：
- 图像分割：采用U-Net神经网络对医学图像进行分割，提取肿瘤区域mask图像。实验表明，U-Net在图像分割中的Dice系数达到0.812，优于传统方法（Dice系数0.3385）。
- 肿瘤特征提取：从肿瘤区域提取纹理特征（对比度、相关性、差异性、二阶矩）、灰度特征（能量、方差、熵、峰度）、小波特征（熵、反差分矩阵、对比度、能量）和形状特征（面积、周长），并构建三维点云模型提取三维特征（体积、各向异性、灰度均值、熵）。
- 构建分类模型：结合动脉期和门脉期的所有CT影像特征进行特征选择（采用卡方检验），并构建朴素贝叶斯分类模型。模型在107个病人数据集上经交叉验证，分类准确率达到86.36%。
研究结论与展望
实验证明，结合深度学习模型U-Net与传统影像组学方法评估直肠癌淋巴结转移具有良好的效果和实用性。未来研究方向包括：考虑肿瘤三维特征、优化数据预处理、提取肿瘤周边区域特征等，以进一步提高诊断准确性。
