南昌大学第一附属医院 | 陈莉教授团队:影像组学和深度学习在腮腺肿瘤诊断中的研究进展

影像组学通过从CT、MRI、PET等医学影像中高通量地提取海量定量特征，并结合临床信息，利用统计学或机器学习模型进行分析，以辅助疾病定性诊断、定位评估及治疗决策^[9-10]。影像组学不仅将特征数字化，构建相应的分类或预测模型，还能将模型相关特征与病理生理学和组织分化特点相关联。尽管影像组学展现出巨大的临床应用潜力，但其预测模型的性能稳定性、复现性及临床实用性仍需大量外部数据验证。

机器学习旨在研究计算机如何模拟或实现人类的学习行为，重新组织已有的知识结构使之不断改善自身性能^[11]。深度学习以人工神经网络为架构，通过学习从原始输入数据中提取特征，逐步组合成更高级的抽象特征，从而实现对复杂数据的处理和分析。神经网络包括卷积神经网络、循环神经网络、长短期记忆网络等深度学习模型。与传统机器学习相比，深度学习强调模型的深度、特征学习和优化的自主性，目前在图像处理、目标分类和检测识别等任务上均表现出良好效能和巨大潜力^[12]。

2.1.1  腮腺肿瘤良恶性鉴别  

Fruehwald-Pallamar等^[13]基于38例患者的增强T1WI图像构建线性判别分析-K近邻模型，其在Fisher系数特征子集上表现最佳，准确度为84.5%；模型特征中增强T1WI与图像不同区域灰度差异有关的Contrast和SumOfSqs权重较大，其数值体现了图像均匀性，表明恶性肿瘤纹理更具复杂性与差异性^[14]。Zhang等^[15]分析93例患者CT中灰度直方图和灰度共生矩阵内的特征与良、恶性肿瘤鉴别的相关性，发现恶性肿瘤Energy、Mean、Correlation和Sum Entropy均显著高于良性肿瘤，单特征模型的曲线下面积（AUC）分别为0.887、0.734、0.739、0.623。Energy、Mean、Correlation和Sum Entropy均代表图像中灰度级分布的非均匀性和复杂性，数值越高，图像的纹理越复杂，灰度级分布越不均匀。Mao等^[16]基于328例患者的回顾性研究表明，用于量化空间强度变化及平均灰度水平的2种特征original_ngtdm_Contrast和wavelet_LHL_ firstorder_Mean在肿瘤良恶性鉴别中具有重要意义。Zheng等^[17]从388例腮腺肿瘤的增强CT（非增强期、动脉期和静脉期）提取影像组学特征，基于灰度共生矩阵等特征构建的影像组学模型表现出良好的诊断效能（AUC=0.840）进一步强调了灰度均匀性的相关特征鉴别良、恶性肿瘤的重要性。综上所述，不论是在常规图像还是对比增强图像中，恶性肿瘤比良性肿瘤更可能表现不均匀、更复杂的纹理特征。

Piludu等^[18]使用表观扩散系数（ADC）值的四分位数（P25）、T2WI图像的近椭球体积密度、肿瘤边缘特征和增强类型构建诊断模型，结果发现T2WI图像中的近椭球体积密度与肿瘤体积的球形度直接相关，AL的近椭球体积密度值比其他良性肿瘤和恶性肿瘤更高，即AL更具球形特点。

Gabelloni等^[19]研究指出，恶性肿瘤和AL的肿瘤内部血管等级相关^[20]特征Skewness及与肿瘤内部异质性改变有关的特征Autocorrelation均高于PA，表明PA具有更不丰富血流及更均匀的内部纹理。周宇堃等^[21]和Guo等^[22]的研究也指出，与区域间像素均匀性相关的灰度共生矩阵和灰度大小区域矩阵特征权重最大，表明恶性肿瘤较PA具有更复杂的内部纹理。综上所述，基于血流灌注参数及内部均匀性的纹理特征，可为鉴别恶性肿瘤与PA提供有效的影像学依据。

2.1.2  常见良性肿瘤鉴别 

腮腺常见良性肿瘤，既往研究主要聚焦于PA与AL的鉴别诊断，重点探讨两者在形态、内部均匀性及血流特征方面的差异。Mao等^[23]基于287例良性腮腺肿瘤的超声灰阶图像构建影像组学模型，其中original_shape_Elongation和exponential_ glcm_Imc1具有最大权重，这些特征表明，与AL相比，PA内部回声更均匀以及更易呈现出多分叶。Piludu等^[18]指出ADC P25与肿瘤内部水分子迁移受限程度相关性最高，内部富含小囊样改变的AL的ADC P25值更低，可有效区分AL与PA。Fruehwald-Pallamar等^[13]基于增强T1WI图像构建的互信息特征模型表现最佳，准确度为81.8%，该研究结果表明，能体现低通滤波后平均小波能量的特征WavEnLL_s-4权重最大。彭媛媛等^[24]基于增强T1WI构建的模型也表明WavEnLL_s-2及WavEnLL_s-3鉴别AL和PA的效能较好，其可能与AL在动态对比增强图像上表现出的早期增强和高洗脱^[25-26]，而PA表现为均匀增强的特点相关。此外，Gabelloni等^[19]构建的多模态模型共同特征权重最大是Skewness，表明AL的血流较PA更丰富，且与PA的边缘灌注相比，AL多为中央灌注。因此，关注肿瘤形态、内部均匀性及血流灌注特征可有助于PA与AL鉴别。

PA包膜的完整状态不仅有助于PA的术式选择，并在术后复发和恶性转化评估中起重要作用^[27]。Li等^[28]基于CT构建瘤内+瘤周（2 mm）的影像组学模型，能有效识别PA包膜完整状态，其中以线性判别分析的分类器表现最佳（AUC=0.869）。该研究指出肿瘤大小、形态与包膜的完整性密切相关，模型所选特征主要与肿瘤均匀性与形状相关。此外，包膜完整性还与肿瘤内部异质性密切相关。Mai等^[29]基于ADC图像分区预测PA复发的高危包膜，低ADC型肿瘤分区模型性能更好（AUC=0.899）。不完整包膜型PA通常具有更强的侵袭性，导致组织异质性增加，细胞间的连接和间隙发生改变，从而限制水分子的扩散，使ADC值降低。Wang等^[30]基于325例PA患者的超声图像进行生境分析，通过 K-means聚类将肿瘤分为4个生境亚区，基于亚区提取纹理特征构建模型鉴别PA包膜完整性，其中以随机森林模型准确性最高（AUC=0.823）。综上，包膜不完整的PA在影像上表现出更高的异质性，这种异质性可以通过不同技术方法（如CT纹理、ADC值、超声纹理）有效量化。

3.1.1  腮腺肿瘤良恶性鉴别  

Matsuo等^[31]将T1WI、T2WI图像分别作为RBG中的2通道输入并从多方面改良了传统神经网络VGG-16，使用CUReT的人工纹理数据集进行数据增强以提高模型的鲁棒性。运用L2-约束的softmax损失函数解决了经典softmax函数在处理高维数据时出现的数值不稳定问题，分类效能良好（AUC=0.870）。Xia等^[32]也将T1WI、T2WI、增强T1WI和病灶图像分别作为ResNet18模型的4通道输入，准确度为82.2%，AUC为0.93。

Shen等^[33]基于117例患者的动脉期增强CT图像构建3D DenseNet-121模型，鉴别腮腺肿瘤良恶性准确度为89.3%；该研究样本量较小，但使用3D神经网络获取整个肿瘤的空间和结构信息，进而提升了诊断效能。Yu等^[34]纳入573例患者的双中心研究构建6个基于动脉期CT图像的深度学习模型，其中MobileNet V3的诊断效能最佳，外部验证集准确度为84.6%。MobileNet V3^[35]是使用深度可分离卷积的一个轻量级卷积神经网络，显著减少了模型参数量和计算复杂度，在推理速度与模型准确性之间取得良好平衡，最终实现高效且实时的端侧部署与决策。

Tu等^[36]利用VGG16提取超声图像特征后，将特征输入K近邻算法中进行分类，准确度为93.0%，略高于直接使用VGG16进行分类的准确度91.9%。为了解决ResNet、VGG等模型网络计算负担重与计算时间长的不足，在满足实时诊断的需求之下，Zhang等^[37]比较轻量级网络SqueezeNet和MobileNetV2同传统网络ResNet101和VGG16的诊断效能和计算参数量，结果显示SqueezeNet在计算参数缩减250余倍基础上，对于良恶性鉴别的准确度达到92.5%，较VGG16增加5%。MobileNetV2虽然参数更小，计算更快，但预测结果不如VGG16。综上，通过融合多模态数据、挖掘三维信息及采用轻量级网络等多种策略，深度学习在腮腺良、恶性肿瘤鉴别中同时实现高诊断性能与高临床效率。

3.1.2  常见良性肿瘤鉴别 

Mao等^[23]使用ResNet50构建的DTL模型效能最优，AUC为0.794，并使用Grad-CAM可视化模型关注区域，该模型更关注肿瘤内部混杂回声区域，AL内部小囊样低回声区和PA内部均匀稍高回声可作为有效鉴别要点。Sinci等^[38]的研究于常规MR基础上添加对比增强MR图像，构建的MobEff Comb模型将诊断准确度从73%提升至89%，表明对比增强MR的时间-强度曲线类型有助于区分PA和AL。因此，深度学习模型可通过聚焦肿瘤内部回声或增强曲线等关键特征，有效提升PA与AL的鉴别诊断效能。

3.1.3  多分类肿瘤鉴别 

Chang等^[39]在预测分类时采用同步扩散加权成像（b0+bk）组合时取得最佳诊断效能，鉴别AL、PA和恶性肿瘤的准确度分别为81%、76%和71%。多通道输入应用于肿瘤分类中展现出优异的诊断效能。Gunduz等^[40]比较多模型决策融合的分类诊断效能，使用ILSVRC数据库对InceptionResNetv2模型进行预训练，并将其迁移至5种MR序列（T1WI、T2WI、DWI b0、DWI b1000和ADC）构建的组合模型中；非组合模型是基于每种序列单独训练的5个InceptionResNetv2模型，采用多数投票进行预测分类，正常对照组、AL、PA和恶性肿瘤在组合模型的准确度为92.9%，非组合模型的准确度为86.4%，组合模型诊断PA、AL和恶性肿瘤的准确度分别为97.6%、92.3%和71.4%。由上可知，采用多通道输入或模型融合策略，能通过整合更丰富的影像特征，显著提升对AL、PA及恶性肿瘤的多分类准确度。

腮腺肿瘤的术前精准分割对于诊断和定量评估至关重要，基于深度学习的自动分割技术具有广阔的应用前景。Chang等^[39]运用U-Net网络和迁移学习从85例患者的多个MR序列中提取特征，首先使用BRATS2017大赛的数据集进行预训练，以T1WI、T2WI、水抑制成像和增强T1WI图像作为4通道输入，迁移后使用T1WI、T2WI、b0和bk 4通道进行模型调试，迭代5 000次后的平均骰子系数最高，为0.48；但该研究的样本量有限，尽管迁移学习策略在一定程度上提升了模型性能，要充分发挥深度学习的潜力，基于大规模数据集进行训练不可或缺。Hänsch等^[41]使用3个U-Net模型（2D U-Net、集成2D U-Net和3D U-Net网络）评估比较CT图像下的腮腺肿瘤分割能力，三者的平均骰子系数均接近0.83，并通过比较集成2D U-Net和3D U-Net网络在公开数据集上的分割效能，发现3D U-Net在轮廓质量和模型简单性方面更有优势。Gao等^[42]基于transformer构建的PT-Net在解剖结构分割上表现优异，以transformer为编码器，卷积神经网络为解码器，T1WI为主模态输入，T2WI和STIR-T2WI为次模态输入的多模态模型准确度为82%，并创新性地设计了基于解剖感知的损失函数。Sunnetci等^[43]分别于T1WI、增强T1WI和T2WI图像上构建基于ResNet18/Xception的语义分割模型Deeplab V3+进行腮腺肿瘤的分割任务，其中使用增强T1WI图像开发的基于ResNet18的Deeplab V3+模型最佳，准确度、敏感度、特异度分别为96.15%、89.91%、98.42%。然而，腮腺肿瘤分割仍存在挑战：①腮腺及其周围有大量肌肉和神经血管走行存在，腮腺肿瘤因其解剖复杂不易有效分割。②腮腺肿瘤类型多样、大小多变及信号复杂。

尽管影像组学与深度学习在医学影像分析中展现出卓越的性能并成为研究热点，但仍存在一些问题：①样本数量有限和比例失衡，腮腺肿瘤病例数少，目前的研究训练集通常<200例，构建的模型鲁棒性不佳，存在一定高偏倚风险；腮腺良恶性肿瘤用于模型训练的比例相差太大，也会导致模型效能不佳^[23]。②缺乏外部验证，模型验证研究多为单中心和回顾性研究，缺乏外部验证集；模型的泛化能力得不到进一步验证，可能导致结果的局限性和不可靠性^[9]。③结果解释不足，目前对于影像学特征与肿瘤病理学特征的联系研究有限，缺乏足够的前瞻性研究支持，这导致预测模型和生物学意义之间存在一定脱节，限制了预测模型在临床转化方面的应用；深度学习的模型学习过程类似于黑箱，其学习结果的可解释性较差^[9,12]。

影像特征和深度学习的可重复性和稳定性是确保预测能力的前提，因此，建立统一、标准化的质量保证和质量控制体系至关重要。

目前，影像组学和深度学习在腮腺肿瘤诊断模型中表现出优异的诊断性能。基于MRI、CT及超声等多模态影像，能够有效实现不同病理类型肿瘤的鉴别。在影像组学方面，与肿瘤内部均匀性相关的影像组学特征有助于区分腮腺肿瘤；肿瘤类球性特征有助于鉴别AL与恶性肿瘤，肿瘤形态和血流灌注特征可用于鉴别PA与AL。进一步将影像组学评分与临床指标相结合，可构建诊断效能更优的融合模型。在深度学习方面，该技术已在肿瘤分割与分类任务中取得良好表现。影像组学与深度学习已显示出临床应用潜力，未来仍需深入探索影像组学特征及深度学习模型与肿瘤生物学行为的内在关联，以进一步推动其向个体化、可解释的临床应用方向深化发展，为腮腺肿瘤的精准辅助诊断与治疗决策提供支持。

利益冲突  所有作者均声明不存在利益冲突

[1]Skálová A, Hyrcza MD, Leivo I. Update from the 5th edition of the World Health Organization classification of head and neck tumors: salivary glands[J]. Head Neck Pathol, 2022, 16(1): 40-53. DOI: 10.1007/s12105-022-01420-1.

[2] Gao M, Hao Y, Huang MX, et al. Salivary gland tumours in a northern Chinese population: a 50-year retrospective study of 7190 cases[J]. Int J Oral Maxillofac Surg, 2017, 46(3): 343-349. DOI: 10.1016/j.ijom.2016.09.021.

[3] Cracchiolo JR, Shaha AR. Parotidectomy for parotid cancer[J]. Otolaryngol Clin North Am, 2016, 49(2): 415-424. DOI: 10.1016/j.otc.2015.10.007.

[4] Seyhun N, Doğan U, Çalış ZAB, et al. The role of fine needle aspiration biopsy in deep lobe parotid tumors: comparison of preoperative cytology and postoperative histopathologic results[J]. Am J Otolaryngol, 2021, 42(1): 102590. DOI: 10.1016/j.amjoto.2020.102590.

[5] Lee DH, Choi YD, Yoon TM, et al. Synchronous pleomorphic adenoma and oncocytic carcinoma in the ipsilateral parotid gland[J]. Br J Oral Maxillofac Surg, 2018, 56(7): 629-631. DOI: 10.1016/j.bjoms.2018.06.004.

[6] Fois P, Mureddu L, Manca A, et al. Preoperative diagnosis of warthin tumors combining cytological, clinical and ultrasonographic information within a multidisciplinary approach in a lump clinic[J]. J Pers Med, 2023, 13(7): 1075. DOI: 10.3390/jpm13071075.

[7] 梁峰雪, 温德惠, 李晓宇, 等. 多模态超声在腮腺多形性腺瘤及Warthin瘤鉴别诊断中的应用[J]. 现代肿瘤医学, 2023, 31(17): 3280-3284. DOI: 10.3969/j.issn.1672-4992. 2023.17.025.

[8] 中华人民共和国国家卫生健康委员会. 腮腺浅叶良性肿瘤诊疗指南(2022年版) [EB/OL]. (2022-10-27)[2023-05-27]. https://www.nhc.gov.cn/cms-search/downFiles/3325066a 738e48088c359d64f932ee52.pdf.

[9] Lambin P, Leijenaar RTH, Deist TM, et al. Radiomics: the bridge between medical imaging and personalized medicine[J]. Nat Rev Clin Oncol, 2017, 14(12): 749-762. DOI: 10.1038/nrclinonc.2017.141.

[10] Jha AK, Mithun S, Purandare NC, et al. Radiomics: a quantitative imaging biomarker in precision oncology[J]. Nucl Med Commun, 2022, 43(5): 483-493. DOI: 10.1097/ MNM.0000000000001543.

[11] Jordan MI, Mitchell TM. Machine learning: trends, perspectives, and prospects[J]. Science, 2015, 349(6245): 255-260. DOI: 10.1126/science.aaa8415.

[12] Mazurowski MA, Buda M, Saha A, et al. Deep learning in radiology: an overview of the concepts and a survey of the state of the art with focus on MRI[J]. J Magn Reson Imaging, 2019, 49(4): 939-954. DOI: 10.1002/jmri.26534.

[13] Fruehwald-Pallamar J, Czerny C, Holzer-Fruehwald L, et al. Texture-based and diffusion-weighted discrimination of parotid gland lesions on MR images at 3.0 Tesla[J]. NMR Biomed, 2013, 26(11): 1372-1379. DOI: 10.1002/nbm.2962.

[14] Mayerhoefer ME, Materka A, Langs G, et al. Introduction to radiomics[J]. J Nucl Med, 2020, 61(4): 488-495. DOI: 10.2967/jnumed.118.222893.

[15] Zhang D, Li X, Lv L, et al. A preliminary study of CT texture analysis for characterizing epithelial tumors of the parotid gland[J]. Cancer Manag Res, 2020, 12: 2665-2674. DOI: 10.2147/CMAR.S245344.

[16] Mao Y, Jiang L, Wang J, et al. Hybrid fusion model for effective distinguishing benign and malignant parotid gland tumors in gray-scale ultrasonography[J]. Ultrasound Med Biol, 2026, 52(1): 52-61. DOI: 10.1016/j.ultrasmedbio. 2025.06.014.

[17] Zheng Y, Zhou D, Liu H, et al. CT-based radiomics analysis of different machine learning models for differentiating benign and malignant parotid tumors[J]. Eur Radiol, 2022, 32(10): 6953-6964. DOI: 10.1007/s00330-022-08830-3.

[18] Piludu F, Marzi S, Ravanelli M, et al. MRI-based radiomics to differentiate between benign and malignant parotid tumors with external validation[J]. Front Oncol, 2021, 11: 656918. DOI: 10.3389/fonc.2021.656918.

[19] Gabelloni M, Faggioni L, Attanasio S, et al. Can magnetic resonance radiomics analysis discriminate parotid gland tumors? A pilot study[J]. Diagnostics, 2020, 10(11): 900. DOI: 10.3390/diagnostics10110900.

[20] Miles KA, Ganeshan B, Hayball MP. CT texture analysis using the filtration-histogram method: what do the measurements mean?[J]. Cancer Imaging, 2013, 13(3): 400-406. DOI: 10.1102/1470-7330.2013.9045.

[21] 周宇堃, 甄俊平, 王效春, 等. MRI影像组学结合机器学习模型鉴别腮腺恶性肿瘤与多形性腺瘤[J]. 山西医科大学学报, 2024, 55(12): 1578-1583. DOI: 10.13753/j.issn. 1007-6611.2024.12.012.

[22] Guo J, Feng J, Huang Y, et al. Diagnostic performance of MRI-based radiomics models using machine learning approaches for the triple classification of parotid tumors[J]. Heliyon, 2024, 10(17): e36601. DOI: 10.1016/j.heliyon. 2024.e36601.

[23] Mao Y, Jiang L, Wang J, et al. Multi-feature fusion network on gray scale ultrasonography: effective differentiation of adenolymphoma and pleomorphic adenoma[J]. Acad Radiol, 2024, 31(11): 4396-4407. DOI: 10.1016/j.acra.2024.05.023.

[24] 彭媛媛, 任翠萍, 程敬亮, 等. 增强T1WI纹理分析对腮腺多形性腺瘤与腺淋巴瘤的鉴别诊断[J]. 中国医学影像学杂志, 2021, 29(3): 207-211. DOI: 10.3969/j.issn.1005-5185.2021.03.004.

[25] Fathi Kazerooni A, Nabil M, Alviri M, et al. Radiomic analysis of multi-parametric MR images (MRI) for classification of parotid tumors[J]. J Biomed Phys Eng, 2022, 12(6): 599-610. DOI: 10.31661/jbpe.v0i0.2007-1140.

[26] 孙艺华, 王宏桥, 贾暮云, 等. 涎腺常见良性肿瘤的超声造影特点[J]. 中国医学影像学杂志, 2019, 27(7): 538-542. DOI: 10.3969/j.issn.1005-5185.2019.07.014.

[27] de Sousa Lopes MLD, Barroso KMA, Henriques ÁCG, et al. Pleomorphic adenomas of the salivary glands: retrospective multicentric study of 130 cases with emphasis on histopathological features[J]. Eur Arch Otorhinolaryngol, 2017, 274(1): 543-551. DOI: 10.1007/s00405-016-4253-5.

[28] Li S, Su X, Ning Y, et al. CT based intratumor and peritumoral radiomics for differentiating complete from incomplete capsular characteristics of parotid pleomorphic adenoma: a two-center study[J]. Discov Oncol, 2023, 14(1): 76. DOI: 10.1007/s12672-023-00665-8.

[29] Mai W, Tan J, Zhang L, et al. Predicting high-risk capsular features in pleomorphic adenoma of the parotid gland through a nomogram model based on ADC imaging[J]. Acad Radiol, 2024, 31(11): 4408-4418. DOI: 10.1016/j.acra. 2024.06.003.

[30] Wang Y, Dai A, Wen Y, et al. Prediction of high-risk capsule characteristics for recurrence of pleomorphic adenoma in the parotid gland based on habitat imaging and peritumoral radiomics: a two-center study[J]. Acad Radiol, 2025, 32(7): 4134-4145. DOI: 10.1016/j.acra.2025.01.030.

[31] Matsuo H, Nishio M, Kanda T, et al. Diagnostic accuracy of deep-learning with anomaly detection for a small amount of imbalanced data: discriminating malignant parotid tumors in MRI[J]. Sci Rep, 2020, 10: 19388. DOI: 10.1038/s41598-020-76389-4.

[32] Xia X, Feng B, Wang J, et al. Deep learning for differentiating benign from malignant parotid lesions on MR images[J]. Front Oncol, 2021, 11: 632104. DOI: 10.3389/ fonc.2021.632104.

[33] Shen X, Mao L, Yang Z, et al. Deep learning-assisted diagnosis of parotid gland tumors by using contrast-enhanced CT imaging[J]. Oral Dis, 2023, 29(8): 3325-3336. DOI: 10.1111/odi.14474.

[34] Yu Q, Ning Y, Wang A, et al. Deep learning-assisted diagnosis of benign and malignant parotid tumors based on contrast-enhanced CT: a multicenter study[J]. Eur Radiol, 2023, 33(9): 6054-6065. DOI: 10.1007/s00330-023-09568-2.

[35] Howard A, Sandler M, Chen B, et al. Searching for MobileNetV3[C]//2019 IEEE/CVF International Conference on Computer Vision (ICCV). October 27-November 2, 2019. Seoul, Korea. IEEE, 2019: 1314-1324. DOI: 10.1109/iccv. 2019.00140.

[36] Tu CH, Wang R, Wang B, et al. Neural network combining with clinical ultrasonography: a new approach for classification of salivary gland tumors[J]. Head Neck, 2023, 45(8): 1885-1893. DOI: 10.1002/hed.27396.

[37] Zhang G, Zhu L, Huang R, et al. A deep learning model for the differential diagnosis of benign and malignant salivary gland tumors based on ultrasound imaging and clinical data[J]. Quant Imaging Med Surg, 2023, 13(5): 2989-3000. DOI: 10.21037/qims-22-950.

[38] Sinci KA, Koska IO, Cetinoglu YK, et al. Deep learning-based classification of parotid gland tumors: integrating dynamic contrast-enhanced MRI for enhanced diagnostic accuracy[J]. BMC Med Imag, 2025, 25(1): 264. DOI: 10.1186/s12880-025-01814-x.

[39] Chang Y, Huang T, Liu YJ, et al. Classification of parotid gland tumors by using multimodal MRI and deep learning[J]. NMR Biomed, 2021, 34(1): e4408. DOI: 10.1002/nbm.4408.

[40] Gunduz E, Alçin OF, Kizilay A, et al. Deep learning model developed by multiparametric MRI in differential diagnosis of parotid gland tumors[J]. Eur Arch Otorhinolaryngol, 2022, 279(11): 5389-5399. DOI: 10.1007/s00405-022-07455-y.

[41] Hänsch A, Schwier M, Gass T, et al. Evaluation of deep learning methods for parotid gland segmentation from CT images[J]. J Med Imaging, 2019, 6(1): 011005. DOI: 10.1117/1.JMI.6.1.011005.

[42] Gao Y, Dai Y, Liu F, et al. An anatomy-aware framework for automatic segmentation of parotid tumor from multimodal MRI[J]. Comput Biol Med, 2023, 161: 107000. DOI: 10.1016/j.compbiomed.2023.107000.

[43] Sunnetci KM, Kaba E, Celiker FB, et al. Deep network-based comprehensive parotid gland tumor detection[J]. Acad Radiol, 2024, 31(1): 157-167. DOI: 10.1016/j.acra.2023. 04.028.