使用基于深度学习的自动检测算法对连续胸部X射线扫描中结节和质量的估计:初步研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医学成像分析 医学成像分析

背景情况:

• 肺结节和质量需要准确的体积评估才能进行有效的监测.
• 连续的胸部X射线 (CXR) 是常见的随访,但精确的体积分析可能具有挑战性.

研究的目的:

• 通过使用基于深度学习的自动检测算法 (DLAD) 获得的参数来评估连续CXR的肺结节和质量体积.
• 开发和验证用于结节体积估计的预测模型.

主要方法:

• 一项回顾性研究包括72名患者,有147名连续CXR和相应的CT图像.
• 使用卷积神经网络的DLAD被开发用于检测结节,并从CXR中导出面积和平均概率等参数.
• 使用DLAD衍生参数的回归分析 (线性和非线性) 构建了体积预测模型,与半自动测量的3DCT体积进行验证.

主要成果:

• 平均结节/质量体积为9.37±11.69厘米3.
• DLAD衍生面积和CT体积显示了中等的线性相关性 (R = 0.58).
• 面积和平均概率显示出强烈的线性相关性 (R = 0.73),使用这些参数的多变量回归模型实现了最佳体积预测性能 (RMSE:7975.6 mm3).

结论:

• 基于DLAD的预测模型,结合结节面积和平均概率,提供肺结节/质量体积的准确定量估计.
• 这种方法可以对连续CXR的体积变化进行可靠的评估,有助于患者管理.