使用卷积神经网络区分良性和恶性脊椎骨折,以提取基于CT的纹理特征
Sophia S Goller1, Sarah C Foreman2, Jon F Rischewski3
1Department of Radiology, University Hospital, LMU Munich, Marchioninistraße 15, 81377, Munich, Germany. sophia.goller@med.uni-muenchen.de.
概括
用卷积神经网络 (CNN) 分析的3DCT扫描的全球纹理特征斜率,可以帮助区分良性和恶性脊椎骨折 (VFs). 这种方法有望改善VF诊断.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 脊椎骨折 (VFs) 需要准确地区分良性 (骨质疏松) 和恶性病因,以进行适当的患者管理.
- 使用常规成像来区分良性和恶性VF可能具有挑战性,需要先进的诊断工具.
研究的目的:
- 评估基于三维 (3D) CT 的纹理特征 (TFs) 在区分良性和恶性脊椎骨折 (VFs) 的诊断性能.
- 评估基于卷积神经网络 (CNN) 的框架对分析这些TF的实用性.
主要方法:
- 总共有409名患有胸脊椎CT扫描的患者被纳入.
- 脊椎骨折被分类为良性或恶性,使用活检或3个月的随访.
- 基于CNN的框架被用于自动化脊椎分析和提取8个TFs,包括全球斜率.
主要成果:
- 全球纹理特征曲性表明良性 (0.70 [0.64-0.76]) 和恶性 (0.59 [0.56-0.63]) VFs (p=0.017) 之间存在显著差异.
- 与恶性VF相比,在良性VF中观察到更高的斜度值.
结论:
- 通过CNN框架分析的基于三维CT的全球TF倾斜度,可以显著区分良性和恶性胸脊柱VF.
- 这种纹理特征分析有可能成为脊椎骨折临床诊断工作中宝贵的工具.


