基于深度学习的内核适应提高了低剂量胸部CT上肺的量化,用于预测长期死亡率
Hyungin Park1, Eui Jin Hwang, Jin Mo Goo
1From the Department of Radiology, Seoul National University Hospital, Seoul, South Korea (H.P., E.J.H., J.M.G.); and Department of Radiology, Seoul National University College of Medicine, Seoul, South Korea (J.M.G.).
Investigative radiology
|July 10, 2023
概括
基于深度学习的低剂量计算机断层扫描 (LDCT) 的内核适应改善了肺的量化. 这种增强的肺气评估预测了无症状个体的长期非意外死亡率.
科学领域:
- 放射学 放射学是一门学科.
- 肺部医学 肺部医学
- 人工智能在医学中的应用
背景情况:
- 低剂量计算机断层扫描 (LDCT) 用于肺癌查.
- 鉴于图像质量,对LDCT的肺气的量化可能具有挑战性.
- 深度学习为图像增强和定量分析提供了潜力.
研究的目的:
- 在基于深度学习的内核调整后,使用LDCT评估肺瘤量化的预测价值.
- 评估肺瘤严重程度与长期非意外死亡率之间的关联.
主要方法:
- 对60岁以上无症状个体的LDCT扫描进行了回顾性分析.
- 应用一个深度学习算法来适应内核的LDCT图像.
- 适应前后使用LAA-950 (肺体积百分比与衰减≤-950 HU) 来量化肺气.
- 使用Cox比例危险模型的生存分析,与国家注册数据联系在一起.
主要成果:
- 核心适应显著降低了中位数LAA-950和肺瘤阳性LDCT的比例.
- 在适应之前的肺瘤量化没有显示出与死亡率的相关性.
- 在调整后,较高的LAA-950和肺阳性独立预测了非意外死亡 (调整后的HRs分别为1.01和1.36).
结论:
- 基于深度学习的内核适应增强了对LDCT的强调量化.
- 这种改进的量化可以作为无症状人群中长期死亡率的潜在预测指标.
更多相关视频
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
638
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.3K