在计算机断层扫描肺血管造影 (CTPA) 上自动检测和细分肺栓塞,使用深度学习,但不需要手动概述

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 肺栓塞检测检测 肺栓塞检测

背景情况:

• 肺栓塞 (PE) 诊断依赖于计算机断层扫描肺血管造影 (CTPA).
• 在CTPA上手动对PE进行细分是耗时的,需要专家的意见.
• 自动化方法可以提高PE检测的效率和准确性.

研究的目的:

• 开发和验证一种新的深度学习算法,用于CTPA上的自动PE检测和细分.
• 评估算法的性能与训练有手动注释的模型相比.
• 为了证明训练深度学习模型的可行性,而不需要广泛的手册PE区域概述.

主要方法:

• 开发了一个深度学习算法,使用一个3D反复的剩余U-Net (R2-Unet).
• 该算法对肺内和肺外动脉进行细分,使用自适应值和形态操作识别可疑的PE区域,并得分信心.
• 训练数据来源于RSNA肺栓塞CT数据集 (RSNA-PE),验证是在91个CTPA扫描的独立数据集上进行的.

主要成果:

• 在高度自信的,自动识别的PE区域上训练的算法实现了0.676±0.168的Dice系数和每次CT扫描1.86的错误阳性率.
• 在手动轮上训练的比较R2-Unet模型产生了0.647±0.192的Dice系数,每次CT扫描的错误阳性率为4.20.
• 在没有人工概要的情况下训练的算法显示出明显更好的性能 (p<0.01).

结论:

• 开发的计算机算法有效地检测和细分CTPA上的肺栓塞.
• 训练PE细分的深度学习模型是可行的,没有大量的手动注释努力.
• 这种方法有望提高PE诊断在临床实践中的效率和准确性.