基于深度学习的CT重建 内核转换在间歇性肺部疾病的量化:对可重现性的影响
Yura Ahn1, Sang Min Lee1, Yujin Nam2
1Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, 88 Olympic-ro 43-gil, Songpa-gu, Seoul, 138-736, Republic of Korea (Y.A., S.M.L., J.C., K.-H.D., J.B.S.).
Academic radiology
|July 29, 2023
概括
不同的计算机断层扫描 (CT) 重建内核影响间歇性肺病 (ILD) 的量化. 基于深度学习的内核转换显著降低了测量变异性,提高了ILD分析的可重现性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 肺部病理学 肺部病理学
背景情况:
- 计算机断层扫描 (CT) 重建内核影响间歇性肺病 (ILD) 的定量分析.
- 在不同的CT内核中ILD量化的变化对一致的诊断和监测提出了挑战.
- 对CT图像分析的标准化对于可靠的ILD评估至关重要.
研究的目的:
- 评估各种CT重建内核对ILD量化的影响.
- 为了确定基于深度学习的内核转换在减少测量变量的有效性.
- 评估ILD的自动化量化可重复性的改进.
主要方法:
- 对194名患有ILD或间歇性肺异常的患者的高分辨率CT扫描进行了回顾性分析.
- 使用三个内核进行图像重建:B30f,B50f和B60f (参考标准).
- 基于深度学习,将B30f和B50f图像转换为B60f,然后使用商业软件量化ILD模式和纤维化得分.
主要成果:
- 不同的核导致量化ILD模式的变化,低估/高估了网状不透明度和蜂.
- 核心转换大大降低了测量变异性,缩小了平均差异和95%的一致度极限.
- 基于深度学习的B50f到B60f的转换导致了与原始B60f几乎相同的纤维化得分.
结论:
- CT重建内核显著影响定量ILD分析.
- 基于深度学习的内核转换是一种有效的方法来减轻测量变化.
- 这种方法提高了自动ILD量化的可重复性,提高了诊断一致性.


