肺腺癌的内部血管和瘤侵入性之间的相关性 呈现为地面玻璃结节:基于深度学习3维重建算法的数量分析,基于非对比计算机断层扫描图像的深度学习3维重建算法

科学领域:

• 放射学 放射学是一门学科.
• 在瘤学瘤学.
• 医疗成像医学成像

背景情况:

• 肺部地面玻璃结节 (GGNs) 需要对侵入性的准确评估.
• 区分前体腺病变 (PGL) 与微侵袭性 (MIA) 和侵袭性腺癌 (IAC) 在患者管理中至关重要.
• 需要定量成像生物标志物来提高诊断准确度.

研究的目的:

• 评估使用深度学习识别的内部血管的定量特征在区分肺腺癌的侵入性方面的作用.
• 评估基于深度学习的船舶分析是否可以帮助将GGN分为PGL,MIA和IAC.

主要方法:

• 一项回顾性研究包括512名来自474名患者的GGN,分为PGL (241),MIA (126),IAC (145).
• 用基于深度学习的细分在非对比CT图像上重建结节内的肺血管.
• 包括船只流行率,类别和体积百分比在内的定量特征自动计算并在组之间进行比较.

主要成果:

• 与MIA (46.8%) 和IAC (55.2%) 相比,在PGL (33.2%) 中检测内部血管的数量明显较低.
• 血管变化,特别是血管体积百分比增加,在IAC和MIA中比PGL更为普遍 (12.4%对6.3%对3.9%).
• 与PGL和MIA相比,IAC显示了明显更高的内动脉和静脉体积百分比.

结论:

• 在非对比CT上使用深度学习对内部血管的定量分析是一个有前途的工具.
• 在GGN中增加的内血管患病率和体积百分比与肺腺癌侵入性更高的可能性相关.
• 这种方法可能有助于对GGN侵入性的非侵入性评估.