开发和验证使用深度学习进行机会性骨质疏松症查的全自动化系统,使用低剂量计算机断层扫描扫描

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 骨质疏松症的诊断依赖于骨密度测量.
• 低剂量计算机断层扫描 (LDCT) 越来越多地用于医学成像.
• 开发用于骨质疏松症查的自动化工具至关重要.

研究的目的:

• 开发一种深度学习 (DL) 系统,用于自动测量骨矿物质密度 (BMD).
• 利用低剂量计算机断层扫描 (LDCT) 图像用于骨质疏松症查.
• 为了实现准确和高效的BMD评估.

主要方法:

• 一个回顾性研究500个人使用LDCT扫描.
• 开发一个DL系统,包括Faster R-CNN用于脊椎本地化和3D AnatomyNet用于细分.
• 使用 3D DenseNet 进行骨质量计算,使用 Dice,线性回归和 Bland-Altman 分析进行评估.

主要成果:

• 细分模型实现了0.95.9的平均子系数.
• 在DL系统和定量计算机断层扫描 (QCT) 之间存在高相关性 (R2=0.967) 和低误差 (2.21 mg/cm3).
• 接收器操作特征 (ROC) 分析显示了高的诊断性能 (骨质疏松症AUC=0.984,异常骨质疏松症0.993).

结论:

• 一个完全自动化的基于DL的系统可以从LDCT扫描中准确计算BMD.
• 该系统能够高精度地进行机会性骨质疏松症查.
• 开发的系统显示了改善骨质疏松症检测的巨大潜力.