在深度学习下对计算机断层扫描图像的评估,用于诊断严重的肺部感染

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肺部病理学 肺部病理学

背景情况:

• 严重的肺炎与肺部感染带来了诊断挑战.
• 计算机断层扫描 (CT) 扫描的准确解释对于及时诊断和治疗至关重要.
• 现有的诊断方法在灵敏度和特异性方面可能存在局限性.

研究的目的:

• 评估深层卷积神经网络 (CNN) 模型的诊断价值,特别是EC-U-net,结合肺部感染复杂的严重肺炎的CT图像.
• 将EC-U-net模型的性能与传统的CNN算法和标准CT解释进行比较.
• 评估模型准确细分和识别肺病变的能力.

主要方法:

• 共有120名患有严重肺炎和肺部感染的患者接受了CT成像.
• 通过结合空卷积 (EC) 和U-net架构,开发了一个EC-U-net模型.
• 应用EC-U-net模型对CT图像进行细分和分析,其性能指标包括各种损伤类型的交叉损失,Dice系数,诊断准确性,假阴性率 (FNR),假阳性率 (FPR) 和真阳性率 (TPR).

主要成果:

• 与传统算法相比,EC-U-net模型展示了优越的CT图像细分,边缘偏差很小.
• 它实现了明显较低的交叉损失和比标准CNN更高的子系数.
• 肺部感染重症肺炎的诊断准确性与EC-U-net显著更高,伴随着明显较低的FNR和FPR (P <0.05).
• 检测高密度阴影,地玻璃密度,多流和巩固的真正阳性率显著提高 (P <0.05).

结论:

• 该EC-U-net模型显示了CT图像细分在肺部感染严重肺炎的显著临床适用性.
• 这种深度学习方法增强了肺病变的可视化,提高了诊断准确度,并帮助早期查和治疗.
• 该EC-U-net模型代表了对诊断复杂肺部感染的传统方法的宝贵进步.