深度学习模型用于自动上空气道细分和在二维图像中最小横截面区域定位
Guang Chu1, Rongzhao Zhang2, Yingqing He2
1Orthodontics, Division of Paediatric Dentistry and Orthodontics, Faculty of Dentistry, The University of Hong Kong, Hong Kong SAR, China.
Bioengineering (Basel, Switzerland)
|August 26, 2023
概括
这项研究开发了一种人工智能系统,用于在二维放射图像中自动对上呼吸道进行细分和最小横截面积 (CSAmin) 定位,证明了效率和准确性.
科学领域:
- 放射学 放射学是指放射学
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 精确的上呼吸道细分和最小截面面积 (CSAmin) 定位对于诊断呼吸道疾病至关重要.
- 手动分析2D放射性气道图像是耗时且容易变化的.
研究的目的:
- 开发和验证卷积神经网络 (CNN) 算法用于自动上呼吸道细分.
- 为了在2D放射性气道图像中实现CSAmin的自动定位.
主要方法:
- 训练了四个人工智能模型 (UNet18,UNet36,DeepLab50,DeepLab101) 在 161 个来自圆束计算机断层扫描 (CBCT) 的 2D 气道图像上.
- 使用精度,回忆,与欧盟相比的交叉点,子相似系数和尺寸差异来评估细分性能.
- 通过比较人工智能衍生的高度与来自3D CBCT数据的手动确定值来评估CSAmin本地化准确性.
主要成果:
- 所有四种AI细分模型都实现了超过90.0%的精度,没有显著的精度差异.
- 人工智能表现出高一致性 (0.944) 与手动CSAmin定位.
- 与手工方法相比,人工智能处理显著减少了空气道细分和CSAmin定位的时间.
结论:
- 一个完全自动的人工智能驱动的系统用于上呼吸道细分和CSAmin本地化使用2D放射图像成功开发和验证.
- 人工智能系统为临床应用提供了有效和准确的替代手动分析.
