注意U-net用于在肺部计算机断层扫描图像中自动化肺裂纹完整性分析
Zachary W Althof1, Sarah E Gerard2, Ali Eskandari2
15601 Seamans Center for the Engineering Arts and Sciences, University of Iowa Roy J. Carver Department of Biomedical Engineering, Iowa City, IA, 52242, USA.
Scientific reports
|August 29, 2023
概括
深度学习通过CT扫描准确地评估肺叶裂完整性. 这种自动化方法,IntegrityNet,有助于选治疗方法,如内支气管门和理解肺部生物力学.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部医学 肺部医学
背景情况:
- 计算机断层扫描 (CT) 图像是肺部分析的标准.
- 评估叶片裂完整性对于内支气管治疗查至关重要.
- 裂的完整性会影响附带通风和肺部生物力学.
研究的目的:
- 开发和验证一个深度学习工具,用于自动化下叶裂完整性评估.
- 建立一个快速,可复制和非侵入性的裂完整性分析方法.
- 调查裂完整性对肺部疾病易感性和进展的影响.
主要方法:
- 使用了一个基于U-Net的深度学习模型,名为IntegrityNet.
- 应用IntegrityNet来分析肺部CT图像中的叶叶裂完整性.
- 通过对82名受试者的数据集进行手动分析来验证模型.
主要成果:
- 在预测裂完整性方面,IntegrityNet取得了很高的准确性:95.8% (左斜),96.1% (右斜) 和89.8% (右水平).
- 该方法表现出对慢性阻塞性肺病 (COPD) 严重程度的稳定性.
- 通过在不同时间点获得的扫描来确认可复制性.
结论:
- IntegrityNet提供了一个准确和自动化的解决方案,用于叶叶裂完整性评估.
- 这种工具可以显著帮助查内支气管治疗.
- 这些发现支持使用深度学习进行肺结构和功能的非侵入性分析.
