在肝细胞癌患者中使用基于深度学习的CT重建算法的图像转换来提高放射性复制性
Heejin Lee1, Won Chang2,3, Hae Young Kim4
1Department of Applied Bioengineering, Graduate School of Convergence Science and Technology, Seoul National University, Suwon-si, Gyeonggi-do, Republic of Korea.
European radiology
|September 1, 2023
概括
深度学习图像转换改善了肝细胞癌 (HCC) CT 扫描的放射性可重现性. 这种技术提高了不同CT重建算法的放射性特征的一致性.
科学领域:
- 医疗成像医学成像
- 无线电学 (Radiomics) 是一种无线电学.
- 人工智能在医学中的应用
背景情况:
- CT重建算法显著影响放射学可重现性.
- 重建方法的变化可能会阻碍放射性分析的可靠性.
研究的目的:
- 评估基于深度学习的图像转换在提高CT放射性复制性的有效性.
- 评估过后投影 (FBP) 和高级建模代重建 (ADMIRE) 算法之间的图像转换的影响.
主要方法:
- 训练了一个卷积神经网络 (CNN) 在FBP和ADMIRE重建算法之间转换CT图像.
- 从78名HCC患者的原始和转换图像中提取了放射性特征.
- 使用一致性相关系数 (CCC) 来量化放射学可重现性.
主要成果:
- 与原来的FBP与ADMIRE相比,基于CNN的图像转换显著提高了射电学可重现性.
- 在所有阶段 (LAP,PVP,DP) 的转换图像中,一致性相关系数 (CCC) 显著改善.
- 在转换后,可复制特征的比例 (CCC ≥0.85) 从32.9-43.8%增加到68.1-83.9%.
结论:
- 基于CNN的图像转换有效地弥合了不同CT重建算法之间的差距.
- 这种技术提高了肝细胞癌 (HCC) 患者的放射性可再生性.
- 这些发现支持放射学研究在HCC中的更广泛的应用和通用性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.8K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
628
