通过可解释的深度学习模型来降低低剂量的CT无声化来降低幻觉风险:比较性能分析
Mayank Patwari1,2, Ralf Gutjahr2, Roy Marcus3,4,5
1Pattern Recognition Lab, Friedrich-Alexander Universität Erlangen-Nürnberg, D-91058 Erlangen, Germany.
Physics in medicine and biology
|September 21, 2023
概括
低剂量CT (LDCT) 的深度学习提高了图像质量,但与标准剂量CT (SDCT) 相比,其感知质量较低. 然而,它保留了病变检测能力和放射性特征,使其成为患者安全的可行选择.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 无线电学 (Radiomics) 是一种放射学.
背景情况:
- 降低CT辐射剂量对于患者安全至关重要,但它会增加图像噪音并降低临床质量.
- 深度学习 (DL) 方法越来越多地用于低剂量CT (LDCT) 否定,但仍然存在对图像文物和可解释性的担忧.
研究的目的:
- 评估通过DL方法表示的LDCT体积的感知质量,信号保存和放射性特征保存.
- 为了比较可解释的DL方法与经典深度神经网络的临床排斥性能.
主要方法:
- 定性读者研究评估基于四个标准的感知图像质量.
- 损伤检测/细分研究评估了无声化对信号检测能力的影响.
- 放射性分析比较了denoised和标准剂量CT (SDCT) 图像之间的定量和统计相似性.
主要成果:
- 在质量上,DL-denoised体积低于SDCT体积 (p<0.05).
- 脱并没有显著降低病变细分精度 (p>0.05).
- 大多数无线化体积产生了与SDCT体积 (p>0.05) 统计上相似的放射学特征.
结论:
- DL-denoised LDCT体积的感知质量低于SDCT,但保持了可比的损伤检测能力和放射性特征完整性.
- 这些发现支持使用DL无声化来提高患者的安全性,而不会损害必要的诊断信息.
