在肺部计算机断层扫描中使用nnU-Net进行自动上心脂肪组织细分,用于肺部计算机断层扫描
Yifan Hu1, Shanshan Jiang2, Xiaojin Yu1
1Department of Radiology, Dongtai People's Hospital, Yancheng, China.
Quantitative imaging in medicine and surgery
|October 23, 2023
概括
一个深度学习模型从肺部计算机断层扫描 (PCTV) 扫描中自动化表心脂肪组织 (EAT) 量化. 这种人工智能方法显著减少了分析时间,并显示了与手动测量的高度一致性.
科学领域:
- 心脏病学 心脏病学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 脊心脂肪组织 (EAT) 在心脏病理生理学中起着至关重要的作用.
- 研究EAT对于了解心脏病机制至关重要.
研究的目的:
- 开发一个深度学习 (DL) 模型,用于自动化EAT提取和量化.
- 评估DL在从肺部计算机断层扫描 (PCTV) 静脉图像中分析EAT时的有效性.
主要方法:
- 在128名患者的PCTV数据集上 (包括内部和外部测试集) 训练和验证了一个DL模型.
- 使用DL模型进行了自动化的EAT细分和量化.
- 结果与使用子得分系数 (DSC),豪斯多夫距离 (HD95) 和相关性分析的手动量化结果进行了比较.
主要成果:
- 在所有情况下,DL模型在内部和外部测试集中成功实现了自动化的EAT细分.
- 与手动方法 (106.20±15.90分钟) 相比,DL (5.43±2.52分钟) 的分析时间显著减少.
- 在DL和手动量化之间观察到高一致性 (DSC:0.92±0.02内部,0.88±0.03外部) 和良好的相关性 (r > 0.9).
结论:
- 开发的DL模型可以从PCTV图像中完全自动和准确地量化EAT.
- DL模型的性能与传统的手动量化方法高度一致,提供了更有效的替代方案.
