基于深度学习的胸部X射线胸部比率测量:在没有自我注释的情况下提高了准确性
Kotaro Yoshida1, Atsushi Takamatsu1, Takashi Matsubara1
1Department of Radiology, Kanazawa University Graduate School of Medical Sciences, Kanazawa, Japan.
Quantitative imaging in medicine and surgery
|October 23, 2023
概括
一个新的深度学习模型准确地估计了胸部X射线图上的心胸比率. 这种自动化方法与手动测量有很强的相关性,提高了临床环境中的效率.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确的心胸比率 (CTR) 测量在胸部放射图上至关重要.
- 目前的手工方法耗时且容易变化.
- 有效的CTR估计需要一种可重复的自动化方法.
研究的目的:
- 开发和验证用于自动化CTR估计的深度学习模型.
- 为了比较模型的性能与放射科医生的手动测量.
- 为了评估模型改进的影响,使用自生成的注释.
主要方法:
- 使用U-net架构对肺部和心脏结构进行细分.
- 从细分的图像中算法计算CTR.
- 训练了两种深度学习模型:一种是基于预先注释的数据的初始模型,另一种是使用自我注释数据的高级模型.
- 性能与手动测量在一个独立的测试组进行了评估.
主要成果:
- 先进的深度学习模型实现了平均CTR为51.0% (SD9.3%).
- 手动测量结果显示,平均CTR为49.8% (SD为9.4%).
- 在高级模型和手动测量之间观察到0.910.93的高类内相关系数 (ICC).
结论:
- 深度学习提供了一种可靠的方法,用于对胸部X射线图进行自动化的CTR估计.
- 通过额外的自我生成注释来完善模型,显著改善了其与手动测量的相关性.
- 这种自动化方法为手动CTR评估提供了一个有希望的替代方案.
更多相关视频
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.2K
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.5K
