从启发性胸部CT扫描进行深度学习参数响应映射:用于小呼吸道疾病查的新方法

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:

• 参数响应映射 (PRM) 对于对小气道疾病 (SAD) 的评估至关重要.
• 目前的PRM方法需要吸气和呼气胸部CT扫描.
• 需要使用仅启发性CT扫描进行SAD评估.

研究的目的:

• 开发和验证PRM的深度学习模型,仅使用启发性CT扫描.
• 评估基于深度学习的PRM在评估SAD在正常螺旋测量个体中的有效性.
• 为了确定从启发性CT衍生的PRM是否可以有效地分层SAD.

主要方法:

• 一个级联生成对抗网络从启发CT创建了合成呼气CT.
• 一个类似于UNet的网络使用真实启发式和生成的呼气式CT预测了PRM.
• 该模型在537名参与者身上进行了训练和测试,他们的脊髓测量正常,吸烟暴露.

主要成果:

• 生成的呼吸道CT实现了高质量 (SSIM 0.86).
• 预测的PRM与肺气 (r=0.97) 和fSAD (r=0.64) 的基本真相有很好的相关性.
• 该模型有效地使用预测的PRM^fSAD (AUC高达0.84) 来分层SAD.

结论:

• 深度学习使得高质量的PRM生成仅仅从启发性CT扫描中就能实现.
• 这种方法有效地评估和分层的小气道疾病在个体正常的螺旋计.
• 这些发现支持深度学习PRM用于SAD评估的使用,减少了呼气CT的需要.