基于深度学习的定量计算断层扫描用于机会性骨质疏松症查的评估

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 骨质疏松症研究 骨质疏松症研究

背景情况:

• 骨质疏松症的诊断通常依赖于双能X射线吸收计 (DXA),这并不总是机会主义的.
• 常规计算机断层扫描 (CT) 扫描为机会性骨矿物质密度 (BMD) 评估提供了一个潜在的途径.

研究的目的:

• 用常规CT扫描来评估基于深度学习 (DL) 的基于机遇性骨质疏松症查的自动BMD测量的诊断疗效.

主要方法:

• 基于DL的自动定量CT (DL-QCT) 解决方案在112次常规CT扫描中进行了评估.
• 来自L1和L2脊椎的DL-BMD测量与手动BMD (m-BMD) 和中央DXA进行了验证.
• 接收器操作特征 (ROC) 曲线分析确定了低BMD和骨质疏松症的诊断性能.

主要成果:

• DL-BMD与m-BMD (r=0.961/0.979) 的一致性非常好.
• ROC分析显示,对于低BMD (AUC=0.847) 和骨质疏松症 (AUC=0.770) 的诊断性能与中央DXA相提并论.
• 与m-BMD相比,DL-BMD在低BMD和骨质疏松症检测方面实现了高灵敏度,特异性和准确性.

结论:

• 在常规CT扫描中基于DL的自动化骨质量测量显示出与手动测量的良好一致.
• 这种DL-QCT方法显示了精确和机会性骨质疏松症查的巨大潜力.
• 这些发现表明DL-BMD可以有效地检测低BMD和骨质疏松症,补充传统方法.