用3DCT数据检测和量化肺栓塞的严重程度,使用基于深度学习的自动化人工解决方案
Aissam Djahnine1, Carole Lazarus2, Mathieu Lederlin3
1Philips Research France, 92150 Suresnes, France; CREATIS, INSA-Lyon, Université Claude Bernard Lyon 1, UJM-Saint Etienne, CNRS, Inserm, CREATIS UMR 5220, U1294, Lyon, France.
Diagnostic and interventional imaging
|January 23, 2024
概括
这项研究引入了一种AI工具,用于检测肺栓塞 (PE) 并使用3DCTPA扫描来评估其严重程度. 深度学习方法准确地识别血栓并量化严重程度,为临床使用带来了有希望的结果.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 心血管成像 - 心血管成像
背景情况:
- 肺栓塞 (PE) 诊断依赖于计算机断层扫描肺血管造影 (CTPA).
- 精确量化PE严重程度对于患者管理至关重要.
- 目前的方法可能需要大量的手动注释,增加工作量.
研究的目的:
- 开发和评估用于检测肺栓塞 (PE) 的深度学习 (DL) 模型.
- 使用Qanadli分数和右至左心室 (RV/LV) 直径比率来量化PE严重程度.
- 在3D CTPA扫描中使用有限的注释来训练模型.
主要方法:
- 开发了一条DL管道,用于检测血栓,PE分类,Qanadli分数估计和RV/LV比率预测.
- 该模型被训练在一个大数据集的3DCTPA检查与图像级注释.
- 在独立的数据集上验证了性能,使用曲线下的面积 (AUC) 进行分类,R2用于定量化.
主要成果:
- 在PE分类的测试组中,DL模型在PE分类的测试组中获得了0.852的AUC.
- 该模型在估计PE严重程度方面表现出强的表现,Qanadli分数的R2值为0.717和RV/LV比率为0.723.
- 这些结果表明该模型在检测PE和量化其严重性的能力.
结论:
- 基于深度学习的AI工具可以有效地检测肺栓塞并通过3D CTPA估计其严重程度.
- 拟议的方法利用自动化血栓和心脏细分进行分析.
- 建议进行进一步的临床验证,以评估这些人工智能工具对现实世界的影响.
