从患者和叶片水平的计算机断层扫描估计肺功能,使用机器学习

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:

• 计算机断层扫描 (CT) 可以帮助查,诊断和限制性肺部疾病的分期.
• 从CT中估计每个叶片的肺功能对于外科风险评估和肺体积减小程序至关重要.

研究的目的:

• 为了自动估计来自CT扫描的肺功能测试 (PFT) 结果.
• 解开肺叶对患者肺功能的个人贡献.

主要方法:

• 提出了I3Dr,这是一个深度学习架构,用于估计全球图像测量和个别部分贡献.
• 将I3Dr应用于CT扫描,使用与患者肺功能数据训练的叶片级和患者级模型.
• 在一个大数据集上训练和评估I3Dr,包括8,433个CT卷用于训练,1,775个用于验证,和1,873个用于测试.

主要成果:

• 通过从图像总和中显示单个位数值的隐式学习来证明模型可行性.
• 从CT成功估计了像COVID-19严重程度,肺体积 (PV) 和功能性肺体积 (FPV) 这样的叶片水平量.
• 获得的平均绝对误差为FEV1的0.377 L,FVC的0.297 L,DLCO估计的2.800 mL/min/mm Hg.

结论:

• I3Dr有效地估计了全球形象指标和个别组件的贡献.
• 提供了从CT和叶片特异性肺功能分析中PFT估计的有希望的方法.
• 有潜力增强CT在诊断和管理限制性肺病以及手术规划中的作用.