开发和验证基于深度学习的算法,用于检测和分类金属植入物在腹部和脊柱CT拓图中
Moon-Hyung Choi1, Joon-Yong Jung2, Zhigang Peng3
1Department of Radiology, Eunpyeong St. Mary's Hospital, College of Medicine, The Catholic University of Korea, Seoul 03312, Republic of Korea.
Diagnostics (Basel, Switzerland)
|April 13, 2024
概括
一个新的深度学习算法 (DLA) 准确地检测CT拓图的金属脊柱和部植入物,提高工作流效率. 这种人工智能工具提高了金属植入物患者的诊断速度和准确性.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 深度学习算法 深度学习算法
背景情况:
- 在CT扫描中的金属植入物可能会导致人工物,使图像解释复杂化.
- 对金属物体进行准确的细分和分类对于诊断准确性和工作流程优化至关重要.
研究的目的:
- 开发和验证基于深度学习的算法 (DLA),用于在腹部和脊柱CT拓图中对金属物体进行细分和分类.
- 与现有方法相比,评估DLA的性能和效率.
主要方法:
- 在注释部和脊柱植入物拓图的DLA培训中使用了类似U-net的架构.
- 使用内部和外部数据集验证了DLA,与两个放射科医生进行了性能比较.
- 对于DLA性能评估,计算了灵敏度,特异性和交叉与结合 (IoU).
主要成果:
- 在植入物细分和分类方面,DLA表现出高性能 (>95%在内部验证中).
- 外部验证显示脊椎和部植入物的灵敏度和特异性在各种拓图中>90%.
- DLA平均减少了27.4%的重建时间,并与放射科医生实现了IOU>0.9.
结论:
- 一个DLA原型有效地检测到CT拓图上的金属脊椎和部植入物.
- DLA显著改善了扫描工作流程,为脊椎和部植入物提供了良好的性能.
- 这种人工智能驱动的方法可以提高在金属文物存在时的诊断能力.
