完全自动化的深度学习系统用于骨质疏松症查,使用胸部计算机断层扫描图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 骨质疏松症影响全球2亿人,源于骨代谢异常.
• 早期发现骨质疏松症对于公共卫生管理至关重要.
• 深度学习 (DL) 在骨矿物质密度 (BMD) 评估的医学成像中显示出前景.

研究的目的:

• 为 BMD 评估提出一个自动化的 DL 框架.
• 该框架整合了本地化,细分和三元分类.
• 使用主导卷积神经网络 (CNN) 进行骨损伤评估.

主要方法:

• 一项对2274名接受胸部CT扫描的患者的回顾性研究.
• 使用VB-Net网络开发了一个自动化细分模型.
• 用人DenseNet,ResNet-18和ResNet-50用于BMD分类,使用ROC曲线和AUC进行评估.

主要成果:

• 细分模型实现了Dice相似度系数> 0.93.
• 丹森网和ResNet-18显示了骨质疏松症和骨质疏松症的优异诊断性能 (AUC高达0.96).
• 对于骨质疏松症,ResNet-50的性能低于最佳 (AUC为0.76),而DenseNet的性能对管电压变化更为敏感.

结论:

• 开发的DL框架为机会性骨质疏松症查提供了一种有效和高效的方法.
• 使用现有的胸部CT扫描,避免额外的成本和辐射暴露.
• 为早期发现和治疗骨质疏松症提供了有价值的工具.