完全自动化的可解释的腹部CT对比介质阶段分类,使用器官细分和机器学习.
Yazdan Salimi1, Zahra Mansouri1, Ghasem Hajianfar1
1Division of Nuclear Medicine and Molecular Imaging, Geneva University Hospital, Geneva, Switzerland.
Medical physics
|April 17, 2024
概括
这项研究开发了一种机器学习方法,在CT扫描中自动识别对比介质注入阶段. 这种技术提高了大型医学成像数据集的可用性,用于研究.
科学领域:
- 医学成像分析 医学成像分析
- 机器学习在放射学中的应用
- 计算病理学计算病理学
背景情况:
- 与非增强CT相比,对比增强计算机断层扫描 (CECT) 提供了优越的诊断信息,特别是在肝脏恶性瘤中.
- 在临床实践和公共数据集中缺乏对比剂注射阶段的标准化,这阻碍了研究.
- 这种数据变异性对在临床研究中有效利用CECT图像构成了重大障碍.
研究的目的:
- 开发和验证基于机器学习的方法,用于自动检测CT图像中的对比介质注入阶段.
- 利用器官细分技术提取相位分类的相关特征.
- 通过标准化阶段信息,提高CECT数据集在研究中的实用性.
主要方法:
- 2509张CT图像的数据集被分为四个阶段:非对比,动脉,静脉和延迟.
- 深度学习算法细分了七个器官和身体轮.
- 从细分区域提取的第一阶段统计特征与机器学习模型 (Boruta特征选择和随机森林) 用于分类.
主要成果:
- 该方法实现了高精度,平均曲线下面积 (AUC) 超过0.999和整体精度为0.9936.
- 博鲁塔特征选择确定了所有相关特征,随机森林模型在所有阶段都表现出色.
- 错误分类率很低 (约1.4%),这表明业绩强且一致.
结论:
- 成功开发了一种快速,准确和可解释的方法来分类CT图像中的对比介质相.
- 这种方法可以显著帮助大型在线和本地CECT数据集的数据策划和注释.
- 两步深度学习和机器学习模型有助于更有效地利用现有的CECT成像数据进行研究.


