从CT扫描中对分裂功能进行自动化分析,使用深度学习和三角洲放射学
Ramon Luis Correa-Medero1, Jiwoong Jeong1, Bhavik Patel1,2
1School of Computing and Augmented Intelligence, Arizona State University, Arizona, USA.
Journal of endourology
|May 2, 2024
概括
这项研究表明,计算机断层扫描 (CT) 扫描中的深度学习和放射性特征可以准确评估功能差异. 这种方法可以减少在手术前评估中对核医学扫描的需求.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 功能差异 (DKF) 评估对于泌尿器科干预的术前规划至关重要.
- 目前的DKF评估依赖于核医学成像,其中涉及辐射,并未与传统成像集成.
- 需要用于DKF评估的非侵入性,易于使用的方法.
研究的目的:
- 评估使用对比度增强计算机断层扫描 (CT) 扫描评估DKF的可行性.
- 开发和验证用于DKF估计的基于深度学习和放射性特征的管道.
- 为了确定这种新的方法是否可以减少对核医学扫描的依赖.
主要方法:
- 对接受核扫描和增强对比度的CT扫描的患者进行了回顾性分析.
- 用一个细分模型来隔离脏,然后提取2D和3D放射性特征.
- 计算了三角洲放射学特征,并使用它们来训练一个随机森林模型来预测DKF.
- 模型性能在内部和外部数据集上使用接收器操作特征 (ROC) 曲线,灵敏度和特异性进行了验证.
主要成果:
- 使用3D三角形放射性特征的随机森林模型实现了0.85 (内部) 和0.81 (外部) 的曲线下面积 (AUC).
- 该模型表现出良好的预测性能,内部集灵敏度/特异性为0.84/0.68,外部集灵敏度/特异性为0.70/0.65.
- 开发的自动化管道成功地从常规CT扫描中获得了功能差异信息.
结论:
- 使用深度学习和来自对比增强CT的放射学的自动化管道可以有效地评估功能差异.
- 这种基于CT的方法为核医学扫描提供了一个有希望的替代方案,用于早期DKF评估.
- 这些发现建立了一个机器学习方法,用于从常规CT评估DKF,避免放射性痕迹和相关成本.
