用深度虚拟临床试验评估图莫合成中的体积密度组织细分

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算生物学 计算生物学

背景情况:

• 在医学成像中评估人工智能 (AI) 算法至关重要.
• 现有的方法可能会在研究设计中引入偏见.
• 人工智能性能预测需要强大的评估框架.

研究的目的:

• 引入和验证用于AI算法评估的深度虚拟临床试验 (DeepVCT) 方法.
• 评估nnU-Net模型的性能,用于从数字乳腺图片合成 (DBT) 图像中估计体积乳腺密度 (VBD).
• 为AI驱动的VBD评估优化图像重建参数.

主要方法:

• 模拟了2,010个解剖乳腺模型及其数字乳腺图解合成 (DBT) 投影.
• 使用不同的平面间距 (0.1,0.2,0.5毫米) 重建DBT图像.
• 在重建图像上的训练和评估nn-Net模型用于体积乳腺密度 (VBD) 评估.

主要成果:

• 人工智能模型的准确性随着0.1毫米平面间距重建而显著提高.
• 实现了高达0.84的子系数和0.92的接收器运行特征曲线下的区域用于细分.
• 证明了DeepVCT在优化输入参数和预测AI有效性的实用性.

结论:

• 深度虚拟临床试验 (DeepVCTs) 为评估医学成像中的AI提供了一种无偏见的方法.
• 优化图像重建参数,如平面间距,可以提高AI在VBD评估中的性能.
• 深度VCT为使用模拟数据预测AI算法的临床疗效提供了有价值的证据.