通过基于U-Net的人工物减少来改进在稀疏视图CT上的自动出血检测.
Johannes Thalhammer1, Manuel Schultheiß1, Tina Dorosti1
1From the Department of Physics, School of Natural Sciences (J.T., M.S., T.D., F.P., D.P., F.S.), Munich Institute of Biomedical Engineering (J.T., M.S., T.D., T.L., F.P., D.P., F.S.), Department of Diagnostic and Interventional Radiology, School of Medicine, Klinikum rechts der Isar (J.T., M.S., T.D., F.P., D.P.), Institute for Advanced Study (J.T., F.P., D.P.), and Computational Imaging and Inverse Problems, Department of Computer Science, School of Computation, Information, and Technology (T.L.), Technical University of Munich, Boltzmannstrasse 11, 85748 Garching, Germany.
Radiology. Artificial intelligence
|May 8, 2024
概括
深度学习器件减少显著改善了在稀疏视图头部CT扫描中自动化出血检测. 这种方法保持了高的诊断准确度,即使在X射线视图显著减少.
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:
- 稀疏视图CT扫描降低了辐射剂量,但引入了文物,可能妨碍诊断的准确性.
- 自动检测内出血对于及时诊断和治疗至关重要.
研究的目的:
- 评估基于深度学习的工件减少在稀疏视图头骨CT中的有效性.
- 评估这种人工物减少对自动出血检测性能的影响.
主要方法:
- 一个U-Net模型被训练在模拟的稀疏视图头骨CT扫描 (3000名患者) 上进行文物减少.
- EfficientNet-B2被训练为在全视图CT数据 (17,545名患者) 上自动检测出血.
- 使用AUC和DeLong测试对未处理和总变异 (TV) 后处理图像进行了性能比较.
主要成果:
- 与未经处理和电视处理的图像相比,U-Net人工物减少改善了图像质量和自动出血检测.
- 在U-Net处理时,出血检测性能仍然很高 (AUC 0.97),即使在将视图从4096减少到256时也是如此.
- 结构相似性指数的度量增加,这表明U-Net后处理的图像质量得到了提高.
结论:
- 使用U-Net的基于深度学习的工件减少,在稀疏视图的头骨CT中大大提高了自动化出血检测.
- 这种方法可以显著减少CT视图的数量,同时保持诊断性能.
