基于胸部CT的自动脊椎骨折评估使用人工智能和形态特征
Syed Ahmed Nadeem1, Alejandro P Comellas2, Elizabeth A Regan3,4
1Department of Radiology, Carver College of Medicine, The University of Iowa, Iowa City, Iowa, USA.
Medical physics
|May 9, 2024
概括
这项研究引入了一种使用深度学习和CT扫描的自动化方法,以准确检测慢性阻塞性肺病 (COPD) 患者的脊椎骨折. 这种方法为大型研究提供了有效的替代手工分析.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 脊椎退化和脊椎压缩骨折在老年人中很普遍,影响了他们的行动能力和生活质量.
- 慢性阻塞性肺病 (COPD) 患者患有骨质疏松症和相关的脊椎骨折的风险很高,需要仔细评估.
研究的目的:
- 开发使用深度学习 (DL) 和结增长 (FG) 算法在胸部CT图像中对脊椎进行细分和标记的自动化方法.
- 使用计算的脊椎高度特征和计算建模来检测脊椎形和骨折,并与专家协议相映.
主要方法:
- 一个深度学习网络从胸部CT计算了脊椎身体概率图.
- 一个代的多参数FG算法划分并标记了个别的脊椎.
- 强度自相关性分离了合的脊椎,随后进行了轮分析以计算高度和评估骨折.
主要成果:
- 自动化方法在脊椎细分 (迪斯得分0.984) 和标记 (100%) 中实现了高准确度.
- 骨折评估显示,4050个脊椎的整体精度 (98.3%),灵敏度 (94.8%) 和特异性 (98.5%) 高.
- 该方法对低剂量CT成像显示出了很好的通用性.
结论:
- 开发的基于CT的自动化方法用于脊椎骨折评估是准确和高效的.
- 它提供了一种可行的替代手册专家阅读,特别是在大型人口研究.
- 该方法对低剂量CT的通用性扩大了其在旨在减少辐射暴露的研究中的适用性.
