在CT图像上使用三维贴片式卷积神经网络量化肺裂完整性,用于肺瘤治疗规划
Dallas K Tada1, Pangyu Teng1, Kalyani Vyapari1
1The University of California, Los Angeles (UCLA), David Geffen School of Medicine at UCLA, Center for Computer Vision and Imaging Biomarkers, Department of Radiological Sciences, Los Angeles, California, United States.
Journal of medical imaging (Bellingham, Wash.)
|May 31, 2024
概括
一种深度学习模型准确地评估肺裂完整性,用于肺瘤患者的CT扫描,通过量化裂完整性来帮助选择用于内支气管 (EBV) 治疗的候选人.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 肺部病理学 肺部病理学
背景情况:
- 肺裂纹完整性评估对于确定肺气患者是否有资格接受内支气管 (EBV) 治疗至关重要.
- 需要对裂完整性的准确评估,以优化治疗结果.
研究的目的:
- 开发和评估一种深度学习 (DL) 方法,用于对CT图像上的肺裂进行细分.
- 用DL模型量化评估严重肺气患者的裂完整性.
主要方法:
- 一个基于三维贴片的卷积神经网络 (CNN) 被训练使用86个CT扫描从严重肺瘤患者.
- 有趣的叶片间区域 (ROI) 被注释,以确定裂的存在和不存在.
- 裂完整性通过从细分ROI计算裂完整性得分 (FIS) 来量化.
主要成果:
- DL模型在预测和参考裂完整性得分之间实现了4.0% (LOF),6.0% (ROF) 和12.2% (RHF) 的平均绝对百分比误差.
- 该模型证明了在不同肺裂中精确的细分和裂完整性的定量评估.
结论:
- 一种DL方法有效地细分肺裂,并在CT扫描上量化其完整性.
- 这种方法显示出有助于识别可能受益于EBV治疗的肺气患者的潜力.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.4K
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
14.1K