完全自动分类模型从不同的管电压图像对骨密度查的影响:一项自我控制的研究
Xiaoyu Tong1, Shigeng Wang1, Qiye Cheng1
1Department of Radiology, First Affiliated Hospital of Dalian Medical University, Dalian, China.
European journal of radiology
|June 8, 2024
概括
这项研究开发了深度学习和放射学模型,用于使用胸部CT扫描来预测骨状况. 管电压显著影响特征可重现性和模型准确性,需要一致的成像参数来可靠地评估骨密度.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 骨健康评估 骨健康评估
背景情况:
- 准确的骨状况评估对于治疗骨质疏松症和骨质疏松症至关重要.
- 计算机断层扫描 (CT) 成像为骨密度评估提供了潜力.
- 深度学习和放射学是图像分析的先进技术.
研究的目的:
- 开发使用标准剂量 (SDCT) 和低剂量 (LDCT) 胸部CT图像的深度学习和放射学来预测骨状况模型.
- 为了评估管电压对放射学功能的影响,特征可重现性和预测模型性能.
主要方法:
- 开发了一种自动胸椎脊椎无骨 (TVCB) 分段模型.
- 提取了1184个放射性特征,并为骨矿物质密度 (BMD) 评估建立了分类器.
- 计算一致性相关系数 (CCC) 来评估LDCT和SDCT之间的特征可重现性.
- 使用曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 自动细分实现了高精度 (迪斯系数>0.97).
- 管电压变化导致85.05%的放射性特征的复制性较低 (CCC < 0.75).
- LDCT和SDCT模型显示出高预测性能 (AUC分别为0.97和0.94),但对管电压变化敏感.
结论:
- 深度学习和放射学模型可以从LDCT和SDCT准确预测骨状况.
- 管电压是影响特征可重现性和模型有效性的关键因素.
- 在图像采集过程中保持一致的管电压对于可靠的骨状况预测模型至关重要.
