深度学习CT重建改善了肝转移的检测
Achraf Kanan1, Bruno Pereira2, Constance Hordonneau1
1Department of Radiology, Estaing Hospital, Clermont University Hospital, Clermont-Ferrand, France.
Insights into imaging
|July 6, 2024
概括
深度学习图像重建 (DLIR) 与标准CT方法相比,显著改善了肝转移的检测. 高强度DLIR发现了更多的肝转移,并提高了其可见性,有助于瘤管理.
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
- 在瘤学瘤学.
背景情况:
- 准确检测肝转移对于有效的癌症治疗计划至关重要.
- 标准的计算机断层扫描 (CT) 重建在可视化小肝病变方面存在局限性.
- 深度学习图像重建 (DLIR) 提供了改善图像质量和病变检测的潜力.
研究的目的:
- 评估DLIR对检测到的肝转移数量的影响.
- 为了比较DLIR和自适应统计代重建 (ASiR-V) 之间的肝转移的明显性和可见性.
主要方法:
- 121名肝转移患者接受了CT扫描,用ASiR-V和三个DLIR水平 (低,中,高) 重建.
- 两位放射科医生独立计算转移 (每名患者最多10人),并评估可见性和轮定义.
- 使用混合模型进行统计比较.
主要成果:
- 与ASiR-V和较低的DLIR设置相比,DLIR高显著增加了检测到的肝转移的数量 (p < 0.001).
- 在10名患者中,第三个读者证实DLIR-high的检测增加.
- 与ASiR-V相比,DLIR的转移可见性和轮定义在DLIR中优越.
结论:
- 高强度DLIR增强了肝转移的检测和可见性,而不是传统的CT重建.
- 在临床瘤学中,DLIR是一种有前途的工具,可以改善肝转移的分期和随访.
- 在检测肝转移方面,DLIR有效地克服了标准CT的局限性.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
