以人工智能为基础对功能增强CT图像进行细分,以定量评估慢性病的数量
Hui Luo1, Jingzhen Li2, Haiyang Huang1
1Department of Radiology, Ningbo Yinzhou Second Hospital, Ningbo, China.
一个人工智能模型在CT扫描中准确地细分了脏,揭示了CT值,而不是体积,更好地表明早期慢性病 (CKD) 和其严重程度.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 腎臟病學 (nephrology) 是一種醫學專業.
背景情况:
- 慢性病 (CKD) 是一个重大的全球健康挑战.
- 准确的CKD定量评估对于及时干预和管理至关重要.
- 目前的成像技术可能缺乏早期和详细的CKD评估的精度.
研究的目的:
- 开发和验证一种深度学习模型,用于在增强对比度的CT图像中对结构进行细分.
- 量化评估细分参数与CKD严重程度之间的关系.
- 探索人工智能驱动的成像生物标志物的潜力,用于预测CKD.
主要方法:
- 分析了100名CKD患者和90名健康对照的回顾性队列.
- 开发了一个3D nnU-Net深层卷积神经网络,用于在增强型CT扫描中对膜和皮质进行细分.
- 进行了统计分析,包括相关性和曲线下面积 (AUC) 计算,以评估脏参数与估计的淋巴细胞过率 (eGFR) 和血清肌素 (Scr) 相比.
主要成果:
- 3D nnU-Net 模型实现了高细分精度 (对外膜体的DSC 93.53%,对皮质的DSC 81.48%).
- 在CKD各个阶段观察到体积和CT值的显著差异.
- CT值 (HuRP,HuRC) 与eGFR有很强的相关性,与Scr有逆相关性,在预测CKD方面表现优于体积,特别是在早期阶段.
结论:
- 使用3D nnU-Net的基于AI的细分有效地从增强的CT扫描中量化脏结构.
- 脏CT值是早期损伤和CKD进展的更敏感的指标,而不是体积.
- 确定的CT值值可以帮助在男性和女性中诊断和监测CKD.
更多相关视频
07:013D Imaging of Soft-Tissue Samples using an X-ray Specific Staining Method and Nanoscopic Computed Tomography
Published on: October 24, 2019
08:05Lung CT Segmentation to Identify Consolidations and Ground Glass Areas for Quantitative Assesment of SARS-CoV Pneumonia
Published on: December 19, 2020
相关概念视频
Drug Dosing in Renal Diseases: Estimation of Glomerular Filtration Rate Based on Serum Creatinine Concentration
Imaging Studies I: Kidney, Ureter, and Bladder Studies
Imaging Studies II: Ultrasonography
Imaging Studies III: Computed Tomography
Imaging Studies VII: Vascular Imaging
Acute Kidney Injury IV: Diagnostic Studies and Prevention
