基于深度学习的自动骨去除算法对宫CTA的图像质量评估
Yuanyuan Cui1, Rongrong Fan1, Yuxin Cheng1
1From the Department of Radiology, Second Affiliated Hospital of Naval Medical University, Shanghai, China.
Journal of computer assisted tomography
|August 2, 2024
概括
与传统方法相比,一个深度学习 (DL) 算法在宫计算机断层扫描血管学 (CTA) 中显著改善了骨去除. 这种人工智能驱动的方法提高了图像质量,特别是在骨附近的复杂解剖区域.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 宫计算机断层扫描血管学 (CTA) 图像质量对于诊断至关重要.
- 自动移除骨头是CTA中关键的后处理步骤.
- 在临床环境中评估新型深度学习 (DL) 算法至关重要.
研究的目的:
- 评估基于DL的骨去除算法对宫CTA的临床性能.
- 为了比较DL算法与传统的骨去除技术.
- 为了评估图像质量,特别是骨去除和血管完整性.
主要方法:
- 对100张宫CTA扫描进行了回顾性分析.
- 独立的放射科医生对10个宫动脉段的骨摘除和血管完整性的评估.
- 将DL算法与传统算法进行比较.
- 评估门内和门内的一致性和与门动脉狭窄的相关性.
主要成果:
- 与传统方法相比,DL算法在大多数宫动脉段中显示出优异的骨移除和血管完整性.
- 对于DL算法来说,inter-和intrarater的一致性更高或相同.
- 传统的算法显示,动脉狭窄和血管完整性之间的相关性更强 (r = -0.264对r = -0.180).
结论:
- DL算法在宫CTA的骨去除方面提供了比传统方法更好的性能.
- 在与骨相邻的复杂解剖学段中,DL算法特别有利.
- 基于DL的骨移除显示出改善宫CTA的诊断准确性的承诺.
