在胸部计算机断层扫描图像上的异常肺膜衰减的自动量化,使用密度计和基于纹理的分析
Alysson R S Carvalho1,2,3,4, Alan Guimarães3, Rodrigo Basilio2
1Department of Radiology and Imaging Diagnosis, Hospital Universitário Polydoro Ernani de São Thiago, Universidade Federal de Santa Catarina, Florianópolis.
Journal of thoracic imaging
|September 11, 2024
概括
卷积神经网络 (CNN) 与肺密度计在检测胸部CT异常方面显示出强烈的相关性. 肺部区域的CNN提供了更好的特征,特别是正常的肺部区域,但需要大量的计算能力.
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
- 肺部疾病的诊断 肺部疾病的诊断
背景情况:
- 胸部计算机断层扫描 (CT) 对于诊断肺部异常至关重要.
- 使用卷积神经网络 (CNN) 进行基于纹理的分析,为图像解释提供了一种新的方法.
- 肺密度计是一种量化肺衰减的传统方法.
研究的目的:
- 为了比较基于CNN的纹理分析与传统肺密度计在检测胸部CT异常方面的有效性.
- 评估这两种方法对不同类型肺组织 (低衰减区域,正常衰减区域和高衰减区域) 的特征的能力.
主要方法:
- 用U-NET模型对肺部进行细分.
- 一组7个CNN架构被训练来分类低衰减区域 (LAAs),正常衰减区域 (NAAs) 和高衰减区域 (HAAs).
- 计算了CNN和密度计重度指数,并对812个正常受试者和患有肺气或间歇性肺病 (ILD) 的患者的CT扫描进行了比较.
主要成果:
- 来自CNN和密度计的严重性指数显示出强烈的相关性 (ρ=0.90) 并且随着疾病的严重性而增加.
- 与密度计相比,CNN严重性指数在肺气方面较低,但在中度至严重的ILD病例中较高.
- 对于正常的衰减区域,CNN提供了更高的估计值,这表明潜在的更准确的表征.
结论:
- 基于CNN的纹理分析与肺密度计在CT扫描上评估肺部异常时非常一致.
- CNNs可以更好地估计正常的肺部区域,并更好地区分类似的异常.
- 为此应用程序实施CNN需要大量的计算资源.
