自动腹部器官细分算法用于无增强CT的体积测量和3D放射学分析
Junghoan Park1,2, Ijin Joo3,4, Sun Kyung Jeon1,2
1Seoul National University, Seoul, Republic of Korea.
Abdominal radiology (New York)
|September 19, 2024
概括
完全自动化的深度学习模型在CT扫描中准确地细分腹部器官,使器官体积和3D放射学分析的可靠自动测量成为可能. 这有助于先进的定量成像研究和临床应用.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 准确的腹部器官细分对于定量分析至关重要.
- 自动化方法可以提高医疗图像分析的效率和一致性.
研究的目的:
- 开发完全自动化的算法,从非增强的腹部CT和低剂量胸部CT对腹部器官进行细分.
- 评估这些算法用于自动CT体积测量和3D放射学分析的可行性.
主要方法:
- 开发了基于nnU-Net的模型,用于细分肝脏,脏和脏.
- 使用105个腹部CTs和60个低剂量胸部CTs进行训练,以及55个腹部CTs和10个低剂量胸部CTs进行外部测试.
- 使用Dice相似系数评估细分性能,并评估与Bland-Altman分析和ICCs一致的体积和放射学特征.
主要成果:
- 在两种CT类型的腹部器官细分中实现了高的子相似系数 (0.9520.968).
- 对器官体积测量表现出很好的一致性 (平均差异-0.7%至2.2%).
- 对于大多数3D放射学特征 (平均ICCs>0.93) 显示出出色的一致性,在斜度,曲度和球形性方面有显著的例外.
结论:
- 完全自动化的nnU-Net模型在非增强的腹部和低剂量胸部CT中提供准确的腹部器官细分.
- 这些模型能够可靠地自动测量器官体积和特定的3D放射特征.
- 开发的算法显示了定量成像研究和临床应用的巨大潜力.
