使用3D点云和基于图形的神经网络来改善从胸部CT CT进行的肺功能测试的估计

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 肺部医学 肺部医学

背景情况:

• 肺功能测试 (PFTs) 对于评估系统性硬化症中的间歇性肺病至关重要,但螺旋计具有局限性.
• 以前的深度学习模型 (CNN-CT,CNN-Vessel) 从CT扫描中估计了PFT,但由于图像下采样而失去细节.
• 详细的肺血管结构对PFTs的影响仍然不完全理解.

研究的目的:

• 开发新的深度学习模型 (PNN-Vessel,GNN-Vessel) 以使用详细的肺血管中线信息来估计PFT.
• 将这些新模型的性能和效率与现有方法进行比较.
• 为了调查详细的船舶数据对PFT估计的贡献,当与CT扫描信息相结合时.

主要方法:

• 在CT扫描中获得的肺血管中心线上利用点云神经网络 (PNN-Vessel) 和图形神经网络 (GNN-Vessel).
• 将PNN-Vessel和GNN-Vessel与基于CNN的方法 (CNN-Vessel) 进行比较,使用四个PFT指标的类内相关系数 (ICC).
• 采用多变量渐进回归,将CNN-CT与PNN-Vessel和GNN-Vessel结合起来,以获得最佳的PFT估计.

主要成果:

• PNN-Vessel和GNN-Vessel的表现明显优于CNN-Vessel,平均ICC的改进分别为14%和4%.
• 与CNN-Vessel相比,PNN-Vessel和GNN-Vessel表现出更高的效率,使用更少的训练时间和更少的参数.
• 组合模型 (CNN-CT + PNN-Vessel + GNN-Vessel) 实现了最高的PFT估计准确性,ICCs范围为0.742至0.836.

结论:

• 通过PNN-Vessel和GNN-Vessel有效捕获的详细的肺血管信息,大大提高了PFT估计的准确性.
• 这些新的网络架构为从解剖成像中预测PFT提供了更有效和更有信息的方法.
• 这些发现支持使用先进的深度学习技术在间歇性肺部疾病中对肺功能进行非侵入性评估.