双能量CT用于基于深度学习的细分和早期缺血性心脏病发作的体积估计
Peter Kamel1,2, Mazhar Khalid3, Rachel Steger4
1Department of Diagnostic Radiology and Nuclear Medicine, University of Maryland School of Medicine, 22 S. Greene Street, Baltimore, MD, 21201, USA. pkamel@som.umaryland.edu.
Journal of imaging informatics in medicine
|October 9, 2024
概括
双能CT (DECT) 成像通过机器学习算法改善了早期中风检测. 将DECT数据与标准CT扫描相结合,可以提高心脏病细分的准确性,特别是在症状出现后6-12小时内.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 非对比的头部CT经常无法在心脏病发作后几个小时内检测出早期的缺血变化.
- 深层卷积神经网络显示出在中风检测中识别微妙的成像发现的潜力.
- 双能量CT (DECT) 获取可能会提高机器学习算法的早期心脏病发作可见性.
研究的目的:
- 为了评估DECT获取是否可以提高早期心脏病发作可见性,用于基于机器学习的细分.
- 为了比较在不同DECT图像类型上训练的机器学习模型的性能.
主要方法:
- 在MRI确认心脏病发作前48小时内获得的330个DECT扫描的回顾性分析.
- 来自MRI的心脏病细分图为共注册的CT扫描提供了基本真相.
- 在标准的120kV图像,190kV虚拟单色图像和组合双通道输入上训练了一个3D nnU-Net模型.
主要成果:
- 组合DECT通道输入实现了最高的Dice得分 (0.665),显著优于标准的120kV (0.616) 和190 keV (0.645) 图像 (p < 0.01).
- 从统计学上显著的细分改善观察到从上次已知的6到12小时之间的心脏病发作,对于较大的心脏病发作表现更好.
- 随着输入的组合,体积测量准确度的趋势更高,但没有达到统计学意义 (p = 0.07).
结论:
- 将标准头部CT与DECT数据补充,可以提高用于机器学习的早期心脏病细分.
- 综合DECT通道输入显示出卓越的性能,特别是在6-12小时后检测到的心脏病发作中.
- DECT有望提高人工智能驱动的中风检测的准确性和及时性.
