多视频CNN对心脏计算机断层成像的肺部总体体积的影响

科学领域:

• 医疗成像医学成像
• 肺部生理学 肺部生理学
• 人工智能在医学中的应用

背景情况:

• 肺总体积 (TLV) 对于肺功能评估至关重要,但通常需要全肺计算机断层扫描 (CT) 扫描.
• 心脏CT扫描更容易获得,可视化肺部的很大一部分,为TLV估计提供了机会.
• 从有限的成像数据来估计TLV的现有方法在准确性和可重复性方面存在局限性.

研究的目的:

• 开发和验证一种新的多视图卷积神经网络 (CNN) 模型,用于从心脏CT扫描中推断总肺体积 (TLV).
• 评估拟议的CNN模型与现有的基于回归的TLV估计技术的性能.
• 与传统的全肺CT方法相比,评估基于CNN的TLV估计的准确性和可重复性.

主要方法:

• 一个多视图卷积神经网络 (CNN) 模型使用监督学习进行了训练.
• 该模型使用了来自多民族动脉样硬化研究 (MESA) 数据集的配对全肺和心脏CT扫描.
• CNN的设计是从心脏CT图像中推断出肺部总体积 (TLV),CT图像覆盖了大约三分之二的肺部体积.

主要成果:

• 开发的CNN模型在估计肺部总体积 (TLV) 方面明显优于现有的回归模型.
• 来自心脏CT扫描的TLV估计的准确性和可重复性与来自全肺CT扫描的TLV估计的准确性和可重复性相当.
• 该模型表现出强大的性能,取得了类似于全肺CT上TLV测量的内在扫描-重新扫描可变性的结果.

结论:

• 一种新的多视图CNN方法可以从广泛可用的心脏CT扫描中准确和可重复地估计肺总体积 (TLV).
• 这种方法为肺部研究和流行病学研究提供了有价值的工具,在这种情况下,全肺CT是不可行的.
• 这些发现表明,心脏CT成像可以用于可靠的肺体积评估,扩大其实用范围超出心脏评估.