可解释的AI用于在PET/CT成像中自动检测呼吸系统错位
Yazdan Salimi1, Zahra Mansouri1, Mehdi Amini1
1Division of Nuclear medicine and Molecular Imaging, Geneva University Hospital, Geneva, Switzerland.
Physics in medicine and biology
|October 17, 2024
概括
这项研究引入了一种自动机器学习方法,用于在PET/CT扫描中检测呼吸道不对齐的工件,改善图像质量和临床工作流程. 该方法实现了高精度,有助于数据策划和文物识别.
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:
- 像素发射断层扫描 (PET) 和计算机断层扫描 (CT) 的图像质量对于诊断至关重要.
- 在PET和CT图像之间错位的文物可能会对诊断准确性产生负面影响.
- 为了高效的数据策划和临床工作流程,需要对这些文物进行自动检测.
研究的目的:
- 开发一种可解释的机器学习 (ML) 方法,用于在PET/CT成像中检测呼吸道错位器件 (RMA).
- 创建一个自动化的管道,在PET和CT图像中对器官进行细分,并将其比较以确定不对齐.
- 提高PET/CT数据分析的可靠性和效率.
主要方法:
- 使用了1216张PET/CT图像的数据集.
- 开发了一个ML模型,使用随机森林框架与10倍交叉验证.
- 从PET和CT图像中对四个器官 (肺,肝,,心脏) 的细分进行比较,以检测错位.
- 使用灵敏度,特异性,F1-Score和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 实现了高性能指标:交叉验证时AUC为0.91,测试组时为0.90.
- 在交叉验证中显示的敏感度和特异性分别为0.82和0.85.
- 确定肝脏和肺部是检测错位最重要的器官.
- 报告的F1-Score,灵敏度和特异性值超过80%的交叉验证和测试集.
结论:
- 一个自动化的,可解释的ML管道有效地检测PET/CT扫描中的错位器件.
- 该方法模仿人类读者通过比较器官细分跨模式.
- 这种方法可以显著改善大型数据集的策划,并且可以集成到临床扫描仪中,以实时检测文物.
