同时细分和分类Tc-DMSA脏光学图像,采用深度学习方法
Jiayi Wang1, Mingyan Wu2, Xiemei Ruan3
1School of Biomedical Engineering, ShanghaiTech University, Shanghai, China.
EJNMMI reports
|October 21, 2024
概括
面膜R-CNN在99米的Tc-DMSA扫描中准确诊断急性肺炎 (APN) 和细分脏. 这种深度学习模型在核医学成像中的分类和细分任务中显示出高精度.
科学领域:
- 核医学是一种核医学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 99m Tc-DMSA扫描对于评估功能至关重要.
- 像Mask R-CNN这样的深度学习 (DL) 模型可以对图像对象进行细分和分类.
- 急性肺炎 (APN) 的诊断依赖于功能评估.
研究的目的:
- 评估Mask R-CNN用于诊断APN的可行性和准确性.
- 评估Mask R-CNN从99米Tc-DMSA图像中细分脏的能力.
- 为了比较DL模型的性能与专家人类诊断.
主要方法:
- 一个Mask R-CNN模型被训练并使用210名患者的99mTc-DMSA光图像进行验证.
- 该模型的细分精度是使用交叉与结合 (IoU) 来测量的.
- 使用平均平均精度 (mAP) 和其他指标评估了APN的分类准确性.
主要成果:
- 该模型在独立测试中实现了细分的90.3%±2.2%的面膜IOU.
- APN的分类准确度为89.0%,敏感度为84.8%,特异性为97.0%.
- 在识别患有任何APN脏的患者的整体准确性达到94.0%.
结论:
- 面具R-CNN在分析99米Tc-DMSA图像方面显示出显著的前景.
- 该模型提供了精确的细分和可靠的APN诊断.
- 这种深度学习方法增强了核医学扫描对脏疾病的分析.
