使用机器学习进行定量纹理分析,以预测肺栓塞患者的非对比计算机断层扫描可解释的肺 perfusion

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 肺栓塞 (PE) 诊断至关重要,但当前的CT肺血管造影等方法存在局限性,特别是对于具有对比剂禁忌的患者.
• 准确和及时的PE诊断是必不可少的,因为它的危及生命的性质.

研究的目的:

• 在非对比CT扫描上使用机器学习 (ML) 开发定量纹理分析管道.
• 发现与肺 perfusion (Q) 生理学和病理学相关的强度和纹理特征.
• 合成voxel-wise Q替代体,以帮助PE诊断.

主要方法:

• 从怀疑PE的患者 (内部和外部队列) 中回顾性收集SPECT/CT扫描.
• 提取和二阶段选择定量CT特征,包括先前知识驱动和数据驱动的方法.
• 训练ML模型用于分类和合成使用选择的特征图表的voxel-wise Q替代品.

主要成果:

• 最优的ML模型实现了0.863 (内部) 和0.828 (外部测试) 的AUC.
• 14种强度和纹理特征的组合有效地区分了高和低功能的肺部区域.
• 在合成代孕和参考Q-SPECT扫描之间观察到中等至高的空间一致性 (中位数SCC 0.66,中位数DSC 0.86/0.64).

结论:

• 验证了使用定量纹理分析和ML用于生成voxel-wise肺 perfusion surrogates的可行性.
• 该方法为肺血管疾病的功能性肺成像提供了一个无辐射,可访问的替代方案.
• 开发的管道通过提供基于非对比的功能性肺部信息来协助PE诊断.