从脑部计算机断层扫描中基于深度学习细分的骨去除改善了皮肤下血液瘤检测
Masis Isikbay1, M Travis Caton2, Jared Narvid3
1Department of Radiology and Biomedical Imaging, University of California San Francisco, 505 Parnassus Ave, M-396, San Francisco, CA 94143, USA.
Journal of neuroradiology = Journal de neuroradiologie
|November 9, 2024
概括
一个新的深度学习算法准确地从非对比性CT头部扫描中删除骨,显著改善了实习放射科医生的腹腔内血瘤检测.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在非对比性CT头部 (NCCTH) 检测体外血瘤 (SDH) 是至关重要的,但由于骨干扰而具有挑战性.
- 准确及时识别内血液具有临床意义.
研究的目的:
- 评估NCCTH骨移除算法的实用性,以提高SDH检测.
- 评估骨摘除对初级放射学学员诊断绩效的影响.
主要方法:
- 一个深度学习细分算法被开发和训练,用于100个NCCTH的骨去除.
- 用内部和外部数据集的定量重叠分析验证了细分的准确性.
- 一项读者研究比较了标准NCCTH和NCCTH之间的SDH检测率,使用了骨去除.
主要成果:
- 骨移除算法实现了高分段精度 (子重叠0.9999内部,0.9957外部).
- 对于使用NCCTH与骨去除的学员来说,SDH检测在统计上有所改善 (P < 0.001).
- 一个很高的百分比的学员报告了改进的检测和渴望随时访问该工具.
结论:
- 基于深度学习的NCCTH骨去除是一种快速而准确的方法.
- 移除骨头可以提高SDH检测的准确性,并提高训练习放射科医生的信心.
- 这项技术显示了改善内出血的临床诊断的潜力.
