尿道长度的测量:基于深度学习的方法和CT和KUB上的其他估计方法的比较
Kexin Wang1, Zheng Zhao2, Yi Liu2
1School of Basic Medical Sciences, Capital Medical University, Beijing, 100069, China.
Computers in biology and medicine
|November 10, 2024
概括
一个新的深度学习模型准确地测量CT尿图 (CTU) 图像上的尿管长度. 这种人工智能驱动的方法显著优于传统方法,改善了尿道支架程序.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 精确的尿管长度的术前评估对于成功的尿管支架至关重要.
- 测量尿道长度的传统方法可能不准确.
研究的目的:
- 开发和验证一个深度学习模型,用于CT泌尿图像 (CTU) 上的自动化尿管长度测量.
- 将深度学习模型的准确性与其他传统测量技术进行比较.
主要方法:
- 使用411名患者的CTU图像 (A队列) 开发了一个3D深度学习模型,用于尿管细分和长度计算 (CTU_ai).
- 该模型在使用CTU,非对比CT (CT NoC) 和KUB图像的单独队列 (B队列,n=220) 上进行了测试.
- 八种测量方法进行了比较,放射科医生注释 (CTU_ref) 作为参考标准.
主要成果:
- 深度学习模型 (CTU_ai) 与参考标准 (CTU_ref) (P=0.514) 相比没有显著差异.
- CTU_ai与参考标准达成最高一致 (ICC=0.852),并显示出最小的偏差 (89.0%在20mm范围内).
- 所有其他研究的方法都表现出显著的差异和较低的与参考标准的一致性 (所有P<0.001).
结论:
- 深度学习模型提供了一种可靠和准确的方法来测量CTU上的尿道长度.
- 这种人工智能工具有可能提高尿路支架的疗效.
- 该模型的卓越性能表明它适合临床整合.
