基于使用深度学习的语义细分集成模型对心胸比率的自动测量
Jiajun Feng1, Yuqian Huang2, Zhenbin Hu3
1Department of Medical Imaging, Guangzhou First People's Hospital, School of Medicine, South China University of Technology, No.1 Panfu Road, Yuexiu District, Guangzhou, 510030, Guangdong, China.
Medical & biological engineering & computing
|December 21, 2024
概括
一个新的语义细分模型准确地测量心胸比率 (CTR),并在胸部X射线上检测心脏扩大. 这种人工智能工具比手工测量更快,更一致,有助于放射科医生.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 心胸比率 (CTR) 和心脏扩大是心脏健康的关键指标.
- 在胸部X射线图上手动测量CTR是耗时的,容易变化.
- 需要自动化方法来提高心脏评估的效率和一致性.
研究的目的:
- 开发和评估用于自动化CTR测量和心脏扩大检测的语义细分模型.
- 将模型的性能与参考标准和手动放射科医生测量进行比较.
- 在临床场景中评估模型的诊断效率和速度.
主要方法:
- 开发了一个语义细分模型,使用1406张胸部X光片的综合数据集.
- 采用软投票整合方法来提高心脏和肺部的细分精度.
- 利用布兰德-阿尔特曼分析,皮尔森的相关性,和威尔科克森的签名等级测试,以保持一致性和比较.
- 使用准确度,灵敏度,特异性和曲线下的面积 (AUC) 评估诊断性能.
主要成果:
- 综合模型显示出强烈的相关性 (r=0.98) 和与CTR的参考标准一致.
- 在各种患者群体中,模型和参考标准之间的CTR测量没有显著差异.
- 在心脏扩大方面实现了高诊断性能:96.0%的准确性,79.5%的灵敏性,99.1%的特异性和0.988的AUC.
- 自动测量是显著更快 (大约. 2秒) 比手动放射科医生的计算 (大约. 25.75秒) 的时间.
结论:
- 语义细分集成模型为CTR测量和心脏扩大检测提供了一种有效,快速和准确的方法.
- 这种自动化方法提高了CTR测量的一致性,并减少了放射科医生的工作量.
- 该模型显示了改善心血管成像诊断效率和准确性的巨大潜力.
