提高放射学可重现性:基于深度学习的腹部计算机断层扫描 (CT) 图像的协调
Seul Bi Lee1, Youngtaek Hong2, Yeon Jin Cho1,3
1Department of Radiology, Seoul National University Hospital, 101 Daehak-ro, Jongno-gu, Seoul 03080, Republic of Korea.
Bioengineering (Basel, Switzerland)
|January 8, 2025
概括
基于深度学习的图像协调显著提高了腹部CT扫描中放射特征的可重现性. 这种技术提高了不同扫描仪的数据一致性,提高了用于临床应用的放射学分析的可靠性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 无线电学 (Radiomics) 是一种辐射学.
背景情况:
- 腹部CT扫描中的放射特征可能因扫描仪和采集协议的差异而有所不同.
- 这种变化影响了放射学分析的可复制性和准确性.
- 图像协调对于跨机构的CT数据标准化至关重要.
研究的目的:
- 评估基于深度学习的图像协调的可行性,以改善腹部CT的放射性特征可重现性.
- 量化协调对不同解剖区域和基于患者的分析的特征可重现性的影响.
主要方法:
- 预先训练的深度学习协调算法应用于63个双能量腹部CT数据集.
- 分析了10个感兴趣的区域 (ROI),每个ROI使用了387个放射学特征.
- 使用类内相关系数 (ICC) 测量可重复性,以ICC ≥ 0.85作为可接受可重复性的值.
主要成果:
- 基于区域的分析显示,可重复性有了显著的改善,特别是对于船只特征 (14%至69%).
- 其他区域,如脏,脏,肌肉和肝脏也显示出可再生性的显著增长.
- 基于患者的分析显示,可复制特征从18%增加到65%,平均每患者增加179个可复制特征.
结论:
- 基于深度学习的图像协调有效地提高了放射学特征在腹部CT中的可重现性.
- 这种方法对推动放射学发展及其临床实用性具有重大前景.
- 协调确保在各种成像设置中获得更可靠,更适用于临床的放射学结果.
