使用胸部定量CT深度学习模型测量脊髓转移性瘤患者的骨密度

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 在瘤学瘤学.

背景情况:

• 骨质疏松症查对于脊髓转移性瘤患者至关重要.
• 定量计算机断层扫描 (QCT) 提供脊椎体积骨矿物质密度 (vBMD) 的测量.
• 由于双能X射线吸收度 (DXA) 的有限可用性,需要使用其他选方法.

研究的目的:

• 开发一种深度学习模型,从QCT扫描中预测vBMD.
• 使用3DResUNet架构来提高预测准确度.
• 改善脊髓转移性瘤患者的骨质疏松症查能力.

主要方法:

• 使用了749名脊髓转移性瘤患者的数据集.
• 3DResUNet模型在QCT图像上进行了训练,其中包括自动骨段和ROI提取.
• 数据集分为培训 (599个案例) 和测试 (150个案例) 集.

主要成果:

• 该模型与QCT测量的vBMD (斯皮尔曼rho:0.923训练,0.918测试) 实现了高相关性.
• 布兰德-阿尔特曼分析表明预测和测量vBMD之间的偏差最小.
• 该模型显示了骨质疏松症的高诊断性能 (AUC: 0.977培训,0.966测试).

结论:

• 3DResUNet深度学习模型从QCT扫描中准确预测脊椎vBMD.
• 自动化vBMD测量有助于在临床环境中有效查骨质疏松症.
• 这种方法为骨质疏松症评估提供了有价值的工具,特别是在资源有限的环境中.