基于人工智能的图像细分和集中估计算法的概括性:一个多区域,多中心和多扫描仪研究
Neal S Krishna1,2, Emiliano Garza-Frias1, Giridhar Dasegowda1,3
1Department of Radiology, Massachusetts General Hospital and Harvard Medical School, 75 Blossom Court, Suite 248, Boston, MA 02114, United States.
Radiation protection dosimetry
|April 8, 2025
概括
一个开放式的AI算法准确地评估了CT扫描中的患者集中在多个身体区域和扫描仪上的情况. 这种人工智能模型与手动测量有很强的相关性,有助于评估图像质量和患者定位.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 在CT扫描中,以患者为中心对于最佳的图像质量和诊断准确性至关重要.
- 手动评估患者中心化可能是耗时和主观的.
- 在多中心研究中,对评估图像细分和集中的自动化客观方法的需求正在增加.
研究的目的:
- 开发和验证开放式人工智能 (AI) 算法,用于评估CT检查中的图像细分和患者集中.
- 评估人工智能算法在多个身体区域 (头部,胸部,腹部和骨盆),患者人口统计和扫描仪类型中的性能.
- 为了比较人工智能算法的中心测量与手动估计.
主要方法:
- 开发了一个开放式的AI算法 (AIc) 用于图像细分和患者中心分析.
- 分析了来自275名患者的825张CT扫描 (头部,胸部,腹部和骨盆).
- 从AIc获得的垂直和水平中心测量与手动测量进行了比较.
主要成果:
- 对于垂直 (r=0.93-0.95) 和水平 (r=0.80-0.85) 的偏离中心,AIc与手工估计有很强的相关性.
- 在五个机构的不同年龄组,性别和多个扫描仪中观察到高性能.
- AIc在接收器操作特征曲线下的面积达到0.72到0.99的范围,以区分中心和离中心的扫描.
结论:
- 开发的AI算法有效地评估了CT检查中的垂直和水平患者脱中心.
- PET/CT扫描经常显示出显著的偏离中心,特别是超过30毫米的垂直偏差.
- AIc提供了一种可靠的,自动化的工具来评估患者的中心位置,在垂直中心位置的评估中表现稍好一些.
