自动机会性查骨质疏松症使用基于深度学习的自动细分和放射学在近端股骨图像的低剂量腹部CT图像

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 骨质疏松症是一个重大的公共卫生挑战,往往是晚发现.
• 低剂量计算机断层扫描 (LDCT) 越来越多地用于肺癌查,为机会性骨密度评估提供了潜力.
• 需要准确和自动化的方法来早期检测骨质疏松症.

研究的目的:

• 开发和验证使用LDCT检测骨质疏松症的自动化模型.
• 将近距离大腿骨细分的深度学习与骨状况分类的放射学相结合.
• 评估模型在识别正常骨质量,骨质疏松症和骨质疏松症方面的表现.

主要方法:

• 对456名接受LDCT扫描的参与者的回顾性分析.
• 使用VB-Net.开发一个使用VB-Net.的自动近端大腿骨细分模型.
• 使用随机森林 (RF) 来构建骨矿物质状态的三分类放射学模型.
• 使用子相似系数 (DSC),体积差异 (VD),曲线下的面积 (AUC),灵敏度和特异性进行评估.

主要成果:

• 自动化细分模型实现了高性能 (DSC:0.975在验证中,0.955在测试队列中).
• 放射学模型在测试队列中表现出强大的诊断性能:正常骨质的AUC为0.924,骨质疏松症为0.960,骨质疏松症为0.828.
• 所有分类都报告了高灵敏度和特异性.

结论:

• 在LDCT上集成深度学习细分和放射学分析的自动化三分类预测模型是可行的.
• 这种模型可以对骨质疏松症进行机会性检测,从而有可能提高早期诊断率.
• 这些发现支持使用LDCT用于同时评估骨健康.