在多发性骨髓瘤患者的纵向CT扫描中,自动识别和细分脊椎与结构不确定性分析

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:

• 在多发性骨髓瘤患者的纵向研究中,需要在CT扫描中准确地对脊椎进行细分.
• 现有的深度学习方法在处理纵向数据和识别细分错误方面可能存在局限性.

研究的目的:

• 在多发性骨髓瘤患者的纵向CT扫描中优化基于深度学习的脊椎细分.
• 将结构性不确定性分析集成到现有的深度学习管道中,以提高准确性并减少手动审查.

主要方法:

• 474名多发性骨髓瘤患者CT扫描的回顾性队列被用于培训和测试.
• 一个增强的细分管道将开源深度学习方法与后期结构不确定性分析相结合.
• 用脊椎形状分析和识别率和纵向脊椎匹配率等指标评估了细分质量.

主要成果:

• 与基线方法 (p < 0.001) 相比,拟的管道显著提高了识别率 (95.8%至98.8%) 和成功率 (86.7%至96.0%).
• 纵向脊椎匹配率从97.0%增加到99.7% (p < 0.001),系列成功率从80.0%提高到95.4% (p < 0.001).
• 该管道在各个年龄和性别子组中表现一致,只有3.6%的扫描需要人类检查.

结论:

• 增强的管道显著优于基线深度学习方法,用于纵向CT扫描中脊椎细分.
• 结构不确定性分析提高了准确性,减少了纵向匹配错误,并最大限度地减少了手动审查的需要.
• 这种强大的工具对多发性骨髓瘤的纵向研究非常有价值,增强了诊断和监测能力.