利用基于深度学习的核心转换来对CT进行更精确的气道量化
Jooae Choe1, Jihye Yun2, Myeong Jun Kim3
1Department of Radiology and Research Institute of Radiology, University of Ulsan College of Medicine, Asan Medical Center, Seoul, Korea.
European radiology
|May 22, 2025
概括
不同的CT重建内核显著影响自动气道测量. 基于深度学习的内核转换减少了针对肺部专用内核的供应商之间的变化,提高了定量CT (QCT) 分析的一致性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 计算病理学计算病理学
背景情况:
- 呼吸道的定量CT (QCT) 分析对于诊断和监测呼吸道疾病至关重要.
- 由于不同的重建内核,QCT测量的变化可能会阻碍准确的自动化气道量化.
- 在不同成像协议和供应商之间标准化QCT分析对于可靠的临床解释至关重要.
研究的目的:
- 评估不同CT重建内核对全自动化气道定量CT (QCT) 测量的影响.
- 评估基于深度学习的内核转换在减少测量变量的有效性.
- 确定影响气道QCT核转换成功的因素.
主要方法:
- 来自两个中心的96个非增强型胸部CT扫描的回顾性分析.
- 用三家供应商的四个内核重建CT扫描.
- 应用基于深度学习的内核转换到清晰的内核图像,以中等软内核为参考.
- 使用统计分析和一致性相关系数 (CCC) 评估核转换前后的自动化气道量化.
主要成果:
- 更尖的核导致气道QCT测量减少 (例如,Pi10,壁厚),供应商之间存在显著的变化 (p < 0.001).
- 核心转换大大降低了供应商A,B和C的肺专用内核的可变性 (汇总的CCC从0.26-0.59提高到0.71-0.92).
- 对于非肺专用内核,内核转换效率较低,对分段气道的改善有限.
结论:
- 基于深度学习的内核转换有效地减少了自动气道QCT在不同内核和供应商的肺专用内核的测量变化.
- 核心转换的有效性对于非肺专用核心和亚细分气道是有限的,需要进一步细化.
- 一致的呼吸道细分和精确的解剖标签对于提高自动化呼吸道量化可重现性至关重要.
