开发和验证基于人工智能的自动细分和测量胸部CT扫描上的胸腺
Yusheng Guo1,2,3, Bingxin Gong1,2,3, Guowei Jiang4
1Department of Radiology, Union Hospital, Tongji Medical College, Huazhong University of Science and Technology, No.1277 Jiefang Avenue, Wuhan, 430022, China.
BMC medical imaging
|July 2, 2025
概括
一个新的深度学习工具,Thy-uNET,在CT扫描上提供精确的自动细分和测量胸腺. 这项技术减少了评估时间,并提高了放射科医生的一致性.
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:
- 甲状腺细分和评估是具有挑战性的,因为其复杂的解剖学和进化.
- 现有的方法缺乏在CT成像上评估胸腺的效率和一致性.
研究的目的:
- 开发和验证Thy-uNET,这是一款用于自动细分甲状腺和测量胸部CT的深度学习工具.
- 使用多中心数据评估Thy-uNET的性能,并与人类专家的性能进行比较.
主要方法:
- Thy-uNET接受了500个CT扫描的训练,其中包括专家注释的胸腺区域和7个测量的特征.
- 在3个测试群体的286个CT扫描上,使用Dice和Intersection over Union (IOU) 评估了性能.
- 测量的相关性和可靠性使用斯皮尔曼相关性和类内相关系数 (ICC) 进行评估.
主要成果:
- Thy-uNET实现了一致的细分性能 (Dice=0.83内部,0.82外部).
- 自动测量显示CT衰减的高相关性 (R=0.829) 和可靠性 (ICC=0.841).
- 您的uNET性能与初级放射科医生相当,显著减少了测量时间并改善了住院人员的性能.
结论:
- Thy-uNET 在常规CT扫描中提供可靠的自动细分和测量胸腺.
- 该工具减少了时间成本,并提高了thymic评估的一致性.
- Thy-uNET展示了作为放射科医生的宝贵辅助工具的潜力.
更多相关视频
07:53Author Spotlight: Advancing 3D Modeling for Enhanced Diagnosis and Treatment of Pulmonary Nodules in Early-Stage Lung Cancer
Published on: October 13, 2023
1.6K
02:09Multi-modal Pulmonary Imaging: Using Complementary Information from CT and Hyperpolarized 129Xe MRI to Evaluate Lung Structure-Function
Published on: April 12, 2024
682
