基于深度学习的胸部3D内容图像检索系统HRCT:对间歇性肺部疾病和常见间歇性肺炎的性能评估

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 肺部医学 肺部医学

背景情况:

• 扩散性帕伦基马性肺部疾病呈现出各种各样的条件和CT成像发现.
• 区分间歇性肺病 (ILD) 和识别常见间歇性肺炎 (UIP) 在诊断上具有挑战性.
• 为应对这些挑战,开发了一个基于3D内容的图像检索 (CBIR) 系统.

研究的目的:

• 开发和评估基于3D内容的图像检索 (CBIR) 系统,用于分析高分辨率计算机断层扫描 (HRCT) 图像.
• 评估CBIR系统在区分ILD和识别UIP方面的临床有用性.
• 调查系统在图像相似性和标签一致性方面的性能.

主要方法:

• 创建了一个基于深度学习的原型系统来分析和记录薄片全肺HRCT图像.
• 搜索性能使用2058个案例的数据库进行评估,视觉相似性得分为5分.
• 通过评估57种疾病的301例病例的标签一致性 (ILD/非ILD,有/没有UIP) 来评估临床有用性.

主要成果:

• 在CBIR系统中,最高检索病例的平均视觉相似度得分为4.37 ± 0.83.
• 对于ILD的标签一致性高,为0.94±0.15,而对于非ILD的标签一致性高,为0.64±0.31.
• 对于UIP病例的标签一致性为0.86 ± 0.17,而对于没有UIP病例的标签一致性为0.83 ± 0.24.

结论:

• 开发的CBIR系统在识别有或没有常见间歇性肺炎 (UIP) 的病例方面表现出高度准确性.
• 该系统显示出有很大的潜力,可以帮助放射科医生在临床环境中区分UIP.
• 这种人工智能驱动的方法为诊断复杂的间歇性肺部疾病提供了宝贵的支持.