基于CT的3D超分辨率放射学用于使用深度学习对布鲁塞拉vs结核性脊髓炎的差异诊断
Kaifeng Wang1, Lixia Qi2, Jing Li2,3
1Fujian Medical University, Fuzhou350001, China.
Current medical imaging
|August 6, 2025
概括
深度学习放射学与超高分辨率CT成像改善了区分结核性脊髓炎 (TBS) 和布鲁塞拉脊髓炎 (BS). 组合模型实现了0.952 AUC,显示了提高诊断准确性的潜力.
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:
- 结核性脊柱炎 (TBS) 和布鲁塞拉脊柱炎 (BS) 之间的准确区分在临床上具有意义.
- 标准CT成像可能在区分TBS和BS方面存在局限性.
- 放射学和深度学习为改善诊断准确性提供了潜力.
研究的目的:
- 开发和评估使用深度学习和超分辨率 (SR) 增强CT图像的放射学模型,以区分TBS和BS.
- 为了比较不同模型 (临床,放射学,深度学习,组合) 在区分TBS和BS的性能.
主要方法:
- 包括94名BS或TBS患者,随机分为训练 (n=65) 和验证 (n=29) 组.
- 使用超分辨率 (SR) 增强CT图像以提高空间分辨率和质量.
- 从细分的损伤区域 (ROI) 中提取了放射性特征. 进行了深度学习模型 (ResNet18,ResNet34) 的训练,并使用交叉验证,ROC和DCA开发和评估了四种多层感知器 (MLP) 模型.
主要成果:
- 在TBS和BS组之间观察到临床和成像特征的显著差异.
- 组合模型实现了最高的曲线下面积 (AUC) 0.952,优于单个模型.
- 使用ResNet34和SR增强图像进一步提高了性能,灵敏度为0.909和特异性为0.941. 决策曲线分析 (DCA) 证实了临床应用.
结论:
- 将SR增强型CT成像与深度学习放射学相结合,显著改善了BS和TBS之间的诊断差异化.
- 组合模型,特别是基于ResNet34和GAN的超分辨率,显示出卓越的预测性能.
- 建议在更大的多中心队列中进行进一步验证,以确认可概括性.
