在使用深度学习的各种疾病模型中对微型CT的肺病理的自动定量

科学领域:

• * 生物医学成像
• * 计算病理学
• * 临床前研究

背景情况:

• 微型计算机断层扫描 (micro-CT) 对于呼吸系统疾病研究至关重要,提高了研究效率和可转化到人体试验.
• * 分析大型微型CT数据集是临床前呼吸道疾病研究中的一个重大瓶.
• *目前的方法限制了对微型CT数据的有效分析.

研究的目的:

• * 开发一种通用的深度学习 (DL) 模型,用于动物微型CT图像的自动肺部细分.
• * 评估DL模型在各种肺病理,疾病模型和扫描仪配置中的通用性.
• * 在临床前呼吸道疾病研究中有效和准确量化肺病理.

主要方法:

• * 基于深度学习 (DL) 的肺部细分模型是使用各种动物研究的纵向微型CT图像开发的.
• * 2D 模型在轴,冠状和斜切片上进行训练,预测结合成 2.5D 模型.
• * 测试了各种研究 (COVID-19,炎症,纤维化),动物物种和扫描器配置,包括公共数据库.

主要成果:

• * 2.5D概率平均化DL模型在内部验证数据上获得0.953±0.023的高平均子相似系数 (DSC).
• *这些模型显示出强大的通用性,平均DSC值在不同条件下从0.89到0.94不等.
• * 自动细分的生物标志物与手动细分密切一致,验证了该模型监测疾病进展和治疗反应的能力.

结论:

• * 开发的DL管道为肺病理定量提供了大型微型CT数据集的有效分析.
• * 该模型广泛适用于动物疾病模型和各种获取协议.
• 在临床前的呼吸研究中,这种方法可以实时了解治疗效果.