深度学习模型用于胸部CT的骨质疏松症查,使用低电压管的CT
Yujuan Zhang1, Rui Shao2, Kun Zhang2
1Department of Radiology, Nantong First People's Hospital, Nantong, Jiangsu, China.
概括
这项研究开发了一种深度学习 (DL) 模型,用于使用低管电压胸部CT扫描进行骨质疏松症查. 该模型在识别骨质疏松症和低骨矿物质密度 (BMD) 中显示出高准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 骨健康研究 骨健康研究
背景情况:
- 骨质疏松症是一个重大的公共卫生问题,其特点是骨矿物质密度 (BMD) 低.
- 早期查和诊断对于有效管理和预防骨折至关重要.
- 目前的查方法可能是侵入性的或需要专门的设备.
研究的目的:
- 开发和评估一个深度学习 (DL) 模型用于骨质疏松症查.
- 使用低管电压胸部CT图像进行脊椎骨评估.
- 建立定量计算断层扫描 (QCT) 作为BMD分类的参考标准.
主要方法:
- 追溯分析649名接受低电压管胸部CT和腰部QCT的患者.
- 使用T5-T8脊椎图像开发一个双层DL网络 (Bone-PSPNet和Ost-ClassNet).
- 根据QCT,将患者分为正常的骨质疏松症,骨质疏松症和骨质疏松症组.
主要成果:
- DL模型实现了1的灵敏度和0.978的AUC来区分骨质疏松症与非骨质疏松症患者.
- 为了区分低BMD (骨质疏松症和骨质疏松症) 和正常的BMD,该模型实现了0.969的灵敏度和0.945.94的AUC.
- 在使用胸部CT数据识别骨质疏松症方面表现出高的分类性能.
结论:
- 一个DL模型有效地选骨质疏松症使用低管电压胸部CT.
- 开发的模型显示了用于自动化骨质疏松症识别的有希望的结果.
- 这种方法在常规CT扫描中为骨质疏松症查提供了潜在的非侵入性方法.
