用双能量CT两种材料分解生成尿管细分的训练数据

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 泌尿外科成像 泌尿外科成像

背景情况:

• 精确的尿管细分对于诊断和管理各种泌尿病状况至关重要.
• 深度学习模型需要大量高质量的数据集,以进行有效的培训.
• 产生尿道的细分面具,特别是非对比CT,存在挑战.

研究的目的:

• 评估使用基于双能CT (DECT) 的两种材料分解来创建尿管细分的训练数据的可行性.
• 开发和评估使用DECT衍生虚拟未增强 (VUE) 图像进行尿管细分的深度学习模型.

主要方法:

• 一项回顾性研究,涉及180名接受DECT泌尿镜检查的患者.
• 虚拟未增强 (VUE) 图像是从晚分泌阶段 (LEP) DECT图像中合成的,使用两种材料分解.
• 在LEP图像上生成了地面真相细分面具,并与VUE图像配对形成训练数据集.
• 在内部和外部数据集上训练和验证了一个深度学习模型 (nnU-Net框架).

主要成果:

• 内部测试数据集实现了高性能:中位数Dice系数为0.89,精度为0.90,回忆率为0.88.
• 外部验证显示性能有限:中位数Dice系数为0.43和回忆率为0.28,精度高 (0.95).
• 在内部和外部验证数据集之间的所有指标中观察到具有统计学意义的差异 (P < 0.01).

结论:

• 基于DECT的两种材料分解是一种可行的方法,用于生成尿管细分的训练数据.
• 该方法显示了在非对比CT扫描上尿管细分的潜力,尽管外部验证的局限性.
• 需要进一步的研究和多中心验证,以提高概括性和临床适用性.