CT强度和对比变量的对基于深度学习的肺结节检测的影响:对预处理和协调策略的系统审查 (2020-2025)

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:

• 肺癌是全球癌症死亡的主要原因之一.
• 通过低剂量计算机断层扫描 (LDCT) 的早期检测显著改善了生存率.
• CT采集参数的变化 (例如,Hounsfield Unit校准,重建内核) 阻碍了深度学习 (DL) 系统的性能.

研究的目的:

• 系统地审查预处理和协调策略,以减轻肺癌检测中的CT强度变化.
• 评估不同方法在提高DL系统的稳定性和通用性的有效性.

主要方法:

• 按照PRISMA 2020指南进行系统审查,搜索主要的学术数据库,查找2020-2025年的研究.
• 包括100项符合条件的研究,评估预处理技术,如对比度增强,HU保存正常化,物理信息协调和基于DL的重建.
• 分析策略对结节的明显性,定量完整性和扫描仪的性能下降的影响.

主要成果:

• 感知方法 (例如,CLAHE) 提高了灵敏度,但扭曲了HU值.
• 保存HU的方法 (例如,ComBat,物理知情消噪) 是最有效的,在保持定量完整性的同时,降低性能退化到<8%.
• 与CNN (AUC 0.85-0.88) 相比,基于变压器的架构显示出更高的稳定性 (AUC 0.90-0.92).

结论:

• 标准化,HU忠实预处理和协调意识的AI模型对于肺癌查中的临床可靠性和供应商无关AI至关重要.
• 多中心外部验证对于强大的AI开发至关重要.
• 在研究中对获取参数的异质报告限制了全面的综合.