深度学习模型用于从计算机断层扫描侦察图像中估计体重,其中包括性别和身高

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 精确的体重对于对比度增强计算机断层扫描 (CT) 剂量至关重要.
• 紧急医疗设置往往缺乏精确的患者体重测量,导致剂量错误.
• 在CT中估计重量的现有方法是有限的.

研究的目的:

• 开发和验证一种深度学习模型,用于从CT侦察图像中估计体重.
• 用各种输入组合 (侦察图像,性别,身高) 来评估模型的准确性.
• 评估模型在具有挑战性的患者群体中的表现 (例如,手臂与身体并排,金属植入物).

主要方法:

• 763名住院患者的回顾性分析,CT和体重数据相匹配.
• 使用VGG16架构的转移学习开发深度学习模型.
• 评估了四种输入组合:单独的侦察图像,性别,身高,以及性别和身高.

主要成果:

• 该模型实现了高准确度,92.8%的预测在实际重量±5公斤以内,当使用高度的侦察图像时.
• 平均绝对百分比误差在4.0%至4.8%之间,使用高度的侦察图像实现了最低的误差.
• 尽管患者的位置 (手臂与身体并排) 和金属植入物存在,但模型的准确性仍然很强.

结论:

• 从CT侦察图像中基于深度学习的体重估计是临床实践中可行的工具.
• 纳入患者的性别和身高显著提高了体重估计的准确性.
• 这种方法可以帮助优化对比剂剂量在计算机断层扫描,特别是在紧急情况下.