模拟驱动的无注释深度学习,用于在非对比CT图像上自动检测和细分气道粘液塞

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 肺部医学 肺部医学

背景情况:

• 粘液塞是COPD,喘和囊性纤维化等阻塞性肺病 (OLD) 的关键指标,与肺功能和死亡率相关.
• 在CT扫描上手动识别粘液塞是耗时的,对于大型研究是不切实际的,限制了详细分析.
• 由于粘液塞异质性,成像工件和数据不平衡,自动量化很困难.

研究的目的:

• 开发和验证一个无注释的深度学习框架,用于自动检测和细分气道粘液塞.
• 通过使用模拟驱动的方法来克服自动化粘液塞量化方面的挑战.

主要方法:

• 一个深度学习框架 (nnU-Net) 仅在合成生成的粘液插头数据上进行训练.
• 通过从相邻的容器转移强度统计数据来创建合成插头,以模仿现实的形态和纹理.
• 合成数据训练模型 (S模型) 与独立的COPDCT数据集上的手动注释模型 (M模型) 相比进行了评估.

主要成果:

• 与M模型 (0.757敏感度) 相比,S模型显示出更高的检测性能 (0.837敏感度),错误阳性较少 (1.91对3.68每次扫描).
• 性能改善对中大粘液塞 (≥6毫米) 最为显著.
• 该框架允许在非对比的胸部CT上进行可扩展,准确的粘液塞量化,而无需手动voxel-wise注释.

结论:

• 一种基于模拟的,无注释的深度学习方法可以在非对比的胸部CT扫描中准确量化粘液塞.
• 这种方法提供了一个可扩展的解决方案,用于分析大队伍的粘液塞,有可能改善老年疾病的疾病负担评估和治疗反应监测.
• 需要对不同种群和成像协议进行进一步的验证,以确定可通用性.