系统性硬化症中间歇性肺病的计算机断层扫描:用于肺病变细分的数据集和深度学习模型

科学领域:

• 放射学和医学成像学 医学成像学
• 人工智能在医学中的应用
• 肺部医学 肺部医学

背景情况:

• 系统性硬化症相关的间歇性肺病 (SSc-ILD) 显著影响患者的发病率和死亡率.
• 高分辨率计算机断层扫描 (HRCT) 对于诊断和管理SSc-ILD至关重要.
• 精确量化SSc-ILD病变对于患者管理至关重要.

研究的目的:

• 开发和评估一个深度学习模型,用于在HRCT图像上自动细分和定量SSc-ILD病变.
• 通过将病变体积与肺功能测试 (PFT) 度量相关,评估自动化细分的临床相关性.
• 为SSc-ILD HRCT分析创建和发布一个公共数据集 (SICCS).

主要方法:

• 开发了一个卷积神经网络,以对40名SSc-ILD患者的HRCT扫描中细分正常的肺部,已确定的纤维化 (EF) 和地面玻璃不透明 (GGO).
• 该模型经历了8倍的交叉验证,通过Dice得分系数 (DSC) 测量细分性能.
• 斯皮尔曼等级相关性 (ρ) 用于分析预测的损伤体积和PFT指标之间的关系.

主要成果:

• 该模型实现了78%的总损伤 (EF+GGO) DSC,其中GGO细分 (73%) 的表现优于EF (70%).
• 预测的损伤体积与1秒内强迫呼气体积 (FEV1) (ρ=-0.64) 和FEV1/强迫生命能力 (ρ=-0.73) 显著负相关.
• 创建了SICCS数据集,包含专家注释的SSc-ILD HRCT图像,并公开提供.

结论:

• 基于深度学习的自动细分提供了一种可行的方法来量化HRCT上的SSc-ILD病变,从而产生临床相关的数据.
• 该模型的性能与现有方法可比,与PFT指标有显著的相关性,支持其临床实用性.
• 这种自动化方法有望改善SSc-ILD诊断,监测和临床决策,等待在更大的数据集上验证.