.png){kind=icon}
返回
Segmentation-based deep learning emphysema quantification using chest CT: improved accuracy and robustness vs LAA-950
.png){kind=icon}
PRE
AI
DOI：10.1007/s00330-026-12800-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
开发一种深度学习分割算法，以实现准确的肺气肿量化，同时提高与放射科医师评估和肺功能测试的一致性。该模型使用回顾性虚拟和临床数据集开发。虚拟数据通过控制参数（包括扫描仪、剂量和重建核）的真值实现预训练，而临床数据则通过专家注释的肺气肿掩模实现微调。分割精度使用Dice系数量化，稳健性通过不同成像条件下的肺气肿百分比一致性量化。基于模型的肺气肿百分比与Fleischner视觉评分（序数；0～5）和肺功能测试（DLCO、FEV1pp和FEV1/FVC）相关，并与LAA-950进行比较。统计分析包括单变量/多变量相关性。定量评估包括Dice、偏倚、一致限和可重复性系数。虚拟数据包括20例人体模型（平均年龄：43年±11[SD]，10名男性），临床数据包括多中心队列的101例（C1；57年±8，54名男性）、23例（C2；57年±7，14名男性）和1159例（C3；65年±9，586名男性）患者。该模型在分割精度上优于LAA-950，在虚拟组（76.6%±8.8 vs 51.5%±23.5）、C1组（48.4%±24.2 vs 22.5%±20.2）和C2组（64.8%±9.3 vs 32.7%±16.8）中实现了更高的Dice评分。此外，分析显示偏倚和一致限改善（C1；1.0%±4.3 vs 2.1%±15.1），与视觉评分（C1；0.77 vs 0.47）和肺功能测试（C3；DLCO多变量R²：0.31～0.32 vs 0.21～0.25）的相关性更强。所提出的模型为LAA-950提供了有前景的临床相关替代方案，提高了肺气肿量化的准确性和一致性，并进一步与放射科医师评估和肺功能指标对齐。问题：基于深度学习的CT肺气肿分割能否相对于传统LAA-950生物标志物提高肺气肿量化的准确性和稳健性？发现：深度学习模型在准确性和可重复性方面优于LAA-950，并显示出与肺气肿视觉评分和肺功能测试更强的相关性。临床相关性：深度学习方法的性能改进实现了不同成像条件下更可靠的肺气肿量化，与放射科医师评估和肺功能测试的一致性更接近。
Keyword:
Computed tomography
Deep learning
Pulmonary emphysema
Reproducibility
Thorax
期刊
IF:
4.7
论文数:
1.8K
被引数:
3.9W
机构
引用论文
Semi-Supervised Learning for Semantic Segmentation of Emphysema With Partial Annotations基于半监督学习的部分标注肺气肿语义分割
PREAI
分享收藏CT-Definable Subtypes of Chronic Obstructive Pulmonary Disease: A Statement of the Fleischner SocietyCT可定义的慢性阻塞性肺疾病亚型: Fleischner协会的声明.png)
RADIOLOGY
OAAI
RADIOLOGYIF15.2
OAAI分享收藏Artificial Intelligence has Similar Performance to Subjective Assessment of Emphysema Severity on Chest CTACADEMIC RADIOLOGY
ACADEMIC RADIOLOGYIF3.9
PREAI
分享收藏XCAT 3.0: A comprehensive library of personalized digital twins derived from CT scansXCAT 3.0：一个基于CT扫描生成的个性化数字孪生的综合库MEDICAL IMAGE ANALYSIS
OAAI
MEDICAL IMAGE ANALYSISIF11.8
OAAI分享收藏Wiedbrauck, D.; Karczewski, M.; Schoenberg, S.O.; Fink, C.; Kayed, H. Artificial Intelligence-Based Emphysema Quantification in Routine Chest Computed Tomography: Correlation With Spirometry and Visual Emphysema Grading. J. Comput. Assist. Tomogr. 2024, 48, 388–393. [Google Scholar] [CrossRef]Wiedbrauck, D.; Karczewski, M.; Schoenberg, S.O.; Fink, C.; Kayed, H. 基于人工智能的肺气肿量化在常规胸部计算机断层扫描中的应用：与肺活量测定法和视觉肺气肿分级的相关性。J. Comput. Assist. Tomogr. 2024, 48, 388–393. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏Emphysema Quantifications With CT Scan Assessing the Effects of Acquisition Protocols and Imaging Parameters Using Virtual Imaging Trials使用虚拟成像试验评估采集协议和成像参数的影响CHESTOAAI
CHESTIF8.6
OAAI分享收藏
查看更多内容