| 王舒皓，叶丽芳，杨茗茗，孟以爽，李跃华.基于U-NET深度学习算法检测与量化胸部CT图像的气胸[J].放射学实践,2023,(03):290-294 |
| 基于U-NET深度学习算法检测与量化胸部CT图像的气胸 |
|
| |
| DOI：10.13609/j.cnki.1000-0313.2023.03.009 |
| 中文关键词: 体层摄影术，X线计算机 人工智能 深度学习 气胸 |
| 基金项目: |
|
| 摘要点击次数: 928 |
| 全文下载次数: 1205 |
| 中文摘要: |
| 【摘要】目的：采用气胸患者的CT图像开发了一种使用U-NET架构的深度学习分割算法，并对其性能进行了评估。方法：回顾性分析2018年-2019年的急诊胸部CT图像，先由一名放射科医生进行注释，然后由另一名资深放射科医生修改和审查标注的气胸内容，作为金标准，并使用五折交叉验证方法进行深度学习算法的训练和测试。在像素级通过戴斯系数、召回率和符合率来评估分割精度，并评估了气胸定量的体积误差；在区域级评估每个患者的气胸区域敏感性和假阳性区域数量。结果：共有200例气胸患者入组，平均戴斯系数、召回率和符合率分别为0.789、0.794和0.820。对气胸总量大于300mL的患者，平均戴斯系数、召回率和符合率都可以达到0.89以上。对气胸总量大于100mL的患者，气胸定量的相对误差小于10%。对体积大于30mL的气胸区域，区域敏感性可达100%。假阳性区域平均体积为2.3mL（1.55~3.66mL)，平均每个病例2.8（2.06~4.23）个假阳性区域。结论：U-NET深度学习分割算法在像素和区域两个层面上都表现出可接受的性能，这表明在临床实践中可以发挥潜在的辅助作用，以减轻急诊医务人员的工作量。 |
| |
|
查看全文
下载PDF阅读器 |
| 关闭 |
