研究目的
提出并评估一种深度学习回归方法，用于直接从CT扫描中估计生物标志物（骨密度和肺气肿百分比），而无需对感兴趣结构进行预先分割。
研究成果
深度学习回归架构能直接从CT图像中成功估算骨密度和肺气肿生物标志物，与参考标准高度相关（骨密度r=0.940，肺气肿r=0.976），证明了生物标志物提取的可行性和简化性。局限性包括二维数据降维和特定扫描类型，未来工作可着眼于三维处理和迁移学习。
研究不足
由于计算限制，该方法需要二维视野，可能无法捕捉完整的3D信息。它仅在非对比剂、非心电图门控的胸部CT扫描上进行测试；使用静脉对比剂的性能尚不清楚。通过深度学习方法可以改进目标检测器。
1：实验设计与方法选择：
本研究采用回归神经网络直接从三维CT扫描生成的二维图像中估算生物标志物，避免了传统的分割两步流程。网络架构包含卷积层、全连接层，并使用动量优化器及均方根误差损失函数进行优化。
2：样本选择与数据来源：
使用COPDGene研究的9,925例CT扫描数据库，其中7,925例用于训练，1,000例用于验证，1,000例用于测试。骨密度（BMD）和肺气肿的参考标准通过N-Vivo软件和胸部影像平台计算得出。
3：实验设备与材料清单：
CT扫描仪（至少16个探测器通道的多排探测器）、GPU（由英伟达捐赠的Titan Xp）、软件（TensorFlow库、N-Vivo、胸部影像平台、MedCalc用于统计分析）。
4：实验流程与操作步骤：
对容积CT图像进行预处理，使用目标检测器筛选包含相关结构的二维切片。对图像进行截断和重新缩放。在数据集上训练、验证和测试神经网络。
5：数据分析方法：
使用皮尔逊相关系数和Bland-Altman分析评估相对于参考标准的性能，通过MedCalc软件实施。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
GPU
Titan Xp
NVIDIA
Used for computational processing in training the neural network
-
CT scanner
multi-detector with at least 16 detector channels
Acquiring CT scans for the database
-
Software
N-Vivo
Image Analysis Inc.
Generating reference standard for BMD
-
Software
Chest Imaging Platform
chestimagingplatform.org
Computing percentage emphysema
-
Software
TensorFlow
Implementing the neural network code
-
Software
MedCalc
MedCalc Software Bvba
Performing statistical analysis
-
登录查看剩余4件设备及参数对照表
查看全部
