当前位置: 首页 » 论文导航 » 医药卫生 » 正文
基于人工智能的胸部CT智能辅助诊断系统在LDCT数据集上的应用研究
发布日期:2018-10-11  来源:中国医学计算机成像杂志   浏览次数:204
核心提示:文章已经通过《中国医学计算机成像杂志》评审,近期即将安排刊登!
【摘要】目的 应用卷积神经网络(CNN)算法模型与低剂量CT(LDCT)图像数据集,探讨人工智能(AI)技术检测肺部结节的效能。方法 连续纳入2017年11月至2018年2月间共3750例肺部LDCT影像数据进入人工智能辅助检测系统进行肺结节检测,系统自动标注图像数据库中每个图像序列上的结节数以及单个结节的位置、长径、短径、长短径比等信息;同时6名资深影像专业医生独立对每个序列图像的智能检测结果逐一进行确认,包括删除和新增等处理。对所有病例依据系统和医生不同的处理方式归为真阳性、假阳性、假阴性和真阴性四类;对所有结节则分成真阳性、假阳性和假阴性三组;用四格表统计系统的灵敏度、阳性预测率及阴性预测率等,利用两样本t检验验证不同结节组别之间在长径、短径、长短径比等方面是否存在显著统计学差异。结果 智能辅助诊断系统在LDCT数据集上的病例数、灵敏度、正确率、阳性预测值、阴性预测值、错误率在11月至2月合计分别为3750、96.63%、80.32%、69.41、72.87%、29.59%。按11月至2月数据迭代时序计算,其灵敏度、正确率、阳性预测值,阴性预测值均有提升,而错误率则呈下降趋势。结论 基于AI的胸部CT智能辅助诊断系统在检测肺结节上的主要效能指标具有可靠性和成长性,是在门诊和体检场景下针对LDCT肺结节检查和筛查的有效辅助工具。
【关键词】人工智能;深度学习;卷积神经网络;低剂量CT;肺结节检测。
基于卷积神经网络的深度学习技术,已经在物体辨识、人脸识别、语音识别和翻译、自动驾驶等领域显现出非凡的能力[1-4]。人工智能(Artificial intelligence, AI)技术在医学领域,特别是医学影像领域的研究和应用也在逐步发展[5-8]。应用AI技术对基于胸部CT影像的肺结节智能检测,是该研究领域中的热点问题[9,10]。目前已经出现了很多基于标准影像数据集的肺结节检测算法模型。这些模型的目标图像是特定的或取自标准数据集,由于图像标注与数据处理方案相对标准化,虽然报道的检测结果的能效指标很好,但却并不一定适合实际的临床工作流,不能够切实地反映临床实际的应用状态。低剂量螺旋CT(Low dose computed tomography ,LDCT)在不影响肺部成像的基础上,相较于常规CT辐射剂量更低(降低约75%~90%),同时又具备常规CT的敏感性。自2011年美国国家肺癌筛查试验(National Lung Screening Trial, NIST)的数据显示LDCT可提高早期肺癌的诊断率,有效降低肺癌病死率后,LDCT在肺癌筛查的应用得到了有力推广。近年来,我国众多医疗机构已开展LDCT肺癌筛查,并且中华医学放射学分会心胸学组综合国际大型肺癌筛查项目和我国具体国情,起草制定了《低剂量CT肺癌筛查专家共识》,为肺结节筛查提供策略和支持。依图医疗人工智能研发团队利用深度学习算法和浙江省人民医院的胸部CT低剂量薄层影像大数据,构建了拥有自主知识产权的“胸部CT智能辅助诊断”系统,能够基于真实的临床场景对肺结节进行智能检测。我院与依图医疗展开深入合作,部署并应用该系统。从2017年11月至2018年2月,利用本院门诊和体检场景下的LDCT肺结节检查和筛查数据,对系统进行应用能效评估,将结果总结分析并报道如下。
方法
1. 病例选择:选择2017年11月至2018年2月期间在本院接受LDCT检查的受检者,剔除其中因图像不清晰或伪影明显,未出诊断报告的病例,余下共3750例均纳入本研究,受检者的年龄分布范围是36~72岁,平均53.8±10.3岁。因本研究仅使用AI辅助分析受检者CT数据,报告书写和审核仍由有资质的医生完成,本院伦理委员会免除签署知情同意书。
2. CT图像采集:检测采用16排或以上多层螺旋CT扫描仪,包括GE BrightSpeed 16(美国)、Toshiba Aquilion ONE 640(日本)和Siemens Definition AS 128(德国)。头先进,深吸气屏气15秒内完成全肺扫描。
3.LDCT扫描设置:采用低剂量扫描模式,螺距≤1,机架旋转时间0.5s,扫描矩阵设定512*512,重建层厚2.0mm,层间隔2.0mm,120kV、30-50 mAs。
4.“胸部CT智能辅助诊断”系统算法流程:在Dahl JV[12]与Setio AA[13]深度学习模型基础上,为构建性能更优的模型,作如下优化设计:(1)在每例LDCT扫描DICOM图像的2D切面上找到候选肺结节区域,将候选区域进行3D影像重构并切割成9幅对称的2D影像,形成2.5D结构;(2)把2.5D影像传输到神经网络中,判定是否为结节;(3)将切割后的结果输入三个不同设计的卷积神经网络(CNN)中,三种算法经过预先特定数据集训练、测试;(4)假阳性筛选采取多种卷积网络融合的方式,每种网络处理不同的二维影像视角;
作者:金文忠①陆耀①
 
 
 
评论详情
 
0条 [查看全部]  相关评论
 
 
 

免责声明:本平台并非任何杂志官网,仅限于整理学术信息以及期刊投稿渠道

 
 
展开