当前位置: X-MOL 学术Eur. Radiol. › 论文详情
Our official English website, www.x-mol.net, welcomes your feedback! (Note: you will need to create a separate account there.)

使用基于深度学习的 CT 重建算法的图像转换提高肝细胞癌患者的放射组学再现性

European Radiology ( IF 4.7 ) Pub Date : 2023-09-01 , DOI: 10.1007/s00330-023-10135-y
Heejin Lee 1 , Won Chang 2, 3 , Hae Young Kim 2 , Pamela Sung 4 , Jungheum Cho 2 , Yoon Jin Lee 2 , Young Hoon Kim 2, 3
Affiliation  

 目标


CT 重建算法影响放射组学的再现性。在本研究中,我们评估了基于深度学习的图像转换对 CT 重建算法的影响。

 方法


这项研究包括 78 名肝细胞癌 (HCC) 患者,他们接受了四期肝脏 CT,包括非造影、晚期动脉 (LAP)、门静脉 (PVP) 和延迟期 (DP),并使用滤波反投影 (FBP) 进行重建和高级建模迭代重建(ADMIRE)。 PVP 图像用于训练卷积神经网络 (CNN) 模型,以将图像从 FBP 转换为 ADMIRE,反之亦然。 LAP、PVP 和 DP 图像用于验证和测试。使用半自动分割工具提取每位患者的放射组学特征。我们使用一致性相关系数 (CCC) 来评估原始 FBP (oFBP) 与原始 ADMIRE (oADMIRE)、oFBP 与转换后的 FBP (cFBP) 以及 oADMIRE 与转换后的 ADMIRE (cADMIRE) 的放射组学再现性。

 结果


在包括 30 名患者的测试组中,oFBP 与 oADMIRE 的 CCC 和可重现特征比例 (CCC ≥ 0.85) 对于 LAP 分别为 0.65 和 32.9% (524/1595),对于 PVP 分别为 0.65 和 35.9% (573/1595), DP 为 0.69 和 43.8% (699/1595)。对于 oFBP 与 cFBP,LAP 的值增加至 0.92 和 83.9% (1339/1595),PVP 的值增加至 0.89 和 71.0% (1133/1595),DP 的值增加至 0.90 和 79.7% (1271/1595)。同样,对于 oADMIRE 与 cADMIRE,LAP 的值增加到 0.87 和 68.1% (1086/1595),PVP 的值增加到 0.91 和 82.1% (1309/1595),DP 的值增加到 0.89 和 76.2% (1216/1595)。

 结论


CT 重建算法之间基于 CNN 的图像转换提高了 HCC 的放射组学再现性。


临床相关性声明


这项研究表明,使用基于 CNN 的图像转换技术可显着提高 HCC 放射组学特征的再现性,凸显其增强 HCC 患者放射组学研究的潜力。

 关键点


  • 通过两种不同 CT 重建算法之间基于 CNN 的图像转换,提高了 HCC 的放射组学再现性。


  • 这是第一项证明 HCC 患者一系列放射组学特征有所改善的临床研究。


  • 这项研究促进了放射组学研究中不同 CT 重建算法的可重复性和通用性。





"点击查看英文标题和摘要"

更新日期:2023-09-01
down
wechat
bug