文摘

背景和目的。有效的肺结节分割可以有效地协助诊断肺结节的良恶性。我们的目标是探索分类和分割算法的有效性在诊断肺结节的良恶性在不同CT重建。方法。55例胸部CT的成像数据普通扫描回顾性搜集宣城人民医院。每个病人的数据包括肺窗重建、纵隔重建和骨重建的窗口。神经网络深度和3 d卷积神经网络被用来构建模型和训练的分类和分割算法。病理结果的黄金标准肺结节的良恶性。下的分类和分割算法三个CT重建算法进行了比较和分析,方差分析。结果。下三个CT重建算法,肺结节密度类型的分类精度为98.2%,96.4%,和94.5%,分别。所有的骰子系数结节分割 , ,和 ,分别。肺结节的良恶性之间的诊断精度在不同的重建算法是98.2%,96.4%,和94.5%,分别。没有显著差异的分类准确性,骰子系数,和诊断精度下的肺结节(所有三个不同的重建算法 )。结论。深度神经网络算法结合3 d卷积神经网络具有良好的识别效率不同CT重建下肺结节的良恶性分类和分割算法。

1。介绍

肺癌的死亡率居世界第一。这是最恶性肿瘤之一,威胁人类健康。对于肺癌,只有早期诊断和治疗可以减少死亡率,延长患者的生存时间(1- - - - - -4]。恶性肺结节通常表明疾病的恶化进展,和更积极的和有针对性的治疗需要预防疾病的持续恶化。因此,准确的肺结节的良恶性分类可以是一个很好的辅助治疗病人的疾病。高分辨率CT是最常用的手段,准确检测肺结节。随着高分辨率CT的更广泛应用,医生诊断成像的负担是增加5,6]。没有经验的成像医生更有可能错过诊断及误诊。

近年来,人工智能(AI)技术已广泛应用于各种行业7- - - - - -9]。AI-aided诊断系统的应用基于深度学习在成像诊断肺结节迅速取得进展的问题,并改进了早期肺癌检出率(10- - - - - -12]。应用人工智能技术筛选大量的CT图像和马克可疑结节病变初步可以帮助成像三级医院的医生,减少工作量,提高诊断准确性。这项技术也可以帮助草根影像医生和减少漏诊的结节(13]。

CT成像质量受到很多因素的影响,包括辐射剂量、重建层厚度,和重建算法(14]。良性和恶性肺结节的早期识别可以帮助医生准确诊断和采取适当的临床治疗措施。因此,本研究拟设计一个肺结节的分类和分割算法,可以稳定在不同重建算法。三维卷积神经网络用于我的肺结节的影像学特征。递归神经网络集成的注意机制是用来有效利用肺结节的全球和本地上下文信息(15,16]。这两个分类和分割任务用于共同学习,相互补充,以帮助模型进一步改善效果区分和更准确地评价肺结节的良恶性。

2。材料和方法

2.1。通用数据

共有55名患者胸部CT检查在宣城人民医院从2018年10月到2020年12月回顾性收集,包括23个男性和32岁女性,年龄 年。入选标准:(1)肺结节被发现;(2)胸部CT纯扫描图像重建算法包括三个:肺窗重建、纵隔重建和骨重建。排除标准:(1)过度呼吸运动构件影响CT质量;(2)多个肺结节。

2.2。仪器和方法

通用电气(Optima CT670) 64片采用螺旋CT:管电压120 kV,管电流39 mAs,距0.8和层厚度5毫米;飞利浦(光辉)16片螺旋CT扫描:管电压120 kV,管电流自动调整,球场1层厚度5毫米;扫描范围的上边缘胸锁关节是肺的底部和憋气时间扫描结束时吸气。肺窗口的图像重建、纵隔重建和骨窗重建进行了评估。

2.3。肺结节的建设模式

我们的研究开始从模型中提取的特性来构建一个算法模型具有深远的影响。多个步骤被用来增强特性的表征能力和抵抗重建算法的变化的影响。的具体框架模型图所示1。

模型设计主要从以下四点:(1)深层神经网络代替传统的机器学习自动学习功能数据驱动的方式,以避免定义特征基于规则的局限性传统机器学习(2)与二维卷积神经网络常用的自然图像,三维卷积神经网络在这个研究可以捕获更多的肺结节的空间上下文信息(3)递归神经网络的注意机制构建,和3 d卷积神经网络取代了递归神经网络的矩阵乘法。subfocus观察过程中不同区域的结节在日常电影阅读是由递归神经网络建模为一个时间序列的过程。通过不断迭代,注意力地图是在每次迭代生成时间,不同的地方结节的细节特征提取,融合多区的特性(4)上层模型的设计采用多任务学习的方法来预测结节同时轮廓和结节密度类型。通过这种方式,两个任务是相辅相成的。在学习结节区域,我们可以注意到不同密度的影响,模型可以帮助进一步提高识别精度的两个任务

2.4。测试过程

的检测和定性诊断肺结节的影像学医师,一位居民应当首先检测高分辨率薄层胸部CT图像上的结节和诊断良性可能或可疑恶性节点根据大小、密度、形状、和关系与周围血管和支气管,然后由副主任医师完成考试。另外两个成像具有高级专业技术职称医师结合人工智能和提交审查报告结节探测和识别形象。当他们不同意,他们结合多平面重建和讨论获得一致的结果,将作为真正的黄金标准结节检测。诊断肺结节的良恶性的黄金标准是术后病理结果。密度、大小、良性和恶性结节的记录,分别。结节分为固体结节和磨砂玻璃结节。为了进一步探索深度学习模型轮廓分割的影响,结节分割获得的最大横截面直径的影响模型在不同大小的结节。结节的大小分为< 3毫米直径≥3毫米。

2.5。评价指标的分类和分割肺结节

平均CT密度分类精度指数用于肺结节密度分类,每个肺结节的平均骰子系数是用于肺结节分割。骰子系数的计算公式如下: 在哪里 代表系统模型之间的重叠区域分割和黄金标准 代表的总和结节区域分段模型和相应的结节区域的黄金标准。当模型分割的结果是符合黄金标准的相关后果,骰子系数是1;当两个不重叠,骰子系数为0。

2.6。统计处理

在这项研究中,使用SPSS 22.0统计软件进行数据分析和处理;肺结节密度分类的准确性和骰子分割系数被SciPy 1.4.1计算软件。年龄和密度分类的准确性和骰子系数符合正态分布,表达 ;率和频率被用来描述结节的数量。方差分析是用于比较分类准确性和肺结节分割骰子系数在三组不同的CT重建算法。检验水准 。

3所示。结果

3.1。分类结果的肺结节密度类型下三个CT重建算法

在三个不同的CT重建算法,55 CT结节的分类精度和分类准确性的固体和subsolid结节高(表1)。差异没有统计学意义( )。

3.2。下的模型的肺结节分割结果三个CT重建算法

肺重建、纵隔重建和骨重建,骰子系数没有显著差异的结节,结节和subsolid下结节(所有三个不同的重建算法 )(表2)。

在三个不同的CT重建算法,骰子系数随着直径的增加增加肺结节(图2)。

3.3。结果良性和恶性的诊断模型三下肺结节CT重建算法

从术后病理结果,有29例恶性肺结节(图3)和26例良性肺结节(图4)。三个重建算法的结果确定良性和恶性肺结节如表所示3。之间没有显著差异的准确性良性和恶性肺结节不同重建算法(下 )。

4所示。讨论

肺癌的早期成像信号主要是肺结节。目前,肺结节的临床诊断和评估通常是通过临床数据,成像数据,肿瘤标志物,病理活检,外科治疗等。是很常见的筛选和诊断肺结节的成像方法(17,18]。胸部普通CT图像可以清晰地分辨和判断肺结节的大小、位置、形态和内部特征(19]。具有重要意义区分诊所的肺结节的良恶性。在不同的CT重建算法,医生的诊断差异很大。因此,至关重要的是观察的影响在不同的CT图像重建算法在良性和恶性肺结节模型和医生的诊断(20.- - - - - -22]。纵隔重建的图像平滑,骨头窗口中的图像重建是锋利的,肺窗口中的图像重建之间的两个。不同的窗口重建可以诊断各种相关疾病(23,24]。

为了解决肺结节的自动分割和分类的不稳定性的结节密度类型在不同的CT重建算法,基于联合学习深神经网络模型的肺结节分割和密度类型分类,提出了充分利用互补的两个任务之间的相互促进(25]。同时,该模型创新集成了许多技术,如3 d卷积网络,注意机制,确保模型可以递归神经网络彻底了解肺结节的局部和全局特征(26,27]。新方法可以进行有效的特征提取的融合来提高表达能力特性来提高模型的有效性的特征提取在不同图像质量。

测试结果55肺结节的研究显示在肺结节的分类准确性无显著差异在不同重建算法( )。骰子系数没有显著差异的结节分割在不同的重建算法( )。不同的CT重建算法下的模型是稳定的。肺结节的统计结果分组根据不同大小还表明,模型效果提高结节的增加。除了结节3毫米以下,同一组的分割效果是稳定在不同的重建算法。良性和恶性结节的轮廓分段模型在不同的重建算法非常相似,保持较高的一致性和差异没有统计学意义( )。此外,通过分析模型与不同大小的结节的影响,发现穷人分割效果主要集中在micronodules直径小于3毫米。micronodules很小的大小,边界是不容易确定,导致骰子的偏差系数指数。然而,由于结节的增加,模型的影响继续改善,和大结节的临床分析具有更大的意义,这表明该模型满足临床的需要。良性和恶性结节,与不同的重建算法模型在诊断肺结节的良恶性有灵敏度高,差异没有统计学意义( )。

5。结论

总之,本文中的模型构造显示了良好的性能在肺结节分割和密度类型分类和稳定在不同CT重建算法和具有良好的肺结节的良恶性诊断效率,这表明它有一定的临床实用价值。由于规模小的情况下,该方法具有更少的分类subsolid结节,缺乏一定的验证。未来的研究可以添加数据来验证模型的有效性。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

所有作者声明没有利益冲突。