一种用于肺部疾病CT图像定量自动分析的患者特异性方法：在COVID-19患者中的应用
医学物理
2021-01-13 v1 机器学习
摘要
肺部计算机断层扫描（CT）图像中的定量指标已被广泛使用，但往往与生理学缺乏明确联系。本工作提出一种用于估计CT图像中肺部良好充气体积（WAVE）的与患者无关的模型。对肺部的低CT直方图数据点应用具有均值（Mu.f）和宽度（Sigma.f）的高斯拟合，以估计良好充气肺体积（WAVE.f）。使用健康肺CT图像和4DCT采集分析了其对CT重建参数和呼吸周期的无关性。针对第三组COVID-19患者计算的高斯指标和一阶放射组学特征与健康肺进行了比较。进一步将每个肺分割为24个子区域，并提出一种源自高斯拟合参数Mu.f的新生物标志物以表示局部密度变化。WAVE.f在80%的病例中与呼吸运动无关。比较中等迭代强度和FBP算法、1和3 mm层厚以及不同重建核时，结果差异分别为1%、2%和高达14%。所有计算指标上，健康受试者与COVID-19患者均存在显著差异。局部生物标志物的图形表示在单张2D图像中提供空间和定量信息。与基于固定直方图阈值的其他指标不同，该模型能够考虑受试者间和受试者内的变异性。此外，它定义了一种局部生物标志物以量化疾病严重程度，且与观察者无关。
引用
@article{arxiv.2101.04430,
title = {A patient-specific approach for quantitative and automatic analysis of computed tomography images in lung disease: application to COVID-19 patients},
author = {L. Berta and C. De Mattia and F. Rizzetto and S. Carrazza and P. E. Colombo and R. Fumagalli and T. Langer and D. Lizio and A. Vanzulli and A. Torresin},
journal= {arXiv preprint arXiv:2101.04430},
year = {2021}
}
备注
31 pages, 7 figures, accepted in EJMP