基于深度学习的胸部CT肝脂肪变性评估
定量方法
2022-02-08 v1
摘要
目的：早期检测肝脂肪变性以避免进展为肝硬化和癌症需要自动化方法。在此，我们开发了一种全自动化深度学习流程，用于在平扫胸部计算机断层扫描（CT）上量化肝脂肪变性。材料与方法：我们在1431名随机选取的国家肺部筛查试验（NLST）参与者的胸部CT图像上开发并评估了我们的流程。使用由专家读者进行体积肝脏分割的451例CT扫描数据集训练深度学习模型。在测试阶段，于980例CT扫描的独立数据集中，由专家读者在不同肝脏层面的三张横断面图像上通过选择三个圆形感兴趣区域手动测量肝脏衰减。此外，测试集中100例随机选取的病例由专家读者进行了体积分割。测试集中的肝脂肪变性定义为平均肝脏衰减< 40 Hounsfield unit。采用Spearman相关分析肝脏脂肪量化准确性，并计算Cohen's Kappa系数以评估肝脂肪变性预测可靠性。结果：我们的流程表现出色，体积肝脏分割的平均dice分数为0.970。自动化与专家读者测量的肝脏脂肪量化Spearman相关系数为0.954（P <0.0001）。自动评估肝脂肪变性的Cohen's kappa系数为0.875。结论：我们开发了一种基于深度学习的全自动化流程，用于胸部CT图像中肝脂肪变性的评估。凭借快速且廉价的肝脂肪变性筛查，我们的流程有潜力帮助启动预防措施以避免进展为肝硬化和癌症。
引用
@article{arxiv.2202.02377,
title = {Deep Learning-based Assessment of Hepatic Steatosis on chest CT},
author = {Zhongyi Zhang and Jakob Weiss and Jana Taron and Roman Zeleznik and Michael T. Lu and Hugo J. W. L. Aerts},
journal= {arXiv preprint arXiv:2202.02377},
year = {2022}
}