利用深度学习从胸片像素级厚度图估算全肺体积

目的：利用 U-Net 深度学习模型生成的肺厚度图，在像素级上从真实与合成正面胸片（CXR）估算全肺体积（TLV）。方法：本回顾性研究纳入来自两个公共数据集的 5,959 例胸部 CT 扫描：肺结节分析 2016（n=656）与北美放射学会（RSNA）2020 肺栓塞检测挑战（n=5,303）。此外，从 Klinikum Rechts der Isar 数据集（2018 年 10 月至 2019 年 12 月）选取 72 名受试者，每人有七天内拍摄的相应胸片。利用 CT 扫描及其肺分割的前向投影生成合成放射照片与肺厚度图。在合成放射照片上训练 U-Net 模型以预测肺厚度图并估算 TLV。使用均方误差（MSE）、皮尔逊相关系数（r）和双侧 Student t 分布评估模型性能。结果：研究纳入 72 名受试者（男 45，女 27；33 名健康：平均 age 62 岁 [范围 34-80]；39 名患慢性阻塞性肺病：平均 age 69 岁 [范围 47-91]）。TLV 预测显示低误差率（$MSE_{Public-Synthetic}$=0.16 $L^2$，$MSE_{KRI-Synthetic}$=0.20 $L^2$，$MSE_{KRI-Real}$=0.35 $L^2$）且与 CT 衍生的参考标准 TLV 强相关（$n_{Public-Synthetic}$=1,191，r=0.99，P<0.001；$n_{KRI-Synthetic}$=72，r=0.97，P<0.001；$n_{KRI-Real}$=72，r=0.91，P<0.001）。Luna16 测试数据表现出最高性能，TLV 估算的均方误差最低（MSE = 0.09 $L^2$），相关性最强（r = 0.99，P <0.001）。结论：U-Net 生成的像素级肺厚度图成功估算了合成与真实放射照片的 TLV。