目的探讨肺部CT成像联合深度学习对肺栓塞的诊断价值。方法选取行肺部CT检查的疑似肺栓塞患者117例,根据诊断方法不同分为对照组(n=117)和观察组(n=117)。对照组由影像科医师行常规肺部CT诊断,观察组在对照组的基础上联合深度学习模型RE...目的探讨肺部CT成像联合深度学习对肺栓塞的诊断价值。方法选取行肺部CT检查的疑似肺栓塞患者117例,根据诊断方法不同分为对照组(n=117)和观察组(n=117)。对照组由影像科医师行常规肺部CT诊断,观察组在对照组的基础上联合深度学习模型REUNet辅助诊断。REUNet模型主要包括两部分:特征提取使用ResNet网络,通过引入残差连接,可让模型更好地学习CT成像的底层细节特征;目标检测部分采用UNet网络,通过网络的编解码结构,充分利用CT成像信息,提高栓子检测的准确率和细节保留能力。以2位高年资影像科医师综合诊断结果为金标准,收集并分析两组诊断效能与诊断时间。结果金标准诊断43例阳性,74例阴性;观察组对肺栓塞诊断的敏感度、特异度、准确率、阳性预测值和阴性预测值均高于对照组,差异有统计学意义(P<0.05);观察组诊断时间低于对照组,差异有统计学意义(P<0.05);观察组曲线下面积(area under curve,AUC)与Kappa值均高于对照组,差异有统计学意义(P<0.05)。结论肺部CT成像联合深度学习模型REUNet辅助诊断可以提高对肺栓塞的诊断准确率和诊断效能,减少诊断时间,而且通过计算CT肺动脉栓塞指数和心血管结构的测量,量化分析肺动脉血管的阻塞程度,并对右心功能进行评价,有利于肺栓塞早期快速治疗。展开更多
文摘目的探讨肺部CT成像联合深度学习对肺栓塞的诊断价值。方法选取行肺部CT检查的疑似肺栓塞患者117例,根据诊断方法不同分为对照组(n=117)和观察组(n=117)。对照组由影像科医师行常规肺部CT诊断,观察组在对照组的基础上联合深度学习模型REUNet辅助诊断。REUNet模型主要包括两部分:特征提取使用ResNet网络,通过引入残差连接,可让模型更好地学习CT成像的底层细节特征;目标检测部分采用UNet网络,通过网络的编解码结构,充分利用CT成像信息,提高栓子检测的准确率和细节保留能力。以2位高年资影像科医师综合诊断结果为金标准,收集并分析两组诊断效能与诊断时间。结果金标准诊断43例阳性,74例阴性;观察组对肺栓塞诊断的敏感度、特异度、准确率、阳性预测值和阴性预测值均高于对照组,差异有统计学意义(P<0.05);观察组诊断时间低于对照组,差异有统计学意义(P<0.05);观察组曲线下面积(area under curve,AUC)与Kappa值均高于对照组,差异有统计学意义(P<0.05)。结论肺部CT成像联合深度学习模型REUNet辅助诊断可以提高对肺栓塞的诊断准确率和诊断效能,减少诊断时间,而且通过计算CT肺动脉栓塞指数和心血管结构的测量,量化分析肺动脉血管的阻塞程度,并对右心功能进行评价,有利于肺栓塞早期快速治疗。
