目的通過應用基于深度學習的人工智能輔助診斷系統(tǒng)評估不同病理分類肺腺癌間CT形態(tài)學征象、定量參數(shù)及預測得分的差異,分析系統(tǒng)對直徑≤3cm肺腺癌病理分類的應用價值并評價其預測表現(xiàn)。方法回顧性分析713例經(jīng)病理證實且病灶直徑≤3cm的肺腺癌患者的CT圖像,按照2:1的比例隨機分為訓練組和驗證組,各476例、237例。按照病理類型分為浸潤前病變（AAH及AIS）、微浸潤腺癌（MIA）及浸潤性腺癌（IAC）三組。采用Discovery CT750掃描機進行低劑量胸部平掃,將掃描圖像行1.25mm薄層重建后上傳至PACS系統(tǒng)。采用融合全卷積網(wǎng)絡(luò)（FCN）、端到端的目標檢測模型（SSD）與長短期記憶網(wǎng)絡(luò)模型（LTSM）的兩階段級聯(lián)3D-CNN模型。由3名高年資影像醫(yī)師共同標注476例訓練組病例的CT形態(tài)學特征,并根據(jù)肺腺癌的浸潤程度劃分4個等級。訓練深度學習模型并利用237例驗證組數(shù)據(jù)測試該模型,分析驗證組病灶的CT形態(tài)學征象,并自動測算出病灶的CT定量參數(shù),包括:結(jié)節(jié)三維最大長徑、短徑、體積以及最大CT值、最小CT值、平均CT值。按2-5級評分對肺腺癌病理類型進行預測,比較各組間參數(shù)差異。多組間比... 

【文章來源】：安徽醫(yī)科大學安徽省

【文章頁數(shù)】：57 頁

【學位級別】：碩士

【部分圖文】：

圖1兩階段級聯(lián)3D-CNN模型原理圖

安徽醫(yī)科大學碩士學位論文12灶ROI，對每例病灶形態(tài)學征象作出分析，并自動測算出三維狀態(tài)下肺結(jié)節(jié)的CT定量參數(shù)，包括：結(jié)節(jié)三維最大長短徑、體積以及最大、最孝平均CT值。按2-5級評分對肺腺癌浸潤程度進行預測，分別與病理結(jié)果對照（見圖2-4）。圖1兩階段級聯(lián)3D-CNN模型原理圖Fig1Thetwo-stagecascade3D-CNNmodelschematicdiagram注：患者女，36歲，AIS，左肺下葉結(jié)節(jié)，AI測算：長徑9.3mm，短徑6.9mm，體積334mm3，AI預測得分3分。圖2AI診斷的原位腺癌CT圖像Fig2CTimagesofadenocarcinomainsitudiagnosedbyartificialintelligence注：患者男，51歲，MIA，左肺上葉結(jié)節(jié)，AI測算：長徑14.7mm，短徑12.1mm，體積1035mm3，AI預測得分4分。圖3AI診斷的微浸潤腺癌CT圖像Fig3CTimagesofmicroinvasiveadenocarcinomadiagnosedbyartificialintelligence注：患者女，54歲，IAC，右肺上葉結(jié)節(jié)，AI測算：長徑18.9mm，短徑15.4mm，體積2748mm3，AI預測得分5分。圖4AI診斷的浸潤性腺癌CT圖像Fig4CTimagesofinvasiveadenocarcinomadiagnosedbyartificialintelligence2.4統(tǒng)計學分析

安徽醫(yī)科大學碩士學位論文18圖5AI測算的病灶大小指標鑒別診斷浸潤前病變與浸潤性病變的ROC曲線分析Fig5ROCcurveanalysisforthedifferentialdiagnosisofpreinvasivelesionsandinfiltratinglesionsbysizeindexwhichcalculatedbyartificialintelligence3.5浸潤前病變與浸潤性病變之間CT值及AI預測得分ROC曲線分析對浸潤前病變與浸潤性病變之間CT值及AI預測得分繪制ROC曲線并進行分析（見表7、圖6-7），當病灶最大CT值＞-57HU時，AUC=0.805，診斷浸潤性病變的敏感度、特異度分別為79.4%、80.5%；病灶最小CT值＞-497.5HU時，AUC=0.44，診斷浸潤性病變的敏感度、特異度分別為66.9%、71.4%；病灶平均CT值＞-740HU時，AUC=0.892，診斷浸潤性病變的敏感度、特異度分別為79.3%、92.2%。當AI預測得分＞3.5分時，AUC=0.873，診斷浸潤性病變的敏感度、特異度分別為81.9%、84.4%。最大、平均CT值及AI預測得分均對診斷浸潤性病變具有較好的診斷效能。


本文編號：3421651