摘要
作品简介:对于气道定量或沉积研究等应用,准确的气道形态分割是至关重要的。然而,从高分辨率计算机断层扫描(HRCT)开始的人工描绘是一项耗时的任务,而通常使用的技术,如区域增长,往往会由于泄漏而产生误差。我们建议使用深度学习将这一过程自动化。
材料与方法:由873个HRCT扫描组成的高度异构数据库被用作训练集,包括吸入和呼气时的各种病理。所有扫描都是半自动标注,以获得不同的肺组织标签。
我们的深度学习分割管道由三个阶段组成。第一个网络查看整个扫描图(大幅缩小)并预测肺和身体区域。第二个网络利用这一信息,以中间分辨率预测气道。最后一个网络再次使用第二个模型的预测来精确地预测所有组织。
结果:在10个不同病理的独立测试集上,平均Dice得分为95.8%(范围:91.7%-97.7%)。定性地说,分节的气道没有显示缺失的分支。但是,与ground truth segmentation相比,可能会有一些缺口或分支被缩短。
结论:我们实现了一种自动化的气道分割方法。由于它是在一个大型的异构数据集上训练的,因此可以应用于各种扫描和疾病。即使在具有挑战性的特发性肺纤维化病例中,表现为纤维化组织、气道不规则和支气管扩张,该方法也取得了良好的效果。
脚注
引用这篇文章为:欧洲呼吸杂志2020;56:补充64,4334。
这篇摘要是在2020年ERS国际大会“前COVID-19”时代的呼吸道病毒”会议上发表的。
这是ERS国际大会的摘要。没有全文版本。本摘要的进一步资料可在以下网站获得www.ers-education.org(仅供ERS成员访问)。
- 版权所有©作者2020