基于深度学习的CT肺腺癌病理分类辅助诊断研究

发布时间：2021-10-07 07:53

　　目的通过应用基于深度学习的人工智能辅助诊断系统评估不同病理分类肺腺癌间CT形态学征象、定量参数及预测得分的差异,分析系统对直径≤3cm肺腺癌病理分类的应用价值并评价其预测表现。方法回顾性分析713例经病理证实且病灶直径≤3cm的肺腺癌患者的CT图像,按照2:1的比例随机分为训练组和验证组,各476例、237例。按照病理类型分为浸润前病变（AAH及AIS）、微浸润腺癌（MIA）及浸润性腺癌（IAC）三组。采用Discovery CT750扫描机进行低剂量胸部平扫,将扫描图像行1.25mm薄层重建后上传至PACS系统。采用融合全卷积网络（FCN）、端到端的目标检测模型（SSD）与长短期记忆网络模型（LTSM）的两阶段级联3D-CNN模型。由3名高年资影像医师共同标注476例训练组病例的CT形态学特征,并根据肺腺癌的浸润程度划分4个等级。训练深度学习模型并利用237例验证组数据测试该模型,分析验证组病灶的CT形态学征象,并自动测算出病灶的CT定量参数,包括:结节三维最大长径、短径、体积以及最大CT值、最小CT值、平均CT值。按2-5级评分对肺腺癌病理类型进行预测,比较各组间参数差异。多组间比... 

【文章来源】：安徽医科大学安徽省

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

图1两阶段级联3D-CNN模型原理图

安徽医科大学硕士学位论文12灶ROI，对每例病灶形态学征象作出分析，并自动测算出三维状态下肺结节的CT定量参数，包括：结节三维最大长短径、体积以及最大、最孝平均CT值。按2-5级评分对肺腺癌浸润程度进行预测，分别与病理结果对照（见图2-4）。图1两阶段级联3D-CNN模型原理图Fig1Thetwo-stagecascade3D-CNNmodelschematicdiagram注：患者女，36岁，AIS，左肺下叶结节，AI测算：长径9.3mm，短径6.9mm，体积334mm3，AI预测得分3分。图2AI诊断的原位腺癌CT图像Fig2CTimagesofadenocarcinomainsitudiagnosedbyartificialintelligence注：患者男，51岁，MIA，左肺上叶结节，AI测算：长径14.7mm，短径12.1mm，体积1035mm3，AI预测得分4分。图3AI诊断的微浸润腺癌CT图像Fig3CTimagesofmicroinvasiveadenocarcinomadiagnosedbyartificialintelligence注：患者女，54岁，IAC，右肺上叶结节，AI测算：长径18.9mm，短径15.4mm，体积2748mm3，AI预测得分5分。图4AI诊断的浸润性腺癌CT图像Fig4CTimagesofinvasiveadenocarcinomadiagnosedbyartificialintelligence2.4统计学分析

安徽医科大学硕士学位论文18图5AI测算的病灶大小指标鉴别诊断浸润前病变与浸润性病变的ROC曲线分析Fig5ROCcurveanalysisforthedifferentialdiagnosisofpreinvasivelesionsandinfiltratinglesionsbysizeindexwhichcalculatedbyartificialintelligence3.5浸润前病变与浸润性病变之间CT值及AI预测得分ROC曲线分析对浸润前病变与浸润性病变之间CT值及AI预测得分绘制ROC曲线并进行分析（见表7、图6-7），当病灶最大CT值＞-57HU时，AUC=0.805，诊断浸润性病变的敏感度、特异度分别为79.4%、80.5%；病灶最小CT值＞-497.5HU时，AUC=0.44，诊断浸润性病变的敏感度、特异度分别为66.9%、71.4%；病灶平均CT值＞-740HU时，AUC=0.892，诊断浸润性病变的敏感度、特异度分别为79.3%、92.2%。当AI预测得分＞3.5分时，AUC=0.873，诊断浸润性病变的敏感度、特异度分别为81.9%、84.4%。最大、平均CT值及AI预测得分均对诊断浸润性病变具有较好的诊断效能。


本文编号：3421651