基于深度学习的算法的开发和验证，用于量化儿童计算机断层扫描中的细支气管炎闭塞症

《British Journal of Radiology》：Development and validation of a deep learning-based algorithm for quantifying bronchiolitis obliterans in pediatric computed tomography

本研究开发并验证了一种基于3D nnU-Net的深度学习算法，用于量化儿童支气管闭塞性细支气管炎（BO）的胸部CT影像，结果显示模型与放射科医生评分高度相关，具有良好可靠性和可重复性。

　　

摘要

目标

开发并验证一种基于深度学习的算法，用于量化儿童胸部CT图像中的闭塞性细支气管炎（BO）。

方法

这项回顾性研究纳入了86名儿童（39名男性；中位年龄10岁），这些儿童被诊断为BO，并在2018年1月至2021年11月期间接受了吸气和呼气CT检查。基于深度学习的BO量化模型使用3D nnU-Net进行训练，以放射科医生标注的低衰减区域（LARs）作为真实值。通过4张CT图像的内部测试和6张CT图像的外部测试来评估模型性能。使用22张CT图像（采用不同的重建方法、核类型和切片厚度）来评估模型在不同供应商间的稳定性。另外，还使用28张CT图像与放射科医生的半定量评分进行了比较。模型性能通过Dice相似系数（DSC）、灵敏度和精确度进行评估。

结果

模型在内部测试中的DSC为85.41±3.28%，灵敏度为85.14±7.66%，精确度为86.21±3.92%；在外部测试中的相应指标分别为82.53±4.34%、82.17±6.15%和84.15±3.16%。在模型稳定性方面，不同重建方法、核类型和切片厚度之间未观察到显著差异（所有p>0.05）。与放射科医生的评分相比，模型在所有肺叶中显示出强到非常强的相关性（所有p<0.001）。

结论

该模型能够准确量化儿童CT图像中的BO，并与放射科医生标注的真实值保持良好一致。

知识进展

本研究提出了一种基于3D nnU-Net的深度学习算法，用于儿童CT图像中BO的稳健量化，能够提供可重复的低衰减区域测量结果。