用于胸部CT骨质疏松筛查的深度学习模型，支持低管电压成像

《European Spine Journal》：Deep learning model for osteoporosis screening on chest CT with low tube voltage

本研究基于100kV低管电压胸部CT影像，开发了包含骨PSPNet和Ost-ClassNet两级网络的深度学习模型，用于骨质疏松筛查。通过649例患者数据训练和测试，模型在区分骨质疏松与低骨量患者时灵敏度达100%，AUC为0.978，验证了其良好的分类性能。

　　

摘要

目的

本研究的目的是基于低管电压（100 kV）胸部CT获取的胸椎图像，开发一种用于骨质疏松症筛查的深度学习（DL）模型，以定量计算机断层扫描（QCT）作为参考标准。

方法

2022年5月至2024年1月期间，共有649名接受过低管电压胸部CT和腰椎QCT检查的患者被纳入本研究，其中518例用于训练集，131例用于测试集。根据QCT结果，患者被分为正常骨密度（BMD）、骨量减少和骨质疏松症三类。研究使用T5-T8区域的CT图像，并通过Bone-PSPNet和Ost-ClassNet两级网络构建了深度学习模型。通过接收者操作特征曲线（ROC）分析来评估这些模型的分类性能。

结果

在区分骨质疏松症患者与非骨质疏松症患者（正常BMD和骨量减少）方面，基础深度学习模型表现出较高的敏感性（1）和AUC值（0.978）。在区分低BMD（骨量减少和骨质疏松症）与正常BMD方面，该模型的敏感性为0.969，AUC值为0.945。

结论

本研究基于低管电压胸部CT图像开发了一种深度学习模型，用于自动识别骨质疏松症，该模型展现了良好的分类性能。

目的

本研究的目的是基于低管电压（100 kV）胸部CT获取的胸椎图像，开发一种用于骨质疏松症筛查的深度学习（DL）模型，以定量计算机断层扫描（QCT）作为参考标准。

方法

2022年5月至2024年1月期间，共有649名患者被纳入本研究，其中518例接受过低管电压胸部CT检查，131例接受过腰椎QCT检查。根据QCT结果，患者被分为正常骨密度（BMD）、骨量减少和骨质疏松症三类。研究使用T5-T8区域的CT图像，并通过Bone-PSPNet和Ost-ClassNet两级网络构建了深度学习模型。通过接收者操作特征曲线（ROC）分析来评估这些模型的分类性能。

结果

在区分骨质疏松症患者与非骨质疏松症患者（正常BMD和骨量减少）方面，基础深度学习模型表现出较高的敏感性（1）和AUC值（0.978）。在区分低BMD（骨量减少和骨质疏松症）与正常BMD方面，该模型的敏感性为0.969，AUC值为0.945。

结论

本研究基于低管电压胸部CT图像开发了一种深度学习模型，用于自动识别骨质疏松症，该模型展现了良好的分类性能。