CT窗口设置对人工智能分类肺部病变结果的影响
目的:应用3种不同的3D CNN的算法及5种CT窗口设置,探讨CT窗技术对人工智能分类肺部病变结果的影响.方法:回顾性分析172例周围型肺癌及185例局灶性肺炎的胸部CT影像资料,选择ResNet、ResNext以及DenseNet 3种不同的3D CNN的算法将病变分为两组,并在每1种3D CNN算法处理过程中应用5种不同的CT窗口设置,包括肺窗(1500,-600),纵隔窗(350,40),自定义窗口1(SW1)(1000,40),自定义窗口 2(SW2)(1000,-100),全窗(4096,1024),分别计算分类准确率及AUC结果,并进行ROC曲线的两两对比.结果:ResNet的平均分类准确率最低为纵隔窗85.732％,AUC值为0.871;平均分类准确率最高为全窗,达91.596％,AUC值为0.946.ResNext的平均分类准确率最低为纵隔窗81.528％,AUC值为0.814;平均分类准确率最高为全窗,达86.568％,AUC值为0.882.DenseNet的平均分类准确率最低为纵隔窗87.954％,AUC值为0.906;平均分类准确率最高为SW2,达93.274％,AUC值为0.951.应用medcalc将3种3D CNN的5种窗口下的ROC曲线进行了两两对比发现,纵隔窗与肺窗、纵隔窗与SW1、纵隔窗与SW2之间的AUC值比较均有统计学意义.结论:3种3D CNN的分类诊断效能差别不大;CT窗口设置对CNN分类肺部病变结果有影响,在纵隔窗设置下以上3种人工智能算法对该两类肺部病变的诊断效能最差.
人工智能、CT窗技术、3D CNN、肺部病变
32
O242;TP391;R814(计算数学)
国家中医药管理局中医药创新团队;人才支持计划项目;国家重点研发计划;国家重点基础研究发展计划（973计划）;国家自然科学基金;基于CT影像的肝脏肿瘤冷冻消融热传导数值模型与手术规划算法研究6227012006
2023-08-14（万方平台首次上网日期，不代表论文的发表时间）
共8页
515-522
