
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于3D-ResNet18的腹部CT对比剂时相自动识别及动脉期时序不佳关联因素分析
《BMC Medical Imaging》:Deep learning-based detection of suboptimal arterial phase timing in abdominal CT: prevalence and associated patient factors
【字体: 大 中 小 】 时间:2026年10月09日 来源:BMC Medical Imaging 3.9
编辑推荐:
摘要背景开发一种深度学习方法来自动识别腹部CT的对比剂时相,并表征血流动力学改变的患者中动脉时相时序不佳的情况。方法使用来自1,160名患者的3,129例CT序列训练了3D-ResNet18模型,以分类四种对比时相:平扫、早期动脉期(AP)、晚期动脉期和门静脉期(PVP)。在
开发一种深度学习方法来自动识别腹部CT的对比剂时相,并表征血流动力学改变的患者中动脉时相时序不佳的情况。
使用来自1,160名患者的3,129例CT序列训练了3D-ResNet18模型,以分类四种对比时相:平扫、早期动脉期(AP)、晚期动脉期和门静脉期(PVP)。在内部测试数据(710名患者)和外部验证(WAW-TACE数据集,233名患者;将早期和晚期AP合并的三分类任务)上,使用精确率、敏感度、特异度、F1分数和AUC评估了性能。梯度加权类激活映射增强了可解释性。Logistic回归评估了当计划采集晚期动脉期但实际捕获早期动脉期时的患者相关因素。
内部测试F1分数分别为:平扫1.00,早期AP 0.92,晚期AP 0.88,PVP 0.98。外部验证显示可比的三分类性能,F1分数在0.96到0.99之间。在评估的五个模型中,3D-ResNet18在内部测试集上获得了最高的宏平均F1分数(0.943;95% CI,0.930–0.954)。Grad-CAM显示对血管和实质强化的临床适当关注。年龄较大(>60岁;OR,1.854;P = 0.001)、肝硬化(OR,4.461;P < 0.001)、腹水(OR,2.598;P = 0.001)和胰腺癌(OR,7.103;P < 0.001)是早期AP捕获的独立相关因素。
该深度学习算法在内部测试中实现了优秀的四时相分类性能,并在外部验证中获得了稳健的三分类性能;早期与晚期动脉期的区分本身未经过外部验证。观察到的关联表明,固定时序方案可能无法完全适应患者间动脉强化的差异。该模型可支持方案审核以及多时相放射组学和深度学习的研究应用,而个性化时序策略需要前瞻性验证。
开发一种深度学习方法来自动识别腹部CT的对比剂时相,并表征血流动力学改变的患者中动脉时相时序不佳的情况。
使用来自1,160名患者的3,129例CT序列训练了3D-ResNet18模型,以分类四种对比时相:平扫、早期动脉期(AP)、晚期动脉期和门静脉期(PVP)。在内部测试数据(710名患者)和外部验证(WAW-TACE数据集,233名患者;将早期和晚期AP合并的三分类任务)上,使用精确率、敏感度、特异度、F1分数和AUC评估了性能。梯度加权类激活映射增强了可解释性。Logistic回归评估了当计划采集晚期动脉期但实际捕获早期动脉期时的患者相关因素。
内部测试F1分数分别为:平扫1.00,早期AP 0.92,晚期AP 0.88,PVP 0.98。外部验证显示可比的三分类性能,F1分数在0.96到0.99之间。在评估的五个模型中,3D-ResNet18在内部测试集上获得了最高的宏平均F1分数(0.943;95% CI,0.930–0.954)。Grad-CAM显示对血管和实质强化的临床适当关注。年龄较大(>60岁;OR,1.854;P = 0.001)、肝硬化(OR,4.461;P < 0.001)、腹水(OR,2.598;P = 0.001)和胰腺癌(OR,7.103;P < 0.001)是早期AP捕获的独立相关因素。
该深度学习算法在内部测试中实现了优秀的四时相分类性能,并在外部验证中获得了稳健的三分类性能;早期与晚期动脉期的区分本身未经过外部验证。观察到的关联表明,固定时序方案可能无法完全适应患者间动脉强化的差异。该模型可支持方案审核以及多时相放射组学和深度学习的研究应用,而个性化时序策略需要前瞻性验证。