基于深度学习模型对新型冠状病毒肺炎的定量CT研究

作者：杨雯; 辛小燕; 张艳秋; 邵明冉; 刘柏韵; 朱斌; 周科峰; 张冰^*

来源：医学影像学杂志, 2021, 31(06): 985-988.

• 新型冠状病毒肺炎
• 深度学习分割
• 体层摄影术,X线计算机

目的探讨深度学习模型在新型冠状病毒肺炎的诊断、病情评估及与非新型冠状病毒肺炎的鉴别诊断价值。方法选取并分析南京大学医学院附属鼓楼医院确诊的9例普通型新型冠状病毒肺炎(coronavirus disease-2019 pneumonia,COVID-19)患者(COVID-19组,新冠组)及25例非新型冠状病毒肺炎(community-acquired pneumonia,CAP)患者(CAP组,非新冠组)的胸部CT扫描图像和临床资料,通过深度学习分割方法进行图像分割,分割内容包括感染肺叶数、感染体积及其在肺部总体积中的占比等参数。分析两组患者的临床表现和实验室结果,比较两组患者的深度学习分割结果的差异。感染体积在肺部体积总占比及其在位置上的分布情况以平均值以及95%置信区间显示;两组之间感染肺叶数的比较采用Fisher确切概率法,两组之间肺炎病灶占整肺体积百分比之间的比较采用Mann-Whitney U检验(非正态分布)。结果采用深度学习分割方法可以对两组所有肺炎患者进行快速图像分割,平均分割时间为10s/例。新冠组与非新冠组在白细胞及淋巴细胞计数差异有统计学意义(P <0.05)。与非新冠组相比,普通型COVID-19组中的感染肺叶数显著少于CAP组(2.11 vs. 3.24,P <0.05),感染肺叶数与感染病变的分布及位置无显著差异;感染总体积占比在两组间无显著性差异。结论深度学习分割的方法能够迅速进行肺炎整体病灶的自动分割,定量评估病变范围,与CAP组也具有一定的鉴别诊断价值,为探究COVID-19提供了一种CT的定量方法。

• 单位
  北京推想科技有限公司; 南京大学医学院附属鼓楼医院