CT窗口设置对人工智能分类肺部病变结果的影响

作者:程晓悦; 吴晓华*; 郝优; 贺文; 李华; 刘佳宝; 曹邱婷
来源:CT理论与应用研究, 2023, 32(04): 515-522.
DOI:10.15953/j.ctta.2022.210

摘要

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(1 500,-600),纵隔窗(350,40),自定义窗口1(SW1)(1 000,40),自定义窗口2(SW2)(1 000,-100),全窗(4 096,1 024),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。

  • 单位
    首都医科大学附属北京友谊医院

全文