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

• 人工智能
• CT窗技术
• 3D CNN
• 肺部病变

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