不同CT圖像重建算法下基于深度學習的肺結節檢測算法效能
關鍵詞：肺結節 深度學習 重建算法 體層攝影術 x線計算機
摘要：目的探索CT圖像重建算法對于基于深度學習(DL)的肺結節檢測算法的影響。方法選取298例接受肺部CT檢查患者,依次采用肺窗重建、縱隔重建、骨窗重建3種算法重建CT圖像。先由2名主治醫師對入組病例進行標注,結果不一致時由1名高年資醫師進行審核,以結果作為金標準。以深度神經網絡為基礎構建肺結節檢測算法,與醫師標注結果進行比對,得到算法在不同重建方法下檢出肺結節的敏感度、準確率、F分數等指標以及模型檢出的假陽性分布,對比分析模型在不同CT圖像重建算法下的診斷效果。結果基于DL的肺結節檢測算法在肺重建、縱隔重建和骨重建3種重建方法下的敏感度分別為92.33%(313/339)、86.97%(287/330)及92.73%(319/344),準確率分別為23.55%(313/1329)、37.91%(287/757)及27.84%(319/1146),F分數分別為0.38、0.53及0.43,3種算法重建下模型檢出敏感度、模型誤檢結節類型與醫師漏標結節類型差異均無統計學意義(P均>0.05)。結論基于DL的肺結節檢測算法在肺窗、縱隔和骨窗重建下均性能優良,能幫助醫生提高工作效率和診斷質量。
中國醫學影像技術雜志要求:
{1}作者簡介包括：姓名、服務單位、學歷、學位、職稱、職務等。另外，請注明通信地址、聯系電話、電子信箱。
{2}本刊實行專家盲審制度，稿件正文中不宜出現任何個人信息。
{3}一級標題用一、二、三……；二級標題用（一）、（二）、（三）……；三級標題用阿拉伯數字編號1.、2.、3.……；四級標題用（1）、（2）、（3）……。
{4}使用資料、數據、引文務求核查無誤，并注明出處、版本、頁碼。例句、引文等出處（書名、報刊名）一律用書名號，依次為：作者、書名或文章名、出版社或報刊名、時間、頁碼。
{5}來稿附中/英文摘要（200字以內）和中英文對照關鍵詞（3-5個）。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
