低剂量CT对机器深度学习检测肺结节体积及长径影响的体模研究

摘要

目的 探讨低剂量扫描条件下机器深度学习对仿真胸部体模肺结节三维容积及长径测量准确度的影响.方法 将12枚模拟肺结节随机放置于体模内两肺上、中、下叶,结节直径分为4种(5 mm,8 mm,10 mm,12 mm),每种直径结节都有3种CT密度值(100 HU,-630 HU,-800 HU),由GE Revolution256排螺旋CT分别在100 kVp、120 kVp,噪声指数(NI)=12分别对体模进行重复扫描,重建1.25 mm层厚肺算法图像,应用机器深度学习软件读取分析CT图像,记录肺结节性质、长径、体积等数据信息,利用公式计算长径、体积测量的绝对错误率(APE):APE=100×(V测量-V实际)/V实际,使用配对样本t检验分析比较2种扫描条件下结节长径和体积测量准确度APE的大小.结果 按照管电压的不同进行分组比较,发现在120 kVp和100 kVp扫描条件下APE直径、APE体积均无统计学差异(P值分别为0.885、0.995).结论 管电压的改变不影响机器深度学习检测肺结节长径及三维体积测量精度,低剂量扫描条件下人工智能对肺结节的检测结果是可信的.