日本語AIでPubMedを検索
コンピュータ断層撮影における肺結節検出タスクのための深層学習ベースのモデルオブザーバ
Deep-learning-based model observer for a lung nodule detection task in computed tomography.
PMID: 32647740 PMCID: PMC7324744. DOI: 10.1117/1.JMI.7.4.042807.
抄録
モデルオブザーバー（MO）を用いたタスクベースの画質評価は、臨床的に関連性の高いタスクでMOと放射線技師の相関関係が確立されれば、コンピュータ断層撮影（CT）における放射線量とスキャンプロトコルの最適化に効果的なアプローチである。従来のＭＯ研究は、複雑な解剖学的背景では従来のＭＯを容易に使用できないため、典型的には、組織を模倣したファントムを使用した検出、分類、または局在化タスクに簡略化されていた。しかし、解剖学的なばらつきは、人間の診断性能に影響を与える可能性があります。 この課題を解決するために、我々は定位タスクのためのディープラーニングベースのMO(DL-MO)を開発し、以前に検証された投影ベースの病変/ノイズ挿入技術を用いて肺結節検出タスクで検証した。DL-MOの性能は、放射線量レベル、結節サイズ、結節の種類、再構成の種類を変化させた12の実験条件で、4人の放射線科医の読影者と比較した。各条件は、50例の患者コホートから生成された100回の試行（すなわち、1試行あたり30枚の画像）で構成された。DL-MOは、訓練症例のボリューム全体にわたって抽出された小さな画像ボリュームオブインタレストを用いて訓練された。各試験では、計算効率を向上させるために、DL-MOの結節検索は厚さ3mmのボリュームに限定し、放射線科医の読者にはボリューム全体をレビューするように指示した。 DL-MOと人間の読影者との間には強い相関関係が観察された（Pearsonの相関係数：0.980、95%信頼区間は[0.924, 0.994]）。また，DL-MOと人間読影者との間の平均的な性能の偏りは0.57%であった。 以上の実験結果から，提案したDL-MOは，現実的な胸部CTタスクにおける診断画像品質評価に利用できる可能性が示唆された．
Task-based image quality assessment using model observers (MOs) is an effective approach to radiation dose and scanning protocol optimization in computed tomography (CT) imaging, once the correlation between MOs and radiologists can be established in well-defined clinically relevant tasks. Conventional MO studies were typically simplified to detection, classification, or localization tasks using tissue-mimicking phantoms, as traditional MOs cannot be readily used in complex anatomical background. However, anatomical variability can affect human diagnostic performance. To address this challenge, we developed a deep-learning-based MO (DL-MO) for localization tasks and validated in a lung nodule detection task, using previously validated projection-based lesion-/noise-insertion techniques. The DL-MO performance was compared with 4 radiologist readers over 12 experimental conditions, involving varying radiation dose levels, nodule sizes, nodule types, and reconstruction types. Each condition consisted of 100 trials (i.e., 30 images per trial) generated from a patient cohort of 50 cases. DL-MO was trained using small image volume-of-interests extracted across the entire volume of training cases. For each testing trial, the nodule searching of DL-MO was confined to a 3-mm thick volume to improve computational efficiency, and radiologist readers were tasked to review the entire volume. A strong correlation between DL-MO and human readers was observed (Pearson's correlation coefficient: 0.980 with a 95% confidence interval of [0.924, 0.994]). The averaged performance bias between DL-MO and human readers was 0.57%. The experimental results indicated the potential of using the proposed DL-MO for diagnostic image quality assessment in realistic chest CT tasks.
© 2020 Society of Photo-Optical Instrumentation Engineers (SPIE).