Pixel

May 08, 2024

Scientific Data Band 10, Artikelnummer: 518 (2023) Diesen Artikel zitieren

229 Zugriffe

1 Altmetrisch

Details zu den Metriken

Lungenembolien weisen eine hohe Inzidenz und Mortalität auf, insbesondere wenn sie nicht diagnostiziert werden. Die Untersuchung der Wahl zur Diagnose der Erkrankung ist die Computertomographie-Lungenangiographie. Da viele Faktoren zu Fehlinterpretationen und Diagnosefehlern führen können, nutzen verschiedene Gruppen Deep-Learning-Methoden, um diesen Prozess zu verbessern. Die diagnostische Genauigkeit dieser Methoden erhöht sich tendenziell durch die Erweiterung des Trainingsdatensatzes. Deep-Learning-Methoden können potenziell von der Verwendung von Bildern profitieren, die mit Geräten verschiedener Hersteller aufgenommen wurden. Nach unserem besten Wissen haben wir den ersten öffentlichen Datensatz entwickelt, der auf Pixel- und Bildebene annotiert ist, und den ersten annotierten Datensatz auf Pixelebene, der Untersuchungen enthält, die mit Geräten von Toshiba und GE durchgeführt wurden. Dieser Datensatz umfasst 40 Untersuchungen, die jeweils zur Hälfte mit jedem Gerät durchgeführt wurden und Proben aus zwei medizinischen Diensten repräsentieren. Wir haben auch Messungen zu den Herz- und Kreislauffolgen einer Lungenembolie einbezogen. Wir empfehlen die Verwendung dieses Datensatzes zur Entwicklung, Bewertung und zum Vergleich der Leistung neuer KI-Algorithmen zur Diagnose von PE.

Lungenembolie (PE) hat eine hohe Inzidenz und Mortalität. Sie tritt auf, wenn ein Blutgerinnsel, am häufigsten aus dem tiefen Venensystem, in den Lungenarterienkreislauf gelangt1. Schätzungen zufolge kommt es in den Vereinigten Staaten aufgrund von PE2 zu bis zu 300.000 Todesfällen pro Jahr. Weniger als 10 % der Todesfälle ereignen sich bei diagnostizierten und behandelten Patienten, was auf eine potenzielle Reduzierung der Mortalität durch eine Verbesserung der diagnostischen Genauigkeit der Krankheit hindeutet3.

Die Computertomographie-Lungenangiographie (CTPA) ist die Untersuchung der Wahl zur Beurteilung von Patienten mit PE4,5. Nach intravenöser Infusion von jodhaltigem Kontrastmittel wird eine CT durchgeführt, wenn eine optimale Trübung des pulmonalarteriellen Kreislaufs vorliegt und der Thrombus als intraluminaler Füllungsdefekt identifiziert wird.

Die CTPA-Bildinterpretation ist eine komplexe Aufgabe: Radiologen müssen anhand einer großen Anzahl von Bildern sorgfältig nach Kontrastmittelfüllungsdefekten im gesamten Lungenarteriengefäßsystem suchen. Technische Probleme, patientenbezogene Faktoren, anatomische Probleme und das Vorhandensein anderer Pathologien6 können zu einer Fehldiagnose führen.

Computergestützte Diagnoseprogramme (CAD), die darauf abzielen, diese Fehler zu reduzieren, können die Sterblichkeit senken. Es wurden bereits mehrere Ansätze vorgeschlagen7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23,24,25,26,27,28,29 ,30,31,32,33,34,35,36,37,38,39,40,41,42,43,44,45,46,47,48; Eine endgültige Lösung wurde jedoch noch nicht gefunden. In jüngerer Zeit besteht zunehmendes Interesse an der Entwicklung von Techniken der künstlichen Intelligenz (KI), insbesondere unter Verwendung künstlicher neuronaler Netze (ANNs), um dieses Problem anzugehen.

Die diagnostische Leistung dieser Techniken hängt stark vom Datensatz ab, der für das Training verwendet wird, da dieser ebenso unterschiedliche Untersuchungen wie in realen Anwendungen enthalten muss. Die diagnostische Genauigkeit dieser Methoden erhöht sich tendenziell durch die Erweiterung des Trainingsdatensatzes49.

Das Erhalten zuverlässiger Datensätze stellt für Forscher ein erhebliches Hindernis dar, da es zeitaufwändig ist, erfahrene Radiologen für die Erkennung von PE erfordert und auf die Zusammenarbeit mit medizinischen Zentren angewiesen ist. Um für überwachte Lernanwendungen geeignet zu sein, muss der Datensatz außerdem mit Anmerkungen versehen sein. In den drei verfügbaren öffentlichen Datensätzen wurden zwei unterschiedliche Annotationsansätze verwendet: eine Annotation auf Pixelebene, bei der alle Pixel des Thrombus als Grundwahrheit abgegrenzt werden, und Annotationen auf Bild- und Studienebene50, bei denen es sich um Bilder mit einem sichtbaren PE handelt erhalten ein Etikett, der Thrombus selbst ist jedoch nicht abgegrenzt. Der erste Ansatz ist vielseitiger und kann in eine Anmerkung auf Bildebene umgewandelt werden, das Gegenteil ist jedoch nicht der Fall.

Die Annotation auf Pixelebene kann dem Algorithmus helfen, die genaue Region vorherzusagen, in der sich der Embolus befindet, und zu überprüfen, ob dies die Region war, die der Algorithmus zum Generieren der Diagnoseausgabe verwendet hat. Es ist besonders nützlich für die Auswertung von CADs zur Diagnose von PE, da eine hohe Falsch-Positiv-Rate für viele dieser Algorithmen eine große Herausforderung darstellt.

Bisher gibt es nur zwei öffentliche Datensätze, die CTPA-Untersuchungen mit Lungenembolien enthalten, die auf Pixelebene annotiert sind. Die erste enthält 91 Untersuchungen von Patienten mit PE, die mit CT-Scannern von SIEMENS51 durchgeführt wurden, und die zweite enthält 35 Untersuchungen, von denen 33 bei Patienten mit PE durchgeführt wurden, die mit CT-Scannern von PHILIPS und Neusoft Medical System Co52 durchgeführt wurden. Die aus diesen Datensätzen veröffentlichten Informationen offenbaren weder das Prüfungsauswahlverfahren noch die Einschluss- und Ausschlusskriterien.

Ein kürzlich veröffentlichter Leitfaden für die Forschung zu AI53 unterstreicht die Bedeutung der Verwendung von Datensätzen, die Bilder von Geräten verschiedener Anbieter enthalten, aufgrund der diesen Bildern innewohnenden Variabilität.

Es besteht ein Mangel an öffentlichen Datensätzen mit einer repräsentativen Stichprobe von Untersuchungen, die auf Pixelebene annotiert sind und die der KI-Algorithmus in einer realen klinischen Umgebung verarbeiten kann. In der medizinischen Praxis gibt es eine große Variabilität zwischen CTPA-Bildern, die auf patientenbezogene Faktoren zurückzuführen ist, wie z. B. unterschiedliche Biotypen und Komorbiditäten, die PE verschleiern können, sowie auf technische Faktoren, wie z. B. Verzögerungen bei der Bildaufnahme nach der Infusion des Kontrastmittels oder mit unzureichender Infusionsfluss, der zu einer suboptimalen Bildqualität führt.

Wir haben einen Datensatz mit einer Stichprobe von Fällen akuter PE entwickelt, der auf Pixel- und Bildebene mit Anmerkungen versehen wurde, sodass er für Algorithmen geeignet ist, die mit beiden Ansätzen entwickelt wurden (Abb. 1). Unser Datensatz enthält 40 Untersuchungen, die mit Multidetektorscannern durchgeführt wurden, die Hälfte von einem Toshiba CT und die andere Hälfte von einem GE CT54.

Schritte zur Erstellung des Datensatzes. Erster Schritt: Definition von Ein- und Ausschlusskriterien. Zweiter und dritter Schritt: Auswahl von 20 Untersuchungen, die mit jedem Gerät bei Patienten mit akuter LE durchgeführt wurden. Vierter Schritt: Bildanmerkung auf Pixel- und Bildebene. Fünfter Schritt: Bewertung der Merkmale im Zusammenhang mit der Belastung des rechten Herzens und der pulmonalen arteriellen Hypertonie.

Der Datensatz wurde hauptsächlich in Verbindung mit den beiden öffentlichen Datensätzen von CTPA-Untersuchungen mit Lungenembolien, die auf Pixelebene annotiert wurden,51,52 verwendet, um ein Programm für die Diagnose von PE48 zu entwickeln. Anschließend wurde eine Methode entwickelt, mit der PEs in CT-Bildern mithilfe von Deep Learning gefunden und segmentiert werden können.

Wir empfehlen die Verwendung dieses Datensatzes zur Entwicklung, Bewertung und zum Vergleich der Leistung von KI-Algorithmen zur Diagnose von PE.

Die Studie wurde von der Forschungsethikkommission des Hospital de Clínicas-Bundesuniversität Paraná genehmigt. Aufgrund des retrospektiven Charakters der Studie war nur ein retrospektiver Zugriff auf anonymisierte Scandateien erforderlich, weshalb die Ethikkommission auf die Notwendigkeit einer Einwilligung nach Aufklärung verzichtete. Um die Identität der Teilnehmer zu wahren, wurden die Untersuchungen anonymisiert, indem persönliche Daten der Patienten wie Namen, Geburtsdatum und Identifikationsnummern aus den CT-Scans gelöscht wurden. Felder, die Zeit oder Zahlen entsprechen, wurden durch „000000.00“ ersetzt. Datumsfelder wurden durch „00010101“ ersetzt. Geschriebene Felder wurden durch „Anonymisiert“ ersetzt oder entfernt.

Zwanzig CTPA-Scans wurden in einem öffentlichen Universitätskrankenhaus mit einem 64-Kanal-CT-Scanner Toshiba Aquilion, einer Röhrenspannung von 120 KVp, einer Schichtdicke von 1,0 mm, einer Gantry-Rotationszeit von 0,5 Sekunden, einem Strahlabstand von 1,485 und einem Dosismodulationsprotokoll durchgeführt.

Die anderen zwanzig Scans wurden in einer privaten Bildgebungspraxis mit einem GE Revolution 512 CT-Scanner mit einer Röhrenspannung von 120 KVp, einer Schichtdicke von 0,625 mm, einer Schichtdicke des Schichtintervalls von 0,625 mm, einer Gantry-Rotationszeit von 0,5 Sekunden und einem Strahlabstand durchgeführt von 0,9 und Dosismodulationsprotokoll.

Alle CTPA-Scans wurden verwendet, um durch einen Radiologen eine akute LE zu diagnostizieren. Die Diagnose und der Ort der akuten Lungenembolie wurden von einem Thoraxradiologen mit 32 Jahren Erfahrung bestätigt. Danach erstellte ein Assistenzarzt im dritten Jahr die Ground-Truth-Masken auf Pixelebene, die von einem zertifizierten Radiologen überarbeitet wurden.

Die Untersuchungen wurden im manuellen Modus in ITK-SNAP55 segmentiert und so die Ground-Truth-Maske generiert, in der die Thrombuspixel abgegrenzt sind (Abb. 2). Basierend auf dieser Maske wurde eine Segmentierung auf Bildebene durchgeführt und die Schnitte mit den Thromben markiert.

Anmerkung auf Pixelebene. Spalte (a) zeigt CTPA-Bilder von Lungenembolien an verschiedenen anatomischen Stellen. In Spalte (b) zeigen Anmerkungen auf Pixelebene alle Pixel des Embolus des entsprechenden CTPA-Bildes in Spalte (a) in Weiß an. In Spalte (c) werden die entsprechenden Bilder der Spalten (a) und (b) überlagert und der Thrombus ist rot dargestellt.

Eine Obstruktion des Lungengefäßsystems aufgrund einer LE kann den Gefäßwiderstand erhöhen, was zu einem Anstieg des pulmonalarteriellen Drucks und einer Belastung des rechten Herzens führt. Indirekte Anzeichen wie Pulmonalarteriendilatation, Vergrößerung des rechten Ventrikels (Erhöhung des Durchmesserverhältnisses des rechten Ventrikels zum linken Ventrikel), Kontrastmittelreflux der unteren Hohlvene (IVC) und abnormale Positionierung des interventrikulären Septums (Abflachung oder sogar paradoxe Biegung in Richtung der Vena cava). linker Ventrikel) kann auf CTPA-Scans beobachtet werden (Abb. 3).

CTPA-Merkmale im Zusammenhang mit Rechtsherzbelastung und pulmonaler arterieller Hypertonie. (a) Prüfung TS04 ohne IVC-Reflux. (b) Prüfung TS19 mit IVC-Reflux. (c) Untersuchung TS19, die das interventrikuläre Septum in seiner normalen Position zeigt. (d) Untersuchung TS02 zeigt ein abgeflachtes interventrikuläres Septum. (e) Untersuchung TS10, die eine paradoxe interventrikuläre Septumkrümmung zeigt.

Bei allen CTPA-Scans haben wir die größte betroffene Arterie, den Reflux der unteren Hohlvene, die Abflachung oder paradoxe Krümmung des interventrikulären Septums, den Pulmonalarterienstammdurchmesser (PAD) und die Querdurchmesser des rechten Ventrikels (RV) und des linken Ventrikels (LV) ausgewertet – gemessen zwischen die Endokardoberflächen an der größten Stelle senkrecht zur Längsachse – und das Verhältnis des Durchmessers des rechten Ventrikels zum linken Ventrikel (Tabellen 1, 2).

Alle in diesem Dokument beschriebenen Datensätze sind in einem Figshare-Repository54 verfügbar. Dieses Repository enthält drei Ordner. Das erste enthält CTPA-Bilder im DICOM-Format (Digital Imaging and Communications in Medicine). Die zweite enthält die Ground-Truth-Segmentierung auf Pixelebene des Ortes der Lungenembolie im Format der Neuroimaging Informatics Technology Initiative (NiFTI). Die Segmentierungen bestehen aus einer dreidimensionalen Matrix, in der jedes Element einem Voxel des CT-Scans entspricht: Die dem Embolus entsprechenden Elemente haben den Wert „1“ und die anderen haben den Wert „0“. Der dritte Wert liegt im CSV-Format (Comma Separated Values) vor, wobei jedes Element einem Abschnitt des CT-Scans entspricht. Das erste Element repräsentiert den ersten Slice und das letzte Element repräsentiert den untersten Slice. Schnitte, in denen der Embolus sichtbar ist, werden durch die Zahl „1“ dargestellt, die anderen durch die Zahl „0“.

Die Dateien, die den mit dem GE-Gerät gescannten Patienten entsprechen, werden mit 01GE bis 20GE bezeichnet, und die Dateien, die mit dem Toshiba-Gerät gescannten Patienten entsprechen, werden mit 01TS bis 20TS bezeichnet, entsprechend der Anzahl jedes Patienten in den Tabellen 1 und 2, die ebenfalls verfügbar sind im Repository im Excel-Binärdateiformat (XLS).

Die CTPA-Scans wurden nachträglich durch eine Suche in den digitalen Dateien eines öffentlichen Universitätskrankenhauses und einer privaten Bildgebungspraxis ausgewählt.

Für jede medizinische Einrichtung wurde ein willkürliches Startdatum definiert. Ab dem festgelegten Startdatum wurden alle CTPA-Scans nacheinander überprüft, bis wir 20 Untersuchungen mit PE von jedem Gerät erreichten, die den Einschluss- und Ausschlusskriterien entsprachen.

Für das Toshiba-Gerät wurden die Untersuchungen vom 5. November 2018 bis zum 5. Februar 2019 durchgeführt. Für das GE-Gerät wurden die Untersuchungen vom 9. November 2018 bis zum 20. September 2019 durchgeführt.

Mithilfe des PE-Protokolls (CTPA) durchgeführte Thorax-CT-Scans zur Diagnose einer akuten PE. Dateiverfügbarkeit im Picture Archive and Communication System (PACS) jedes medizinischen Zentrums.

Artefakte, die den Radiologen daran hinderten, die Bilder visuell zu interpretieren. Untersuchungen mit vollständig oder teilweise beschädigten Dateien. Nachuntersuchungen (nur die erste CTPA wurde verwendet).

Es gab keine Einschränkung hinsichtlich des Alters, des Patientenstatus (stationär oder ambulant) oder anderer als der genannten Ein- oder Ausschlusskriterien.

Der gesamte Code zum Laden und Normalisieren des Datensatzes ist in GitHub verfügbar (https://github.com/glescki/dicom_image_parser).

Zum Parsen der Daten empfiehlt sich die PyDicom-Bibliothek, das Laden der Labels kann mit einem in GitHub verfügbaren Parser durchgeführt werden. Jede DICOM-Datei sollte separat geladen und dann innerhalb einer Datenstruktur zusammengefügt werden.

Zur Normalisierung wird empfohlen, den Abstand in der Z-Achse aller Schichten auf 1 zu ändern.

Beckman, MG, Hoopeer, WC, Critchley, SE & Ortel, TL Venöse Thromboembolie: ein Problem der öffentlichen Gesundheit. Bin J Vorheriges Med. 4, 495–501, https://doi.org/10.1016/j.amepre.2009.12.017 (2010).

Artikel Google Scholar

Konstantinides, SV et al. 2019 ESC-Richtlinien für die Diagnose und Behandlung akuter Lungenembolien, entwickelt in Zusammenarbeit mit der European Respiratory Society (ERS): der Task Force für die Diagnose und Behandlung akuter Lungenembolien der European Society of Cardiology (ESC). EUR. Herztagebuch. 41, 543–603, https://doi.org/10.1093/eurheartj/ehz405 (2020).

Artikel Google Scholar

Dalen, JE Lungenembolie: Was haben wir seit Virchow gelernt? Brust. 122, 1440–1456, https://doi.org/10.1378/chest.122.4.1440 (2002).

Artikel PubMed Google Scholar

Konstantinides, SV et al. Task Force zur Diagnose und Behandlung akuter Lungenembolien der European Society of Cardiology (ESC). ESC-Leitlinien zur Diagnose und Behandlung akuter Lungenembolie. EUR. Heart J. 35, 3033–3069, https://doi.org/10.1093/eurheartj/ehu283 (2014).

Artikel CAS PubMed Google Scholar

Remy-Jardin, M. et al. Management des Verdachts auf akute Lungenembolie im Zeitalter der CT-Angiographie: eine Stellungnahme der Fleischner-Gesellschaft. Radiologie. 245, 315–329, https://doi.org/10.1148/radiol.2452070397 (2007).

Artikel PubMed Google Scholar

Wittram, C. et al. CT-Angiographie einer Lungenembolie: Diagnosekriterien und Ursachen für Fehldiagnosen. RadioGraphics. 24, 219–1238, https://doi.org/10.1148/rg.245045008 (2004).

Artikel Google Scholar

Masutani, Y., Macmahon, H. & Doi, K. Computergestützte Erkennung von Lungenembolien in der Spiral-CT-Angiographie basierend auf volumetrischer Bildanalyse. IEEE Trans. Med. Bildgebung. 21, 1517–1523, https://doi.org/10.1109/TMI.2002.806586 (2002).

Artikel PubMed Google Scholar

Pichon, E., Novak, CL, Kiraly, AP & Naidich, DP Eine neuartige Methode zur Visualisierung von Lungenembolien anhand hochauflösender CT-Bilder. Verfahren des SPIE. 5367, 161–170, https://doi.org/10.1117/12.532892 (2004).

Artikel ADS Google Scholar

Zhou, C. et al. Voruntersuchung zur computergestützten Erkennung von Lungenembolien in dreidimensionalen computertomographischen Lungenangiographiebildern. Acad. Radiol. 12, 782–792, https://doi.org/10.1016/j.acra.2005.01.014 (2005).

Artikel PubMed PubMed Central Google Scholar

Maizlin, ZV, Vos, PM, Godoy, MC & Cooperberg, PL Computergestützte Erkennung von Lungenembolien in der CT-Angiographie: erste Erfahrungen. J. Thorac. Bildgebung. 22, 324–329, https://doi.org/10.1097/RTI.0b013e31815b89ca (2007).

Artikel PubMed Google Scholar

Buhmann, S. et al. Klinische Bewertung eines computergestützten Diagnose-Prototyps (CAD) zur Erkennung von Lungenembolien. Acad. Radiol. 14, 651–658, https://doi.org/10.1016/j.acra.2007.02.007 (2007).

Artikel PubMed Google Scholar

Schoepf, UJ et al. Lungenembolie: Computergestützte Erkennung bei der Multidetektor-Reihenspiral-Computertomographie. J. Thorac. Bildgebung. 22, 319–323, https://doi.org/10.1097/RTI.0b013e31815842a9 (2007).

Artikel PubMed Google Scholar

Liang, J. & Bi, J. Computergestützte Erkennung von Lungenembolien mit Rodeln und Mehrfachinstanzklassifizierung in der CT-Lungenangiographie. Inf. Verfahren. Med. Bildgebung. 20, 630–641, https://doi.org/10.1007/978-3-540-73273-0_52 (2007).

Artikel PubMed Google Scholar

Sebbe, R. Computergestützte Diagnose von Lungenembolien in getrübten CT-Bildern, Dissertation, Faculte Polytechnique de Mons. http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.453.3563&rep=rep1&type=pdf (2006).

Engelke, C., Schmidt, S., Bakai, A., Auer, F. & Marten, K. Computergestützte Erkennung von Lungenembolien: Leistungsbewertung im Konsens mit erfahrenen und unerfahrenen Thoraxradiologen. EUR. Radiol. 18, 298–307, https://doi.org/10.1007/s00330-007-0770-3 (2008).

Artikel PubMed Google Scholar

Bouma, H. Gefäßdurchmesserquantifizierung und Emboluserkennung in CTA-Bildern, Doktorarbeit, Technische Universität Eindhoven. https://research.tue.nl/nl/publications/vessel-diameter-quantification-and-embolus-detection-in-cta-image (2008).

Das, M. et al. Computergestützte Erkennung von Lungenembolien: Einfluss auf die Erkennungsleistung von Radiologen in Bezug auf Gefäßsegmente. EUR. Radiol. 18, 1350–1355, https://doi.org/10.1007/s00330-008-0889-x (2008).

Artikel PubMed Google Scholar

Walsham, AC et al. Der Einsatz computergestützter Detektion zur Beurteilung von Lungenarterienfüllungsdefekten bei der computertomographischen Angiographie. J. Comput. Helfen. Tomogr. 32, 913–918, https://doi.org/10.1097/RCT.0b013e31815b3ed0 (2008).

Artikel PubMed Google Scholar

Bouma, H., Sonnemans, JJ, Vilanova, A. & Gerritsen, FA Automatische Erkennung von Lungenembolie in CTA-Bildern. IEEE Trans. Medizinische Bildgebung. 28, 1223–1230, https://doi.org/10.1109/TMI.2009.2013618 (2009).

Artikel PubMed Google Scholar

Dinesh, MS, et al. Adaptive kontrastbasierte computergestützte Erkennung von Lungenembolien. Proz. SPIE. 7260, Medical Imaging 2009: Computergestützte Diagnose. https://doi.org/10.1117/12.812223 (2009)

Zhou, C. et al. Computergestützte Erkennung von Lungenembolien in der computertomographischen Lungenangiographie (CTPA): Leistungsbewertung mit unabhängigen Datensätzen. Med. Physik. 36, 3385–3396, https://doi.org/10.1118/1.3157102 (2009).

Artikel PubMed PubMed Central Google Scholar

Wittenberg, R., Peters, JF, Sonnemans, JJ, Prokop, M. & Schaefer-Prokop, CM Computergestützte Erkennung von Lungenembolien: Auswertung von Lungen-CT-Angiogrammen im Bereitschaftsdienst. EUR. Radiol. 20, 801–806, https://doi.org/10.1007/s00330-009-1628-7 (2010).

Artikel PubMed Google Scholar

Dewailly, M. et al. Computergestützte Erkennung einer akuten Lungenembolie mit 64-schichtiger Multidetektor-Reihen-Computertomographie: Einfluss der Scanbedingungen und der Gesamtbildqualität auf die Erkennung peripherer Blutgerinnsel. J. Comput. Helfen. Tomogr. 34, 23–30, https://doi.org/10.1097/RCT.0b013e3181b2e383 (2010).

Artikel PubMed Google Scholar

Lee, CW et al. Evaluierung der computergestützten Erkennung und Dual-Energy-Software zur Erkennung peripherer Lungenembolien in der Dual-Energy-Lungen-CT-Angiographie. EUR. Radiol. 21, 54–62, https://doi.org/10.1007/s00330-010-1903-7 (2011).

Artikel PubMed Google Scholar

Park, SC, Chapman, BE & Bin, ZB Ein mehrstufiger Ansatz zur Verbesserung der Leistung der computergestützten Erkennung von Lungenembolien, die auf CT-Bildern dargestellt werden: Voruntersuchung. IEEE Trans Biomed Eng. 58, 1519–1527, https://doi.org/10.1109/TBME.2010.2063702 (2011).

Artikel PubMed Google Scholar

Blackmon, KN et al. Computergestützte Erkennung einer Lungenembolie bei der CT-Lungenangiographie: Kann sie die Leistung unerfahrener Beobachter verbessern? Eur Radiol. 21, 1214–1223, https://doi.org/10.1007/s00330-010-2050-x (2011).

Artikel PubMed Google Scholar

Wittenberg, R. et al. Einfluss der Bildqualität auf die Leistung der computergestützten Erkennung von Lungenembolien. Bin. J. Röntgenol. 196, 95–101, https://doi.org/10.2214/AJR.09.4165 (2011).

Artikel Google Scholar

Wittenberg, R. et al. Akute Lungenembolie: Auswirkung eines computergestützten Erkennungsprototyps auf die Diagnose – eine Beobachterstudie. Radiologie. 262, 305–313, https://doi.org/10.1148/radiol.11110372 (2012).

Artikel PubMed Google Scholar

Kligerman, SJ, Lahiji, K., Galvin, JR, Stokum, C. & White, CS Übersehene Lungenembolien in der CT-Angiographie: Beurteilung mit Lungenembolie – computergestützte Erkennung. Bin. J. Röntgenol. 202, 65–73, https://doi.org/10.2214/AJR.13.11049 (2014).

Artikel Google Scholar

Özkan, H., Osman, O., Şahin, S. & Boz, AF Eine neuartige Methode zur Erkennung von Lungenembolien in CTA-Bildern. Berechnen. Methodenprogramme Biomed. 113, 757–766, https://doi.org/10.1016/j.cmpb.2013.12.014 (2014).

Artikel PubMed Google Scholar

Lahiji, K., Kligerman, S., Jeudy, J. & White, C. Verbesserte Genauigkeit der computergestützten Erkennung von Lungenembolien mithilfe iterativer Rekonstruktion im Vergleich zur gefilterten Rückprojektion. Bin. J. Röntgenol. 203, 763–771, https://doi.org/10.2214/AJR.13.11838 (2014).

Artikel Google Scholar

Tajbakhsh, N., Gotway, MB & Liang, J. Computergestützte Erkennung von Lungenembolien mithilfe einer neuartigen, gefäßausgerichteten multiplanaren Bilddarstellung und Faltungs-Neuronalen Netzen. Medizinische Bildverarbeitung und computergestützte Intervention – MICCAI 2015. MICCAI 2015. Vorlesungsunterlagen in Informatik. 9350, 62–69, https://doi.org/10.1007/978-3-319-24571-3_8 (2015).

Artikel Google Scholar

Ozkan, H., Tulum, G., Osman, O. & Sahin, S. Automatische Erkennung von Lungenembolien in CTA-Bildern mithilfe maschinellen Lernens. Elektron. Elektrotech. 23, 63–67, https://doi.org/10.5755/j01.eie.23.1.17585 (2017).

Artikel Google Scholar

Tajbakhsh, N., Shin, JY, Gotway, MB & Liang, J. Computergestützte Erkennung und Visualisierung von Lungenembolien mithilfe einer neuartigen, kompakten und differenzierten Bilddarstellung. Med. Bild Anal. 58, 101541, https://doi.org/10.1016/j.media.2019.101541 (2019).

Artikel PubMed PubMed Central Google Scholar

Rajan, D., Beymer, D., Abedin, S. & Dehghan, E. Pi-PE: Eine Pipeline zur Erkennung von Lungenembolien mithilfe spärlich kommentierter 3D-CT-Bilder. Proceedings of the Machine Learning for Health NeurIPS Workshop, 116, 220–232, http://proceedings.mlr.press/v116/rajan20a/rajan20a.pdf (2020).

Yang, X. et al. Ein zweistufiges Faltungs-Neuronales Netzwerk zur Erkennung von Lungenembolien anhand von CTPA-Bildern. IEEE-Zugriff. 7, 84849–84857, https://doi.org/10.1109/ACCESS.2019.2925210 (2019).

Artikel Google Scholar

Cano-espinosa, C., Cazorla, M. & González, G. Computergestützte Erkennung von Lungenembolien mittels mehrschichtiger mehrachsiger Segmentierung. Appl. Wissenschaft. 10, 2945, https://doi.org/10.3390/app10082945 (2020).

Artikel CAS Google Scholar

Huang, S., Pareek, A., Zamanian, R., Banerjee, I. & Lungren, MP Multimodale Fusion mit tiefen neuronalen Netzen zur Nutzung von CT-Bildgebung und elektronischer Gesundheitsakte: eine Fallstudie zur Erkennung von Lungenembolien. Wissenschaft. Rep. 10, 22147, https://doi.org/10.1038/s41598-020-78888-w (2020).

Artikel ADS CAS PubMed PubMed Central Google Scholar

Yu, C. -Y., Cheng, Y. -C. & Kuo, C. Früherkennung einer Lungenembolie durch Computertomographie und Lungenangiographie unter Verwendung neuronaler Faltungsnetze. 2020 Joint 9th International Conference on Informatics, Electronics & Vision (ICIEV) und 2020 4th International Conference on Imaging, Vision & Pattern Recognition (icIVPR), https://doi.org/10.1109/ICIEVicIVPR48672.2020.9306659 (2020).

Huang, S. et al. PENet – ein skalierbares Deep-Learning-Modell für die automatisierte Diagnose von Lungenembolien mithilfe volumetrischer CT-Bildgebung. npj Ziffer. Med. 3, 61, https://doi.org/10.1038/s41746-020-0266-y (2020).

Artikel PubMed PubMed Central Google Scholar

Liu, W. et al. Bewertung der akuten Lungenembolie und der Gerinnselbelastung bei CTPA mit Deep Learning. EUR. Radiol. 30, 3567–3575, https://doi.org/10.1007/s00330-020-06699-8 (2020).

Artikel PubMed Google Scholar

Weikert, T. et al. Automatisierte Erkennung von Lungenembolien in CT-Lungenangiogrammen mithilfe eines KI-gestützten Algorithmus. EUR. Radiol. 30, 6545–6553, https://doi.org/10.1007/s00330-020-06998-0 (2020).

Artikel PubMed Google Scholar

Vainio, T., Mäkelä, T., Savolainen, S. & Kangasniemi, M. Leistung eines 3D-Faltungsneuronalen Netzwerks bei der Erkennung von Hypoperfusion bei der CT-Lungenangiographie bei Patienten mit chronischer Lungenembolie: eine Machbarkeitsstudie. EUR. Radiol. Exp. 5, 45, https://doi.org/10.1186/s41747-021-00235-z (2021).

Artikel PubMed PubMed Central Google Scholar

Li, X., Wang, X., Yang, Ann. von übers. med. 9, 838, https://doi.org/10.21037/atm-21-975 (2021).

Artikel Google Scholar

Long, K. et al. Wahrscheinlichkeitsbasierte Maske R-CNN zur Erkennung von Lungenembolien. Neurocomputing. 422, 345–353, https://doi.org/10.1016/j.neucom.2020.10.022 (2021).

Artikel Google Scholar

Huhtanen, H. et al. Automatisierte Erkennung von Lungenembolien aus CT-Angiogrammen mittels Deep Learning. BMC Med. Bildgebung. 22, 43, https://doi.org/10.1186/s12880-022-00763-z (2022).

Artikel PubMed PubMed Central Google Scholar

Yadlapalli, P. et al. Segmentierung von Lungenembolien mittels Deep Learning. 2022 Internationale Konferenz für technologischen Fortschritt (ICONAT) https://doi.org/10.1109/ICONAT53423.2022.9726048 (2022).

Artikel Google Scholar

Olescki, G., Andrade, JMC, Escuissato, DL & Oliveira, LF Ein zweistufiger Arbeitsablauf zur Erkennung von Lungenembolien mithilfe von Deep Learning und Merkmalsextraktion. Berechnen. Methoden in der Biomechanik. Biomed. Eng.: Imaging Vis. https://doi.org/10.1080/21681163.2022.2060866 (2022).

Artikel Google Scholar

Paiva, OA & Prevedello, LM Die möglichen Auswirkungen künstlicher Intelligenz in der Radiologie. Radiol. BHs. 50, 5–6, https://doi.org/10.1590/0100-3984.2017.50.5e1 (2017).

Artikel Google Scholar

Colak, E. et al. Der RSNA-CT-Datensatz zur Lungenembolie. Radiologie: Kunst. Int. 3, 2, https://doi.org/10.1148/ryai.2021200254 (2021).

Artikel Google Scholar

González, G., et al. Computergestützte Erkennung einer Lungenembolie (CAD-PE). Vorabdruck unter https://arxiv.org/abs/2003.13440 (2019).

Masoudi, M. et al. Ein neuer Datensatz computertomographischer Angiographiebilder zur computergestützten Erkennung von Lungenembolien. Wissenschaft. Daten. 5, 180180, https://doi.org/10.1038/sdata.2018.180 (2018).

Artikel PubMed PubMed Central Google Scholar

Bluemke, DA et al. Bewertung der radiologischen Forschung zu künstlicher Intelligenz: ein kurzer Leitfaden für Autoren, Rezensenten und Leser – von der Redaktion von Radiology. Radiologie. 294, 487–489, https://doi.org/10.1148/radiol.2019192515 (2020).

Artikel PubMed Google Scholar

Andrade, JMC. et al. Kommentierter Datensatz von Computertomographiebildern akuter Lungenembolie – READ PE CT, figshare, https://doi.org/10.6084/m9.figshare.c.6033134.v1 (2023).

Yushkevich, PA et al. Benutzergeführte 3D-aktive Kontursegmentierung anatomischer Strukturen: deutlich verbesserte Effizienz und Zuverlässigkeit. Neurobild. 3, 1116–1128, https://doi.org/10.1016/j.neuroimage.2006.01.015 (2006).

Artikel Google Scholar

Referenzen herunterladen

Wir danken dem Hospital de Clínicas der Bundesuniversität Paraná und der Clínica Diagnóstico Avançado por Imagem (DAPI) für die Erlaubnis zur Durchführung dieses Projekts. Wir danken auch den Postgraduiertenprogrammen für Innere Medizin, Gesundheitswissenschaften und Informatik der Bundesuniversität Paraná, die dieses Projekt ermöglicht haben.

Abteilung für Radiologie und Bilddiagnose, Hospital de Clínicas, Bundesuniversität Paraná, Curitiba, Brasilien

João Mario Clementin de Andrade, Dante Luiz Escuissato, Ana Carolina Nicolleti Basso und Gabriel Lucca Salvador

Fakultät für Informatik, Bundesuniversität Paraná, Curitiba, Brasilien

Gabriel Olescki & Lucas Ferrari Oliveira

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

João Mario Clementin de Andrade. Projektplanung. Patientenauswahl nach den vorab festgelegten Einschluss- und Ausschlusskriterien. Unterstützung bei der Definition der Segmentierungsmethode. Segmentierung auf Pixelebene. Überprüfung aller Ground-Truth-Masken. Schreiben des Manuskripts. Gabriel Olescki. Projektplanung. Definition der Segmentierungsmethode. Segmentierung auf Bildebene. Schreiben des Manuskripts. Dante Luiz Escuissato. Projektplanung. Unterstützung bei der Auswahl von Patienten gemäß den vorab festgelegten Einschluss- und Ausschlusskriterien. Überprüfung/Bestätigung der Lage der akuten Lungenembolie bei allen Patienten. Orientierung/Überarbeitung des Manuskripts. Lucas Ferrari Oliveira. Projektplanung. Definition der Segmentierungsmethode. Rezension dieses Manuskripts. Ana Carolina Nicolleti Basso. Segmentierung auf Pixelebene. Rezension des Manuskripts. Gabriel Lucca Salvador. Segmentierung auf Pixelebene. Rezension des Manuskripts.

Korrespondenz mit João Mario Clementin de Andrade.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Anmerkung des Herausgebers Springer Nature bleibt hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten neutral.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

de Andrade, JMC, Olescki, G., Escuissato, DL et al. Auf Pixelebene annotierter Datensatz von Computertomographie-Angiographiebildern einer akuten Lungenembolie. Sci Data 10, 518 (2023). https://doi.org/10.1038/s41597-023-02374-x

Zitat herunterladen

Eingegangen: 20. Juni 2022

Angenommen: 11. Juli 2023

Veröffentlicht: 04. August 2023

DOI: https://doi.org/10.1038/s41597-023-02374-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt