Estimating Total Lung Volume from Pixel-level Thickness Maps of Chest Radiographs Using Deep Learning

要約

目的：U-Net Deep Learning Modelによって生成された肺厚さマップを使用して、ピクセルレベルでの実際および合成前頭胸部レントゲン写真（CXR）から総肺容積（TLV）を推定します。
方法：このレトロスペクティブ研究には、2つのパブリックデータセットからの5,959の胸部CTスキャンが含まれていました：肺結節分析2016（n = 656）と北米放射線学会（RSNA）肺塞栓症検出チャレンジ2020（n = 5,303）。
さらに、72人の参加者がKlinikum Rechts der Isar Dataset（2018年10月から2019年12月）から選択され、それぞれが7日以内に対応する胸部X線写真を撮影しました。
合成X線写真と肺の厚さマップは、CTスキャンとその肺セグメンテーションの前方投影を使用して生成されました。
U-NETモデルは、肺の厚さマップを予測し、TLVを推定するために、合成X線写真でトレーニングされました。
モデルのパフォーマンスは、平均二乗誤差（MSE）、ピアソン相関係数（R）、および両側の学生のT分布を使用して評価されました。
結果：この研究には、72人の参加者（45人の男性、27人の女性、33人の健康：平均年齢62歳[範囲34-80]、慢性閉塞性肺疾患を伴う39人：平均年齢69歳[範囲47-91]）が含まれていました。
TLVの予測は、低エラー率（$ MSE_ {public-synthetic} $ = 0.16 $ l^2 $、$ mse_ {kri-synthetic} $ = 0.20 $ l^2 $、$ mse_ {kri-real} $ = 0.35 $ l^2 $）およびCT由来の参照リファレンス標準TLV〜
r = 0.99、p <0.001; LUNA16テストデータは、TLV推定で最も低い平均二乗誤差（MSE = 0.09 $ l^2 $）と最強の相関（r = 0.99、p <0.001）で最も高いパフォーマンスを実証しました。 結論：U-NET生成されたピクセルレベルの肺厚さマップは、合成レントゲン写真と実際のX線写真の両方についてTLVを推定しました。

要約(オリジナル)

Purpose: To estimate the total lung volume (TLV) from real and synthetic frontal chest radiographs (CXR) on a pixel level using lung thickness maps generated by a U-Net deep learning model. Methods: This retrospective study included 5,959 chest CT scans from two public datasets: the lung nodule analysis 2016 (n=656) and the Radiological Society of North America (RSNA) pulmonary embolism detection challenge 2020 (n=5,303). Additionally, 72 participants were selected from the Klinikum Rechts der Isar dataset (October 2018 to December 2019), each with a corresponding chest radiograph taken within seven days. Synthetic radiographs and lung thickness maps were generated using forward projection of CT scans and their lung segmentations. A U-Net model was trained on synthetic radiographs to predict lung thickness maps and estimate TLV. Model performance was assessed using mean squared error (MSE), Pearson correlation coefficient (r), and two-sided Student’s t-distribution. Results: The study included 72 participants (45 male, 27 female, 33 healthy: mean age 62 years [range 34-80]; 39 with chronic obstructive pulmonary disease: mean age 69 years [range 47-91]). TLV predictions showed low error rates ($MSE_{Public-Synthetic}$=0.16 $L^2$, $MSE_{KRI-Synthetic}$=0.20 $L^2$, $MSE_{KRI-Real}$=0.35 $L^2$) and strong correlations with CT-derived reference standard TLV ($n_{Public-Synthetic}$=1,191, r=0.99, P<0.001; $n_{KRI-Synthetic}$=72, r=0.97, P<0.001; $n_{KRI-Real}$=72, r=0.91, P<0.001). The Luna16 test data demonstrated the highest performance, with the lowest mean squared error (MSE = 0.09 $L^2$) and strongest correlation (r = 0.99, P <0.001) for TLV estimation. Conclusion: The U-Net-generated pixel-level lung thickness maps successfully estimated TLV for both synthetic and real radiographs.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google