Evaluation of the Accuracy of Infer Read Software in Measuring the Volume of Pure Ground Glass Nodules in the Lung
-
摘要: 目的：探讨人工智能（AI）肺结节检测软件对肺纯磨玻璃结节（pGGN）体积自动测量的准确性及测量误差的影响因素。方法：选择2021年1月1日至31日在本院行常规胸部CT扫描的患者90例，共计170个pGGN病灶。将CT扫描原始数据（含1 mm薄层图像）传送至AI服务器进行肺结节体积自动测量并记录其测量数据；由两名资深胸部影像诊断医师以手动进行pGGN逐层测量相加得出体积数值，并以3次测量平均值作为“金标准”数据与AI测量结果进行比较；并分析pGGN体积大小、位置、毗邻等因素对AI测量误差的影响。采用SPSS 26.0进行统计分析。结果：本研究90例患者中共计170个pGGN，右肺上叶者49个（28.82％），右肺中叶者21个（12.35％），右肺下叶者27个（15.89％），左肺上叶者49个（28.82％），左肺下叶者24个（14.12％）。在pGGN的毗邻关系中，完全位于肺实质内无毗邻关系者82个（48.24％），贴近血管者29个（17.06％），贴近胸膜者59个（34.70％）。①两名观察者之间、同一观察者不同时间点对pGGN手动测量的体积数值均无差异；②对相同pGGN体积的测量，使用AI自动测量与人工手动测量的结果亦无差异，且二者相关性很高（r=0.981），一致性也很高（ICC值为0.987）；③pGGN的体积大小、发生位置、毗邻关系对AI体积测量的误差均无统计学意义。结论：InferRead肺结节检测软件对肺pGGN三维体积测量具有良好的准确性，可适用于临床肺结节诊断与相关研究。Abstract: Objective: To discuss the accuracy of the automatic measurement of the volume of pure ground glass nodules (pGGN) by the artificial intelligence pulmonary nodule detection software and the influencing factors of the measurement error. Methods: 170 pGGNs from 90 patients who underwent routine chest CT scan from January 1 to 31, 2021 in our hospital were selected in this retrospective study. The original CT scan data (including 1 mm thin-slice images) was sent to the AI server of Inference Technology to automatically measure the volume of lung nodules and record the measurement data. Two senior chest imaging diagnosticians manually carried out pGGNs layer-by-layer measurement and added the volume value, then took the average of three measurements as the "gold standard" data to compare with the AI measurement results, and then analyzed the influence of pGGN location, size, proximity and other factors on the AI measurement error. SPSS 26.0 was used for statistical analysis. Results: Among the total 170 pGGNs in the 90 patients in this study, 49 (28.82%) were in the right upper lobe, 21 (12.35%) were in the right middle lobe, 27 (15.88%) were in the right lower lobe, and left upper lobe 49 patients (28.82%) were involved, and 24 patients were in the lower lobe of the left lung (14.12%). Among the adjacent relationships of pGGN, 82 (48.24%) were completely located in the lung parenchyma without adjacency, 29 (17.06%) were close to the blood vessel, and 59 (34.70%) were close to the pleura. (1) There was no statistically significant difference in the volume values of pGGNs between two observers and the same observer at different time points. (2) For the measurement of the same pGGN, there was no statistically significant difference between the results of automatic measurement by AI and manual measurement and the correlation between the two was quite high (r=0.981), and the agreement was also very high (ICC value is 0.987). (3) The size, location, and adjacent relationship of pGGN lesions were not statistically significant for the error of AI volume measurement. Conclusions: The InferRead lung nodule measurement software shows high accuracy in the measurement of lung pGGN three-dimensional volume, which can be applied in clinical lung nodule diagnosis and related research. (2) For the measurement of the same pGGN volume, there was no difference between the results of automatic measurement by AI and manual measurement, and the correlation between them was quite high (r = 0.981), and the consistency was high (ICC value is 0.987). (3) The volume size, occurrence position and adjacent relationship of pGGN have no statistical significance on the error of AI volume measurement. Conclusion: The InferRead lung nodule detection software shows high accuracy in measuring the three-dimensional volume of lung pGGN, and can be applied to clinical diagnosis and related research of lung nodules.
-
Keywords:
- artificial intelligence /
- ground-glass nodule /
- volume /
- accuracy
-
肺癌仍是当今世界范围内最常见的恶性肿瘤之一，其发病率和死亡率也位列我国癌症之首[1]。几乎所有肺癌均由肺结节演变而来，而近年来肺纯磨玻璃结节（pure ground-glass nodule，pGGN）的检出率随着胸部薄层CT的常规应用不断提高，但其良恶性准确诊断始终是难点与重点[2]。由于多数pGGN基线CT诊断困难，因此采取定期随访成为临床管理的重要策略之一，其中对pGGN随访过程中二维径线或三维体积测量成为评价其良恶性重要指标，而后者更能真实反映pGGN大小变化[3]。
近年来，AI凭借其智能化、准确性高和可重复性强[4-5]等特点，在医学影像诊断领域逐渐显示优势，不仅能高敏感度检出各种肺结节，而且可进行标记、定量测量、分类并给出危险度评估[6-8］。但应用AI对pGGN体积测量准确性及影响因素的临床研究较少。
本文回顾性分析pGGN患者胸部薄层CT影像资料，旨在探讨AI肺结节检测软件对其体积自动测量的准确性及有关影响因素。
1. 资料与方法
1.1 研究对象
本研究回顾收集2021年1月1日至31日在本院登记并进行常规胸部CT检查的图像资料。纳入标准：①在胸部CT扫描且具有薄层图像中，表现为6 mm≤最大直径≤3 cm的pGGN（肺窗：1500 HU，-500 HU），结节不掩盖其内走行的支气管血管束，且在纵隔窗（350 HU，50 HU）上无显示者；②薄层CT图像上至少包含1个pGGN病灶；③pGGN界线清楚，形态较规则，易于AI识别及手动勾勒。排除标准：①实性肺结节、混合磨玻璃及钙化结节；②呼吸运动伪影严重导致图像不清晰者；③患有肺气肿、纤维化、肺间质性疾病及肺炎等其他肺部疾病者。
最终纳入90例患者，男性19例，女性71例；年龄29～86岁，平均年龄（59.89±12.80）岁。90例患者中共有170个pGGN，其中单发者44例，2个及以上者46例。本研究为回顾性研究且经本院伦理审查委员会批准，患者免签知情同意。
1.2 CT检查方法
采用Siemens Somatom Definition Flash 128层双源CT机进行扫描。患者均取仰卧体位，双臂上举抱头吸气后屏气进行常规扫描，扫描范围从肺尖至膈肌（包含全肺组织）。扫描参数：管电压120 kVp，管电流CareDose 4D技术、自动管电流控制，螺距1.2，图像矩阵512×512，机架旋转时间0.5 s/r。
扫描结束后使用标准算法进行后处理重建，层厚1.0 mm，层间距1.0 mm。采用肺窗（1500 HU，-500 HU）进行图像观察，并在肺窗上进行pGGN分析测量。
1.3 肺结节体积AI测量
本研究采用InferRead CT Lung Research，Infervision人工智能辅助软件。将所有胸部CT原始图像数据以DICOM格式传输到推想AI工作站，该系统使用卷积神经网络模型自动批量对CT影像数据进行肺结节识别和标记，根据像素点计算病灶每个层面结节面积，再逐层自动计算出结节三维体积。
AI对pGGN自动测量过程如图1所示。在肺结节提取过程中，与结节相连的血管、支气管及胸膜等结构均被软件自动剔除。所有测量结果均保留小数点后两位，单位为mm3。
![]()
图 1 pGGN的AI测量过程（a）～（i）分别展示pGGN位于胸膜下、血管旁及肺实质3种情况时，AI自动识别并进行体积测量计算过程。（a）～（c）薄层CT扫描显示目标pGGN；（d）～（f）薄层CT扫描显示系统自动以方框标记目标pGGN；（g）～（i）薄层CT扫描显示结节与周围肺实质由系统自动勾勒边界，并自动计算结节体积（结节周围紧贴的血管、胸膜等结构由软件自动剔除）。Figure 1. AI measurement process of pGGN1.4 人工测量与建立“金标准”
所有肺结节的人工体积测量均在本院影像科PACS工作站进行；由两位高年资胸部放射诊断医师（分别8年和10年以上诊断经历）分别在PACS上应用自带面积测量工具，在横轴位CT图像上手动勾勒结节每一层轮廓，系统自动计算结节每层的面积，最后将结节所有层面相加而得出该结节手动测量体积，均测量三次取其平均值作为“金标准”。
在相隔1月后，使用相同方法再次由其中一名医师进行体积测量，并随机改变结节呈现顺序以消除学习记忆效果的影响。详细测量步骤详见图2。
![]()
图 2 手动测量结节体积的过程48岁女性，右肺中叶外侧段持续存在pGGN。（a）～（c）分别显示观察者使用PACS工具手动测量，精确提取pGGN过程；（d）显示由“推想”软件自动勾勒结节边缘并计算体积的成果。Figure 2. Process of manually measuring nodule volume1.5 肺结节形态观察及分组
由两位从事胸部影像诊断工作10年以上高年资医师在不知临床资料的情况下进行阅片、分析，并且记录每个pGGN的胸部CT表现（在肺窗上进行观察），当两人在结节特征判断上出现分歧时，由第3位从事影像诊断工作15年以上的上级医师进行仲裁，最后达成一致。
所分析的CT表现包括：病变的位置（以肺叶为单位）、毗邻关系（无毗邻、贴近胸膜及贴近血管）等。此外依据文献[9]，将170个pGGN以“金标准”体积523.6 mm3（相当于直径1 cm）为界进行分组：体积>523.6 mm3者定义为A组；体积≤523.6 mm3者定义为B组。
1.6 统计学分析
采用SPSS 26.0统计软件进行数据分析。非正态分布的计量资料采用中位数（四分位距）（M（P25，P75））表示、分类数据以数字（％）表示。应用非参数秩和检验（Kruskal-Wallis）分析两位放射科医师手动体积测量之间的差异；应用Wilcoxon秩和检验、Spearman相关分析及组内相关系数一致性检验（ICC）对结节AI测量与“金标准”的差异性、相关性及一致性分别进行统计分析；应用多元线性回归分析结节不同因素（体积大小、位置及毗邻）对AI体积测量误差的影响。以P<0.05为差异具有统计学意义。
2. 结果
2.1 一般资料及AI测量结果
本研究90例患者中单发pGGN者44例（48.89％），2个pGGN者26例（28.89％），3个及以上pGGN者20例（22.22％），全部pGGN共计170个，其中右肺上叶者49个（28.82％），右肺中叶者21个（12.35％），右肺下叶者27个（15.89％），左肺上叶者49个（28.82％），左肺下叶者24个（14.12％）。在pGGN的毗邻关系中，完全位于肺实质内无毗邻关系者82个（48.24％），贴近血管者29个（17.06％），贴近胸膜者59个（34.70％）。
Infervision AI软件自动对170个pGGN体积测量结果为：体积范围100.12～4536.50 mm3，平均值为560.54 mm3。
2.2 AI与人工体积测量比较
经Kruskal-Wallis检验显示，针对相同pGGN的两名观察者之间、同一观察者不同时间的手动体积测量值两两之间均无差异。
经Wilcoxon秩和检验显示，AI体积测量与人工测量的“金标准”之间亦无差异；Spearman相关分析显示，AI与人工测量体积数值的相关性很高（r=0.981），且二者间一致性亦很好（ICC值=0.987）（表1、表2和图3）。
表 1 AI与人工测量值的差异性及相关性比较Table 1. The differences and related comparisons between AI and manual measurements性质 参数 AI测量 人工测量 P 差异性 P50（P25，P75） 264.59（158.08，544.77） 263.43（159.60，527.56） 0.703 相关性 相关系数r 1 0.981 0.000 注：AI与人工测量差异性比较采用Wilcoxon秩和检验，P=0.703>0.05，差异无统计学意义。二者相关性比较采用 Spearman分析，具有显著相关性；二者相关系数为0.981。 表 2 AI与人工测量一致性比较Table 2. The consistency comparisons between AI and manual measurements项目 同类相关性 95％置信区间 使用真值0的F检验 下限 上限 值 自由度1 自由度2 显著性 单个测量 0.987 0.983 0.99 154.651 169 169 0 平均测量 0.994 0.991 0.995 154.651 169 169 0 注：AI与“金标准”一致性比较采用组内相关系数（ICC）一致性检验，结果显示：二者ICC值为0.987，一致性较好。 ![]()
图 3 AI与人工测量体积相关性散点图Figure 3. Scatterplot of the correlation between AI and manual measurements2.3 不同因素对AI体积测量误差影响
本研究以pGGN“金标准”体积523.6 mm3（相当于直径1 cm）为界限，将170个pGGN分为A组：体积>523.6 mm3组（n=45）和B组：体积≤523.6 mm3组（n=125）。其次，按照pGGN发生的部位分为：左肺上叶组（n=49）、左肺下叶组（n=24）、右肺上叶组（n=49）、右肺中叶组（n=21）和右肺下叶组（n=27）。再次，根据pGGN的毗邻关系分为完全位于肺实质组（n=82）、贴近血管组（n=29）及贴近胸膜组（n=59）。
经多元线性回归分析显示pGGN不同体积值、发生位置及毗邻关系对AI测量误差均无统计学意义（表3）。
表 3 不同因素对AI测量误差的影响Table 3. The effects of different factors on AI measurement errors变量 分组 测量误差 Z P 体积 体积≤523.6 mm3（n=125） -0.553（-8.313，9.327） -0.769 0.442 体积>523.6 mm3（n=45） 3.847（-32.743，77.457） 位置 右肺上叶（n=49） 1.208（-4.947，14.561） 5.575 0.233 右肺中叶（n=21） -8.990（-22.598，12.897） 右肺下叶（n=27） 1.203（-8.542，16.477） 左肺上叶（n=49） -0.253（-12.017，12.932） 左肺下叶（n=24） -2.240（-20.935，12.388） 毗邻 肺实质（n=82） -0.745（-11.519，14.643） 0.438 0.803 贴近血管（n=29） 0.010（-6.762，15.200） 胸膜下（n=59） -0.253（-10.637，9.273） 3. 结论
3.1 基于CT对肺pGGN的AI诊断临床意义
随着低剂量CT肺癌筛查工作的广泛开展，检出越来越多的肺pGGN已成为常态[10]，而其大小的变化情况对病变良恶性的判断和治疗、随访方案的选择具有重要意义。目前，放射科医师常依据典型的CT形态特征和动态随访鉴别肺pGGN的良恶性，但在随诊过程中仅根据传统的二维轴向测量来评估结节生长与性质往往准确率欠佳。近年来，基于CT数据的三维测量渐成为评价肺pGGN生长较为精准和热点的领域[11-12]。
肺结节三维体积测量采集了整个结节的体素数据，能更准确的反映其真实大小，客观表述结节整体变化[13]。从三维立体、更加灵敏的判断结节性质与生长规律，更有助于鉴别结节良恶性及生物学行为。已有文献证实，三维定量可同时预测肺pGGN生长及反映恶性GGN的浸润程度[14]，较二维测量更为敏感。
近年来，计算机硬件水平的提升和深度学习等核心技术的发展推动了AI的开发和临床应用[15]。AI肺结节预测模型通过深度机器学习，经广泛的图像训练，从底层提取特征，对肺结节进行自动识别及测量，最大程度避免了主观影响[16]。凭借其强大的计算能力、图像识别能力和无疲劳性，对数据及图像进行高效的分析和识别，在肺结节筛查方面具有突出的辅助诊断价值，也得到越来越广泛的临床应用与推广[17-20]。
对AI辅助肺结节检测的数据源来说，其准确性是精准服务于临床的前提。如由于测量误差导致肺结节体积增大或减小，不仅给患者带来很大心理负担而且可能导致临床治疗策略的偏差。因此，借助AI优势探索一种快速准确测量肺结节体积的方法具有重要临床实用意义。本文以人工手动测量为“金标准”，采用基于三维卷积神经网络（3D-CNN）的智能技术，探讨目前临床应用的一款AI测量软件对pGGN体积测量的准确性，旨在验证其对临床工作中肺结节体积测量的可靠性及应用价值。
3.2 AI测量准确性及其影响因素
本研究显示，利用InferRead肺结节AI测量软件自动化测量pGGN的体积数值与人工手动测量的“金标准”差异无统计学意义，且具有很好的相关性与一致性（r=0.981；ICC值=0.987）。该结果与国内学者吴林玉等[2]研究结论基本一致，其团队也是利用InferRead肺结节检测软件对70个肺结节进行自动化测量，结果显示该软件测量结果与人工手动测量结果差异无显著性，且具有良好相关性（r=0.958）。从而表明该AI软件作为肺结节CT三维体积测量工具的准确性值得信赖，可应用于临床上肺结节体积的定量评估及定性诊断参考。
目前，影响肺结节计算机辅助体积测量的因素主要包括如下两大类：
（1）患者自身因素，如心脏搏动、呼吸运动以及肺结节大小及其毗邻关系。Goo等[21]分别测量了患者呼气及吸气状态下的肺结节体积，结果显示呼气状态下肺结节体积大于吸气状态，二者相差约23.1％，表明不同呼吸状态对肺结节体积测量具有很大影响，故通常均采取吸气状态下屏气进行胸部CT扫描以便于比较和统一基线标准。在Oda等[22]研究中发现直径≥5 mm的GGN计算机体积测量误差较小，平均误差约为2.35％（-4.14％～7.13％）。在本研究中，无论是pGGN的体积大小（界限为523.6 mm3，相当于直径1.0 cm），还是发生位置与毗邻关系对AI测量误差均无统计学意义，这可能与样本选择的标准（直径均>6 mm，病灶界限清晰等）及AI软件的效能有关；当pGGN体积越小，则部分容积效应影响越大；图像越模糊，易分辨像素减少，因此直径过小pGGN的AI体积测量值的准确性降低，其测量数值往往较真实结果偏大。
（2）CT机器设备及软件设计原理、扫描参数和技术条件等对肺小结节体积测量均具有不同程度的影响。Petrou等[13]利用1.25 mm/0.625 mm、2.5 mm/2 mm和5 mm/2.5 mm三种不同层厚/间隔组合重建图像测量肺结节体积，结果显示在直径小于1.0 cm的肺结节组中不同扫描层厚可显著影响测量结果。另外，Honda等[23]研究显示高分辨率重建算法和无重叠重建算法同样可影响肺结节体积测量结果使其显著增大，最大差异平均值为16％。
近期，我们团队证实在不同重建算法（B70 f、B30 f）条件下，AI辅助肺结节检测效能有差异，且应用B70 f的检测效能优于B30 f，可以提供更精确、可靠的临床标准[24]。此外，肺结节的自动分割、三维体积测量也具有较强的软件性能依赖性，不同的软件可导致测量结果差异很大。
本研究采用的AI软件基于三维卷积神经网络，利用深度学习进行目标检测，可充分利用肺结节空间三维信息，对肺结节空间定量特征进行精确分析计算，均是智能化与全自动完成，可重复性强，因此避免了不同观察者（观察者间误差）或同一观察者不同时间段（观察者内误差）导致的主观性随机误差等弊端。
此外，为保证随访期间不同CT检查扫描参数的一致性，本文随机收集作者所在医院一段时间内、同一台CT设备所扫描的胸部CT平扫数据，以避免AI软件在测算过程中造成的误差。
3.3 问题与展望
本研究也存在一定的局限性。①本研究为单一AI肺结节检测软件，不同AI软件模型诊断效能有所不同，今后应加强不同产品AI软件的比较研究；②本研究仅纳入 pGGN结节，未对其他类型肺结节比较研究，有待于今后补充和完善；③本文结节样本量较少，分组不细，且均为同一单位数据，其结果的代表性与普适性有待于进一步验证；④由于很难获得活体状态下pGGN真实精准体积，本研究采用人工细致测量的“金标准”也难免带有一定主观性影响，期待未来更加智能化与精准测量技术的研发应用。
综上所述，基于深度学习的InferRead肺结节AI测量软件对pGGN三维体积自动测量数值具有良好的准确性与稳定性，可作为临床上pGGN随访比较分析和定量评估的可靠参考依据，具有良好的临床应用前景。
-
![]()
图 1 pGGN的AI测量过程
（a）～（i）分别展示pGGN位于胸膜下、血管旁及肺实质3种情况时，AI自动识别并进行体积测量计算过程。（a）～（c）薄层CT扫描显示目标pGGN；（d）～（f）薄层CT扫描显示系统自动以方框标记目标pGGN；（g）～（i）薄层CT扫描显示结节与周围肺实质由系统自动勾勒边界，并自动计算结节体积（结节周围紧贴的血管、胸膜等结构由软件自动剔除）。
Figure 1. AI measurement process of pGGN
![]()
图 2 手动测量结节体积的过程
48岁女性，右肺中叶外侧段持续存在pGGN。（a）～（c）分别显示观察者使用PACS工具手动测量，精确提取pGGN过程；（d）显示由“推想”软件自动勾勒结节边缘并计算体积的成果。
Figure 2. Process of manually measuring nodule volume
![]()
图 3 AI与人工测量体积相关性散点图
Figure 3. Scatterplot of the correlation between AI and manual measurements
表 1 AI与人工测量值的差异性及相关性比较
Table 1 The differences and related comparisons between AI and manual measurements
性质 参数 AI测量 人工测量 P 差异性 P50（P25，P75） 264.59（158.08，544.77） 263.43（159.60，527.56） 0.703 相关性 相关系数r 1 0.981 0.000 注：AI与人工测量差异性比较采用Wilcoxon秩和检验，P=0.703>0.05，差异无统计学意义。二者相关性比较采用 Spearman分析，具有显著相关性；二者相关系数为0.981。 
下载: 导出CSV
表 2 AI与人工测量一致性比较
Table 2 The consistency comparisons between AI and manual measurements
项目 同类相关性 95％置信区间 使用真值0的F检验 下限 上限 值 自由度1 自由度2 显著性 单个测量 0.987 0.983 0.99 154.651 169 169 0 平均测量 0.994 0.991 0.995 154.651 169 169 0 注：AI与“金标准”一致性比较采用组内相关系数（ICC）一致性检验，结果显示：二者ICC值为0.987，一致性较好。
下载: 导出CSV
表 3 不同因素对AI测量误差的影响
Table 3 The effects of different factors on AI measurement errors
变量 分组 测量误差 Z P 体积 体积≤523.6 mm3（n=125） -0.553（-8.313，9.327） -0.769 0.442 体积>523.6 mm3（n=45） 3.847（-32.743，77.457） 位置 右肺上叶（n=49） 1.208（-4.947，14.561） 5.575 0.233 右肺中叶（n=21） -8.990（-22.598，12.897） 右肺下叶（n=27） 1.203（-8.542，16.477） 左肺上叶（n=49） -0.253（-12.017，12.932） 左肺下叶（n=24） -2.240（-20.935，12.388） 毗邻 肺实质（n=82） -0.745（-11.519，14.643） 0.438 0.803 贴近血管（n=29） 0.010（-6.762，15.200） 胸膜下（n=59） -0.253（-10.637，9.273）
下载: 导出CSV
-
[1] SUNG H, FERLAY J, SIEGEL R L, et al. Global cancer statistics 2020: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries[J]. CA: A Cancer Journal for Clinicians, 2021, 71(3): 209−249. doi: 10.3322/caac.21660
[2] 吴林玉, 叶剑锋, 郑思思, 等. 应用人工智能对肺结节直径测量: 观察者内、观察者间差异[J]. 医学影像学杂志, 2020,30(1): 47−51. WU L Y, YE J F, ZHENG S S, et al. Differences in measurement of lung nodule diameter using artificial intelligence: Intraobserver and interobserver differences[J]. Journal of Medical Imaging, 2020, 30(1): 47−51. (in Chinese).
[3] MARTEN K, AUER F, SCHMIDT S, et al. Inadequacy of manual measurements compared to automated CT volumetry in assessment of treatment response of pulmonary metastases using RECIST criteria[J]. European Radiology, 2006, 16(4): 781−790. doi: 10.1007/s00330-005-0036-x
[4] PIANYKH O S, LANGS G, DEWEY M, et al. Continuous learning AI in radiology: Implementation principles and early applications[J]. Radiology, 2020, 297(1): 6−14. doi: 10.1148/radiol.2020200038
[5] REYES M, MEIER R, PEREIRA S, et al. On the Interpretability of artificial intelligence in radiology: Challenges and opposrtunities[J]. Radiology: Artificial Intelligence, 2020, 2(3): e190043−e190043. doi: 10.1148/ryai.2020190043
[6] HENSCHKE C I. Early lung cancer action project: Overall design and findings from baseline screening[J]. Cancer, 2000, 89(S11): 2474−2482. doi: 10.1002/1097-0142(20001201)89:11+<2474::AID-CNCR26>3.0.CO;2-2
[7] KANG S, KIM T H, SHIN J M, et al. Optimization of a chest computed tomography protocol for detecting pure ground glass opacity nodules: A feasibility study with a computer-assisted detection system and a lung cancer screening phantom[J]. PLoS One, 2020, 15(5): e0232688−e0232688. doi: 10.1371/journal.pone.0232688
[8] XU Y M, ZHANG T, XU H, et al. Deep learning in CT images: Automated pulmonary nodule detection for subsequent management using convolutional neural network[J]. Cancer Management and Research, 2020, 12: 2979−2992. doi: 10.2147/CMAR.S239927
[9] 朱江涛. 三维CT测量肺小结节体积的可重复性评价[D]. 苏州: 苏州大学, 2007: 20-24. [10] 孙炎冰, 陶广昱, 陈群慧, 等. 人工智能CT定量分析肺磨玻璃密度结节初探[J]. 中国医学计算机成像杂志, 2018,24(5): 383−387. doi: 10.3969/j.issn.1006-5741.2018.05.004 SUN Y B, TAO G Y, CHEN Q H, et al. Quantitative CT image features of ground glass opacity nodules: Initiative analysis with artificial intelligence[J]. Chinese Computed Medical Imaging, 2018, 24(5): 383−387. (in Chinese). doi: 10.3969/j.issn.1006-5741.2018.05.004
[11] 李梦琦, 韩融城, 宋文静,等. CT三维容积分析在实性肺结节恶性风险度评估中的价值[J]. 中国肺癌杂志, 2016,19(5): 279−285. doi: 10.3779/j.issn.1009-3419.2016.05.05 LI M Q, HAN R C, SONG W J, et al. Three dimensional volumetric analysis of solid pulmonary nodules on chest CT: Cancer risk assessment[J]. Chinese Journal of Lung Cancer, 2016, 19(5): 279−285. (in Chinese). doi: 10.3779/j.issn.1009-3419.2016.05.05
[12] 吴光耀, 伍建林. 基于CT的计算机辅助检测与诊断肺结节技术研究进展[J]. 中国医学影像技术, 2018,34(7): 1114−1117. WU G Y, WU J L. Research progresses of computer-aided detection and diagnosis based on CT in pulmonary nodules[J]. Chinese Journal of Medical Imaging Technology, 2018, 34(7): 1114−1117. (in Chinese).
[13] PETROU M, QUINT L E, NAN B, et al. Pulmonary nodule volumetric measurement variability as a function of CT slice thickness and nodule morphology[J]. American Journal of Roentgenology, 2007, 188(2): 306−312. doi: 10.2214/AJR.05.1063
[14] SON J Y, LEE H Y, KIM J H, et al. Quantitative CT analysis of pulmonary ground-glass opacity nodules for distinguishing invasive adenocarcinoma from non-invasive or minimally invasive adenocarcinoma: The added value of using iodine mapping[J]. European Radiology, 2016, 26(1): 43−54. doi: 10.1007/s00330-015-3816-y
[15] 侯永泉, 徐毛冶, 柴军, 等. 人工智能在肺小结节HRCT检出与诊断的研究进展[J]. 内蒙古医学杂志, 2021,53(2): 187−190. [16] 张怀瑢, 孙潇, 田兴仓, 等. 基于深度学习的人工智能诊断系统在不同重建参数下对肺结节的识别研究[J]. 临床放射学杂志, 2020,39(11): 2203−2206. ZHANG H R, SUN X, TIAN X C, et al. Deep Learning based artificial intelligence diagnosis system to identify pulmonary nodules under different reconstruction algorithms[J]. Journal of Clinical Radiology, 2020, 39(11): 2203−2206. (in Chinese).
[17] JAMES H T, XIANG L, QUANZHENG L, et al. Artificial intelligence and machine learning in radiology: Opportunities, challenges, pitfalls, and criteria for success[J]. Journal of the American College of Radiology, 2018, 15(3): 504−508. doi: 10.1016/j.jacr.2017.12.026
[18] ALI I, HART G R, GUNABUSHANAM G, et al. Lung nodule detection via deep reinforcement learning[J]. Frontiers in Oncology, 2018, 8(8): 108.
[19] HOSNY A, PARMAR C, QUACKENBUSH J, et al. Artificial intelligence in radiology[J]. Nature Reviews Cancer, 2018, 18(8): 500−510. doi: 10.1038/s41568-018-0016-5
[20] ARNAUD S A A, ALBERTO T, THOMAS D B, et al. Validation, comparison, and combination of algorithms for automatic detection of pulmonary nodules in computed tomography images: The LUNA16 challenge[J]. Medical Image Analysis, 2017, 42: 1−13. doi: 10.1016/j.media.2017.06.015
[21] GOO J M, KIM K G, GIERADA D S, et al. Volumetric measurements of lung nodules with multi-detector row CT: Effect of changes in lung volume[J]. Korean Journal of Radiology, 2006, 7(4): 243−248. doi: 10.3348/kjr.2006.7.4.243
[22] ODA S, AWAI K, MURAO K, et al. Computer-aided volumetry of pulmonary nodules exhibiting ground-glass opacity at MDCT[J]. American Journal of Roentgenology, 2010, 194(2): 398−406. doi: 10.2214/AJR.09.2583
[23] HONDA O, SUMIKAWA H, JOHKOH T, et al. Computer-assisted lung nodule volumetry from multi-detector row CT: Influence of image reconstruction parameters[J]. European Journal of Radiology, 2006, 62(1): 106−113.
[24] 孙丹丹, 王亮, 许迪, 等. 不同重建算法对人工智能辅助肺结节检测效能的影响[J]. 生物医学工程与临床, 2021,25(2): 160−164. SUN D D, WANG L, XU D, et al. Effects of different reconstruction kernels on efficiency of artificial intelligence-assisted lung nodule detection[J]. Biomedical Engineering and Clinical Medicine, 2021, 25(2): 160−164. (in Chinese).
-
期刊类型引用(1)
1. 郭小皖，贾旭东，张丹青，贾德召，陈英敏，张淑倩，刘阳，时高峰. 肺部亚实性结节三维体积及体质量测量一致性分析. 温州医科大学学报. 2023(12): 974-979 . 
百度学术
其他类型引用(0)
计量
- 文章访问数: 440
- HTML全文浏览量: 127
- PDF下载量: 28
- 被引次数: 1
