深い学習ベースのカーネル変換比較を伴う低用量コンピューター断層撮影を使用した肺気腫の定量化

目的：この研究は、低用量コンピューター断層撮影（LDCT）を使用した肺気腫の定量化に対する用量削減とカーネル選択の効果を決定し、肺気腫の定量化のカーネルの正常化における深い学習ベースのカーネル変換技術の効率を評価しました。 方法：131人の参加者のサンプルが、1年から2年の間隔でLDCTおよび標準用量コンピューター断層撮影（SDCT）を受けました。LDCT画像はB31FおよびB50Fカーネルで再構築され、SDCT画像はB30Fカーネルで再構築されました。深い学習モデルを使用して、LDCT画像をB50FカーネルからB31Fカーネルに変換しました。肺気腫指数（EIS）、15パーセンタイル（PERC15）での肺の減衰、および平均肺密度（MLD）が計算されました。LDCTとSDCTの両方の異なるカーネルタイプの比較は、Friedman's TestとBland-Altmanプロットを使用して実行されました。 結果：LDCT B50Fのすべての値は、LDCT B31FおよびSDCT B30Fの値と比較して有意に異なっていました（P <0.05）。統計的な違いがありましたが、LDCT B50Fの値の変動は、カーネル正規化後に大幅に減少しました。SDCTカーネルとLDCTカーネル（B31Fおよび変換されたB50F）の間の95％の一致制限は、それぞれ-2.9〜4.3％、および-3.2から4.4％の範囲でした。ただし、SDCTとLDCTの間にEISとPERC15に有意差はありませんでした。 結論：LDCTにおける鋭いカーネルの深い学習ベースのCTカーネル変換は、肺気腫の定量化の変動を大幅に減らし、肺気腫の定量化に使用できます。 キーポイント：•滑らかなカーネルを備えた低用量のコンピューター断層撮影は、標準用量CTと比較して肺気腫の定量化に適切な性能を示しました。•肺気腫の定量化はカーネルの選択の影響を受け、鋭いカーネルの適用により肺気腫の重大な過大評価が得られました。•鋭いカーネルの深い学習ベースのカーネル正規化により、肺気腫の定量化の変動が大幅に減少しました。

OBJECTIVE: This study determined the effect of dose reduction and kernel selection on quantifying emphysema using low-dose computed tomography (LDCT) and evaluated the efficiency of a deep learning-based kernel conversion technique in normalizing kernels for emphysema quantification. METHODS: A sample of 131 participants underwent LDCT and standard-dose computed tomography (SDCT) at 1- to 2-year intervals. LDCT images were reconstructed with B31f and B50f kernels, and SDCT images were reconstructed with B30f kernels. A deep learning model was used to convert the LDCT image from a B50f kernel to a B31f kernel. Emphysema indices (EIs), lung attenuation at 15th percentile (perc15), and mean lung density (MLD) were calculated. Comparisons among the different kernel types for both LDCT and SDCT were performed using Friedman's test and Bland-Altman plots. RESULTS: All values of LDCT B50f were significantly different compared with the values of LDCT B31f and SDCT B30f (p < 0.05). Although there was a statistical difference, the variation of the values of LDCT B50f significantly decreased after kernel normalization. The 95% limits of agreement between the SDCT and LDCT kernels (B31f and converted B50f) ranged from - 2.9 to 4.3% and from - 3.2 to 4.4%, respectively. However, there were no significant differences in EIs and perc15 between SDCT and LDCT converted B50f in the non-chronic obstructive pulmonary disease (COPD) participants (p > 0.05). CONCLUSION: The deep learning-based CT kernel conversion of sharp kernel in LDCT significantly reduced variation in emphysema quantification, and could be used for emphysema quantification. KEY POINTS: • Low-dose computed tomography with smooth kernel showed adequate performance in quantifying emphysema compared with standard-dose CT. • Emphysema quantification is affected by kernel selection and the application of a sharp kernel resulted in a significant overestimation of emphysema. • Deep learning-based kernel normalization of sharp kernel significantly reduced variation in emphysema quantification.