Sammenligning af en SegNet-baseret algoritme, der estimerer epifascial fibrose

Ved lymfødem forekommer der altid proinflammatoriske cytokin-medierede progressive kaskader, hvilket fører til makroskopisk fibrose. Der er imidlertid ingen praktisk tilgængelige metoder til at måle lymfødem-induceret fibrose før dens forværring. Teknisk kan CT visualisere fibrose på overfladiske og dybe steder. Til standardiseret måling blev der udført verifikation af deep learning (DL)-baseret genkendelse. Et tværsnits, observationelt kohorteforsøg blev udført på et undervisende universitetshospital. Protokollen for denne undersøgelse blev godkendt af University Hospital Institutional Review Board og blev registreret på Protocol Registration and Results System (PRS), www. kliniske forsøg. gov (NCT04811677: https:// clini caltrials. gov/ ct2/ show/ NCT04 811677? term= NCT04 81167 7& draw= 2& rank=1). Alle metoder blev udført i overensstemmelse med de relevante retningslinjer og forskrifter. Retssagen var i overensstemmelse med principperne i Helsinki-erklæringen. Patienter blev inkluderet, hvis de var klinisk diagnosticeret med unilateralt lymfødem i lemmer og havde gennemgået BEI-analyse og CT-scanning. Forsøgspersonerne gav skriftligt informeret samtykke til offentliggørelse af sagsdetaljerne. Data blev indsamlet så tæt på CT-scanningsdatoen som muligt. Patienter, der blev diagnosticeret med dyb venetrombose, bilateral lemmerpåvirkning, vaskulær sygdom eller lokal infektion blev udelukket.

Efter indsnævring af vinduesbredden af ​​de absorberende værdier i CT-billeder, blev SegNet-baseret semantisk segmenteringsmodel af hver pixel i 5 klasser (luft, hud, muskel/vand, fedt og fibrose) trænet (65 %), valideret (15 %) og testet (20%). Derefter blev 4 indekser formuleret og sammenlignet med resultaterne af standardiseret omkredsforskelforhold (SCDR) og bioelektrisk impedans (BEI). I alt blev 2138 CT-billeder af 27 kroniske unilaterale lymfødempatienter analyseret.