Resumen

En este estudio, se utilizó un algoritmo de aprendizaje profundo basado en tomografía computarizada (TC) de energía/espectro para la metástasis espinal del cáncer de pulmón. Se propuso primero un modelo de U-Net convolucional dilatado (modelo DC-U-Net), que se utilizó para segmentar la imagen de TC de energía/espectro de pacientes con metástasis espinal de cáncer de pulmón. Posteriormente, se recopilaron imágenes de TC de energía/espectro bajo diferentes niveles de energía para la comparación de la relación señal-ruido (SNR) y la relación contraste-ruido (CNR). Se encontró que la tasa de aprendizaje del modelo disminuía exponencialmente a medida que aumentaba el número de entrenamientos, con el contorno pulmonar segmentado fuera de la imagen. Bajo 4065keV, el valor de la TC de la metástasis ósea del cáncer de pulmón disminuyó con el aumento de la energía, al igual que el resultado de la prueba de suma

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Algoritmo de aprendizaje profundo; TC de energía/espectral; Metástasis; Cáncer de pulmón; Segmentación; Tasa de detección
• Keywords:Deep learning algorithm; Energy/spectral CT; Metastasis; Lung cancer; Segmentation; Detection rate