Resumen

Este trabajo tenía como objetivo explorar el valor de aplicación de las imágenes de resonancia magnética (IRM) basadas en el aprendizaje profundo en la identificación de la tuberculosis y la neumonía, con el fin de proporcionar una cierta base de referencia para la identificación clínica. En este estudio, se seleccionaron como objetos de investigación 30 pacientes con tuberculosis pulmonar y 27 pacientes con neumonía hospitalizados, y se dividieron en un grupo de tuberculosis pulmonar y un grupo de neumonía. Se utilizó un examen de RM basado en algoritmos de reducción de ruido para observar y comparar la relación señal-ruido (SNR) y la relación portadora-ruido (CNR) de las imágenes. Además, se analizó el valor del coeficiente de difusión aparente (ADC) para la eficacia diagnóstica de las lesiones del parénquima pulmonar, y se seleccionó el mejor valor b. Los resultados mostraron que la imagen de RM tras la eliminación de ruido mediante el algoritmo de red neuronal convolucional profunda (DCNN) era más clara, los bordes del tejido pulmonar eran regulares, la señal de inflamación era mayor, y la SNR y la CNR eran mejores que antes, que eran 119,79 frente a 83,43 y 12,59 frente a 7,21, respectivamente. La precisión de la RM basada en un algoritmo de aprendizaje profundo en el diagnóstico de tuberculosis pulmonar y neumonía mejoró significativamente (96,67% frente a 70%, 100% frente a 62,96%) (P<0,05). Con el aumento del valor b, la CNR y la SNR de las imágenes de RMN mostraron una tendencia descendente (P<0,05). Por lo tanto, se descubrió que la sombra de las lesiones tuberculosas bajo una secuencia específica era mayor que la de la neumonía en el proceso de identificación de la tuberculosis y la neumonía, lo que reflejaba la importancia de las imágenes de RM con aprendizaje profundo en el diagnóstico diferencial de la tuberculosis y la neumonía, proporcionando así una base de referencia para el diagnóstico y el tratamiento de seguimiento clínico.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:neumonía, CNR, SNR, tuberculosis, relación de ruido, red neuronal convolucional profunda, aprendizaje profundo imágenes de RM, coeficiente de difusión aparente, mejor valor b, cierta base de referencia
• Keywords:pneumonia, CNR, SNR, tuberculosis, noise ratio, deep convolutional neural network, deep learning MRI images, apparent diffusion coefficient, best b value, certain reference basis