14 فروردین 1404
logo

مرکز تحقیقات رادیولوژی نوین و تهاجمی

دانشگاه علوم پزشکی تهران

فعالیت های مرکز تحقیقات رادیولوژی دانشگاه علوم پزشکی تهران در دوران همه‌گیری کووید-۱۹

همه‌گیری کووید-۱۹ و نقش مرکز تحقیقات رادیولوژی

در طول همه‌گیری کووید-۱۹، مرکز تحقیقات رادیولوژی دانشگاه علوم پزشکی تهران، علی‌رغم چالش‌های ناشی از افزایش تقاضا برای سی‌تی اسکن بیماران کووید-۱۹ و لزوم رعایت پروتکل‌های بهداشتی سختگیرانه، به فعالیت‌های تحقیقاتی خود ادامه داد. این مرکز نقشی حیاتی در بهبود تکنیک‌های تصویربرداری پزشکی، بهینه‌سازی پروتکل‌های تشخیصی و توسعه فناوری‌های مرتبط با تجزیه و تحلیل تصاویر سی‌تی اسکن ایفا کرد.

اعضای هیئت علمی، محققان و کارکنان ضمن تضمین ایمنی و رفاه متخصصان مراقبت‌های بهداشتی و بیماران، فعالانه در تجزیه و تحلیل داده‌های تصویربرداری، توسعه الگوریتم‌های هوش مصنوعی برای تشخیص سریع‌تر بیماری، انتشار مقالات علمی و ارائه یافته‌های خود در کنفرانس‌های بین‌المللی شرکت داشتند. این تلاش‌ها با هدف افزایش دقت تشخیصی، بهبود فرآیندهای درمان و کاهش فشار بر سیستم‌های مراقبت‌های بهداشتی انجام شد.

دستاوردهای کلیدی مرکز تحقیقات رادیولوژی در طول همه‌گیری کووید-۱۹

  • توسعه و بهینه‌سازی پروتکل‌های تصویربرداری ریه: برای تشخیص سریع‌تر و دقیق‌تر کووید-۱۹
  • پیاده‌سازی فناوری‌های هوش مصنوعی: برای تجزیه و تحلیل خودکار سی‌تی اسکن و کاهش زمان تشخیص
  • انتشار مقالات تحقیقاتی با تأثیر بالا: در مورد روش‌های تصویربرداری نوآورانه برای بیماران کووید-۱۹
  • مشارکت در پروژه‌های ملی و بین‌المللی: متمرکز بر تشخیص کووید-۱۹ و مدیریت بیماران

این مرکز همچنان به پیشبرد تحقیقات در زمینه تصویربرداری پزشکی اختصاص دارد و به عنوان یک مؤسسه علمی پیشرو در بهبود کیفیت خدمات تشخیصی و درمانی به مشارکت خود ادامه می‌دهد.

© مرکز تحقیقات رادیولوژی دانشگاه علوم پزشکی تهران

  • تاریخ انتشار : 1403/05/08 - 09:38
  • number of visits : 98
  • زمان مطالعه : 2 دقیقه

A Multi-centric Evaluation of Deep Learning Models for Segmentation of COVID-19 Lung Lesions on Chest CT Scans

{faces}

Background:

 Chest computed tomography (CT) scan is one of the most common tools used for the diagnosis of patients with coronavirus disease 2019 (COVID-19). While segmentation of COVID-19 lung lesions by radiologists can be time-consuming, the application of advanced deep learning techniques for automated segmentation can be a promising step toward the management of this infection and similar diseases in the future.

Objectives:

 This study aimed to evaluate the performance and generalizability of deep learning-based models for the automated segmentation of COVID-19 lung lesions.

Patients and Methods:

 Four datasets (2 private and 2 public) were used in this study. The first and second private datasets included 297 (147 healthy and 150 COVID-19 cases) and 82 COVID-19 subjects. The public datasets included the COVID19-P20 (20 COVID-19 cases from 2 centers) and the MosMedData datasets (50 COVID-19 patients from a single center). Model comparisons were made based on the Dice similarity coefficient (DSC), receiver operating characteristic (ROC) curve, and area under the curve (AUC). The predicted CT severity scores by the model were compared with those of radiologists by measuring the Pearson’s correlation coefficients (PCC). Also, DSC was used to compare the inter-rater agreement of the model and expert against that of 2 experts on an unseen dataset. Finally, the generalizability of the model was evaluated, and a simple calibration strategy was proposed.

Results:

 The VGG16-UNet model showed the best performance across both private datasets, with a DSC of 84.23% ± 1.73% on the first private dataset and 56.61% ± 1.48% on the second private dataset. Similar results were obtained on public datasets, with a DSC of 60.10% ± 2.34% on the COVID19-P20 dataset and 66.28% ± 2.80% on a combined dataset of COVID19-P20 and MosMedData. The predicted CT severity scores of the model were compared against those of radiologists and were found to be 0.89 and 0.85 on the first private dataset and 0.77 and 0.74 on the second private dataset for the right and left lungs, respectively. Moreover, the model trained on the first private dataset was examined on the second private dataset and compared against the radiologist, which revealed a performance gap of 5.74% based on DSCs. A calibration strategy was employed to reduce this gap to 0.53%.

Conclusion:

 The results demonstrated the potential of the proposed model in localizing COVID-19 lesions on CT scans across multiple datasets; its accuracy competed with the radiologists and could assist them in diagnostic and treatment procedures. The effect of model calibration on the performance of an unseen dataset was also reported, increasing the DSC by more than 5%.
  • Article_DOI : 10.5812/iranjradiol-117992
  • نویسندگان : masoumeh gity,arvin arian,saman sotoudeh-paima,navid hasanzadeh,ali bashirgonbadi,amin aref,mehran naghibi,mostafa zoorpaikar,hamid soltanian-zadeh
  • گروه خبر : پژوهش,مقالات,research article,covid19,AI
  • کد خبر : 272854
key words
مدیر سایت
تهیه کننده:

مدیر سایت

لیست اخبار

0 نظر برای این مطلب وجود دارد

ارسال نظر

نظر خود را وارد نمایید:

متن درون تصویر را در جعبه متن زیر وارد نمائید *

ارسال به دوستان

متن داخل تصویر را وارد کنید

متن داخل تصویر را وارد کنید *

پیوندها

لینک های مفید

نظرات

  • کاربران آنلاین : 1 نفر
  • بازدیدکنندگان این صفحه : 7 نفر
  • بازدیدکنندگان امروز : 130 نفر
  • بازدید کل : 114644 نفر
  • تاریخ آخرین بروزرسانی : 1403/12/27 12:38

کلیه حقوق سایت متعلق به مرکز تحقیقات رادیولوژی نوین و تهاجمی می‌باشد.

طراحی پرتال سازمانی
متن مورد نظر خود را جستجو کنید

تغییر رنگ فونت:

رنگ اصلی:

رنگ دوم:

تغییر رنگ پس زمینه:

تغییر اندازه فونت:

آ-آآ+

تغییر فاصله بین کلمات:

تغییر فایله بین خطوط:

تغییر نوع موس:

تغییر فونت

انتخاب حالت کور رنگی

سرخ کوری سبز کوری آبی کوری سرخ دشوار بینی سبز دشوار بینی آبی دشوار بینی تک رنگ بینی تک رنگ بینی مخروطی
تنظیمات پس زمینه
Close menu