Стійкість до втрати просторової роздільної здатності при КТ-скринінгу крихкості хребців у осіб, потенційно постраждалих від війни
DOI:
https://doi.org/10.18372/1990-5548.89.21469Ключові слова:
машинне навчання, комп’ютерна томографія, деградація зображення, крихкість хребців, зсув домену, радіоміка, потенційно постраждалі від війни, опортуністичний скринінгАнотація
Роботу присвячено збереженню точності моделей машинного навчання для КТ-скринінгу крихкості хребців за умов погіршеної якості зйомки, характерної для мобільних та польових сканерів у регіонах, що постраждали від війни. У роботі запропоновано парний протокол оцінювання, у якому модель, навчену на чистих ознаках, двічі застосовують до тих самих відкладених хребців, який базується на керованій синтетичній деградації тих самих КТ-обстежень: адитивний шум (15, 30, 50 HU), розмиття в площині (σ = 0,5, 1, 2 мм) і збільшення товщини зрізу (2, 3, 5, 7 мм). У роботі розроблено порівняльне оцінювання чотирьох подань зображення хребця на двох незалежних когортах (106 пацієнтів, 478 хребців і 126 пацієнтів, 589 хребців), де парну різницю площі під ROC-кривою оцінюють кластерним бутстрепом за пацієнтами. Адитивний шум не дав послідовного ефекту. Розмиття в площині знизило площу під кривою радіомічного подання на 0,096 (95 % ДІ –0,165, –0,025) і на 0,112 (–0,169, –0,053) у поперековій та черевній когортах, тоді як подання на основі середнього ослаблення лишилося в межах нульового інтервалу за всіх умов (на чистих даних 0,732 і 0,665). Результати роботи може бути використано для добору стійких до умов зйомки візуальних біомаркерів для опортуністичного скринінгу постраждалих від війни та переміщених осіб, середній вік яких збігається з віком досліджених когорт і яких обстежують там, де є обладнання.
Посилання
P. J. Pickhardt et al., “Automated abdominal CT imaging biomarkers for opportunistic prediction of future major osteoporotic fractures in asymptomatic adults,” Radiology, vol. 297, pp. 64–72, 2020. https://doi.org/10.1148/radiol.2020200466.
[2] S. J. Lee and P. J. Pickhardt, “Future osteoporotic fracture risk related to lumbar vertebral trabecular attenuation at routine body CT,” J. Bone Miner. Res., vol. 33, pp. 860–867, 2018. https://doi.org/10.1002/jbmr.3383.
[3] U. J. Muehlematter et al., “Vertebral body insufficiency fractures: detection of vertebrae at risk on standard CT images using texture analysis and machine learning,” Eur. Radiol., vol. 29, pp. 2207–2217, 2019. https://doi.org/10.1007/s00330-018-5846-8.
[4] S. H. Kong et al., “A CT-based fracture prediction model with images of vertebral bones and muscles by employing deep learning,” J. Med. Internet Res., vol. 26, e48535, 2024. https://doi.org/10.2196/48535.
[5] J. Wasserthal et al., “TotalSegmentator: robust segmentation of 104 anatomic structures in CT images,” Radiol. Artif. Intell., vol. 5, e230024, 2023. https://doi.org/10.1148/ryai.230024.
[6] A. Traverso, L. Wee, A. Dekker, and R. Gillies, “Repeatability and reproducibility of radiomic features: a systematic review,” Int. J. Radiat. Oncol. Biol. Phys., vol. 102, pp. 1143–1158, 2018. https://doi.org/10.1016/j.ijrobp.2018.05.053.
[7] A. Zwanenburg, M. Vallières, M. A. Abdalah et al., “The Image Biomarker Standardization Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping,” Radiology, vol. 295, pp. 328–338, 2020. https://doi.org/10.1148/radiol.2020191145.
[8] K. Riazanovskiy, D. Orlovs, J. Stepanova, V. Sineglazov, A. Platkajis, and O. Chumachenko, “Per-vertebra prediction of future osteoporotic fractures from routine computed tomography using a two-stage machine learning framework,” Medicina, vol. 62, no. 8, 1518 p., 2026. https://doi.org/10.3390/medicina62081518.
[9] A. Vabalas et al., “Machine-learning algorithm validation with a limited sample size,” PLoS One, vol. 14, e0224365, 2019. https://doi.org/10.1371/journal.pone.0224365.
[10] S. Saradzhyan, “Average Age of Ukrainian Soldiers Is Past 40 and That Could Be a Problem,” Russia Matters, Belfer Center for Science and International Affairs, Harvard Kennedy School, 3 Nov. 2023. [Online]. Available: https://www.russiamatters.org/blog/average-age-ukrainian-soldiers-past-40-and-could-be-problem
[11] “Average age of Ukrainian military is 43–45 years old, there is problem with mobilisation of young people – Bloomberg,” LB.ua, 27 May 2024. [Online]. Available: https://en.lb.ua/news/2024/05/27/29492_average_age_ukrainian_military.html
[12] A. Evych and M. Fal, “One Foot in Retirement: Serving Over 50,” Frontliner, 13 Mar. 2026. [Online]. Available: https://frontliner.ua/en/one-foot-in-retirement-serving-over-50/
Downloads
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Науковий журнал "Електроніка та системи управління" дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.
Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).
Авторські права
Автори, які публікують свої роботи в журналі ""Електроніка та системи управління":
-
зберігають за собою авторські права на свої публікації;
-
надають журналу право на перше опублікування статті;
-
погоджуються на поширення матеріалів за ліцензією CC BY 4.0;
-
мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.
