CT窗口设置对人工智能分类肺部病变结果的影响

目的：应用3种不同的3D CNN的算法及5种CT窗口设置，探讨CT窗技术对人工智能分类肺部病变结果的影响。方法：回顾性分析172例周围型肺癌及185例局灶性肺炎的胸部CT影像资料，选择ResNet、ResNext以及DenseNet 3种不同的3D CNN的算法将病变分为两组，并在每1种3D CNN算法处理过程中应用5种不同的CT窗口设置，包括肺窗（1 500,-600），纵隔窗（350,40），自定义窗口1(SW1)(1 000,40)，自定义窗口2(SW2)(1 000,-100)，全窗（4 096,1 024），分别计算分类准确率及AUC结果，并进行ROC曲线的两两对比。结果：ResNet的平均分类准确率最低为纵隔窗85.732%,AUC值为0.871；平均分类准确率最高为全窗，达91.596%,AUC值为0.946。ResNext的平均分类准确率最低为纵隔窗81.528%,AUC值为0.814；平均分类准确率最高为全窗，达86.568%,AUC值为0.882。DenseNet的平均分类准确率最低为纵隔窗87.954%,AUC值为0.906；平均分类准确率最高为SW2，达93.2...