胸部CT自动对比噪声比分析:开源分割方法的验证
本研究回顾性分析100例胸部增强CT(50例CTA、50例CTPA),评估开源BOA框架自动分割主动脉、肺动脉干和椎旁肌计算CNR的可行性与准确性,并在TCIA外部队列(n=100)验证。未修改的BOA分割CNR显著低于人工测量(均p<0.01,平均差异达6.3),经脂肪减除和二值腐蚀优化后(m_erode6联合a_erode6或p_erode6)与放射科医师无显著差异(p≥0.35),外部验证ICC 0.89–0.93、Bland-Altman偏倚小。
要点
- 未修改的BOA自动分割所得CNR显著低于三位放射科医师的人工测量(均p<0.01,平均差异最高达6.3)。
- 对肌肉掩膜先行脂肪减除(–200至–40 HU)再联合6体素二值腐蚀,可使自动与人工CNR差异不再显著(p≥0.35)。
- 外部TCIA队列(n=100)验证主动脉ICC 0.89(95%CI 0.83–0.92)、肺动脉干ICC 0.93(95%CI 0.90–0.95)。
核心结论
- 经最小化修改的开源分割框架可实现胸部CT全自动、可重复的CNR评估,达到专家级一致性并在外部验证中表现稳健。
- 该方法是人工ROI测量的可扩展替代方案,可简化图像质量评估、支持协议优化,并提供可整合入AI工作流的标准化指标。
研究设计与样本
- 回顾性研究,内部纳入2022年1月1日至12月31日间100例胸部增强CT(50例CTA、50例CTPA),使用5台不同CT扫描仪(SOMATOM Definition AS、SOMATOM Flash、SOMATOM Edge及两台SOMATOM Force;Siemens Healthineers)。
- 对比剂为碘普罗胺300(Ultravist 300,Bayer Vital GmbH),用量约1.0–1.25 mL/kg体重,注射速率1.9–4.0 mL/s;采用团注追踪触发动脉期,横断面以软组织核重建,层厚及层间距均为1.0 mm。
- 以3名胸部影像经验分别为3、4、5年的放射科医师手工放置ROI的测量均值作为参考标准,在升主动脉、降主动脉、肺动脉干及椎旁肌(均位于肺动脉干层面)放置ROI。
- 外部验证使用TCIA公开LIDC-IDRI数据集,经BOA对比期相识别工具分析1308例后识别179例CTA和195例CTPA,各随机抽取50例(共100例)由检查者独立评估。
- BOA为基于nnU-Net架构的开源CT分割工具,可自动分割骨骼、肌肉、器官和血管并提供最小、最大、平均HU、SD及体积等定量指标。
关键影像表现/征象
- 未修改BOA分割的偏差主要来自三方面:血管掩膜包含血管壁及邻近脂肪、肌肉掩膜包含椎旁脂肪、肌肉边界部分容积效应。
- 脂肪减除与逐步二值腐蚀使血管/肌肉HU升高、肌肉SD降低,从而缩小自动与人工CNR的差异。
- 未修改BOA掩膜覆盖整个结构体积(主动脉约227 mL、肺动脉干约77 mL、肌肉约493 mL),随腐蚀推进体积减少70–80%。
- 所选工作点(a_erode6/p_erode6联合m_erode6)的平均分割体积为主动脉126.60 mL、肺动脉干36.99 mL、肌肉143.04 mL。
- 过深腐蚀(>8体素)在肌肉减少症病例中偶可产生不可分析的分割(体积=0 mL)。
诊断标准与关键数值
- CNRaorta定义为主动脉平均HU与肌肉平均HU之差除以肌肉SD;CNRPT定义为肺动脉干平均HU与肌肉平均HU之差除以肌肉SD。
- 内部队列中未修改BOA与人工测量的CNR差异有统计学意义(均p<0.01),平均差异最高达6.3;主动脉平均BOA-检查者差异从原始3.84降至m_erode8的1.38,肺动脉干从6.28降至2.36。
- 腐蚀深度4–6体素时与检查者的差异不再有统计学意义;工作点m_erode6联合a_erode6或p_erode6在CTA和CTPA中两个血管靶点与读者均无显著差异(p≥0.35)。
- 外部验证中优选变体与读者在所有终点均无显著差异(均p≥0.35),平均BOA-检查者差异为CNRaorta CTA 0.93、CNRaorta CTPA 1.53、CNRPT CTA 0.77、CNRPT CTPA 1.97。
- 外部验证一致性:主动脉ICC(2,1)=0.89(95%CI 0.83–0.92),偏倚0.16(95%LoA –3.47至3.80);肺动脉干ICC(2,1)=0.93(95%CI 0.90–0.95),偏倚0.42(95%LoA –4.03至4.87)。
临床应用与阅片要点
- 作者认为,自动生成的测量结果不应不加批判地直接采用,需经脂肪减除和适度腐蚀等针对性修改后方可用于CNR评估。
- 作者指出,人工单层ROI与BOA全容积分割的采样策略不同,数值不必完全一致,但良好一致性支持自动容积CNR作为人工测量的可重复替代指标。
- 作者提出,未来工作应通过多层或3D人工ROI建立容积金标准,并量化层面选择对CNR的影响,以协调两种测量范式。
- 作者认为,该方法可减少读者工作量、实现高通量图像质量评估,并适用于协议优化、新型采集技术评估和重建方法基准测试。
局限性
- 研究局限性在于仅聚焦CNRaorta和CNRPT。
- 原文指出,未来工作应通过多层或3D人工ROI建立容积金标准,并量化层面选择对CNR的影响。
- 原文指出,自动生成的测量结果不应不加批判地直接采用。
全文中译20 节 · 点击展开
引言
计算机断层扫描(CT)是现代医学中的一种关键成像模态[1]。CT图像质量是诊断准确性[2]的基本前提,并且日益成为放射组学和人工智能(AI)等数据驱动应用的基础[3–8]。充分的图像质量确保可靠的病灶检测和准确定量,尤其是在胸部成像中,运动敏感性带来了挑战[9–12]。
尽管放射科医师的主观评估仍是评价图像质量的临床标准,但其本质上受观察者间和观察者内变异性的限制[13]。此外,定性评分不太适用于大规模研究、协议优化或AI训练流程,这些都需要可重复且客观的指标。
在可用的客观指标中,对比噪声比(CNR)因其简单性和临床可解释性而被广泛使用[2]。然而,其常规使用受到手动放置感兴趣区(ROI)需求的限制,这既耗时又依赖于观察者[13]。这促使了能够以标准化和可重复方式提取CNR值的自动化方法的发展[14, 15]。
自动化图像分析的最新进展开辟了客观CT质量评估的新前沿,特别是通过身体和器官分析(BOA)等工具[16]。BOA框架将两种开源分割算法TotalSegmentator[17]和身体成分分析(BCA)[18]整合到临床工作流程中。它能够自动分割多个胸部结构,并以最少的手动输入促进大规模CNR评估。尽管最初是为身体成分分析而开发的,但其评估图像质量的潜力尚未被系统探索。
基于自动生成的分割,对增强目标结构和图像噪声进行选择性CNR评估成为可行。然而,在手动实践中,ROI通常放置在增强管腔内,而算法分割整个结构,包括血管壁。这种差异引发了对于BOA衍生测量与手动金标准相比的准确性和可靠性的担忧。
本研究旨在评估基于BOA的自动化CNR分析在胸部CT中的可行性和准确性。我们将BOA衍生值与专家手动测量进行比较,并研究各种分割修改的影响。我们的目标是建立一种可重复、可扩展的客观CT图像质量评估方法,以支持临床和AI驱动的应用。
材料和方法
伦理声明
本研究按照埃森大学医院机构审查委员会的指南进行(批准号24-11698-BO)。由于研究的回顾性性质,机构审查委员会豁免了书面知情同意的要求。数据在纳入研究前已完全匿名化。
CT和患者队列
我们针对每种方案类型(计算机断层扫描血管造影(CTA)和计算机断层扫描肺动脉造影(CTPA))按每台CT扫描仪随机纳入10项研究,最终共纳入2022年1月1日至12月31日期间采集的100例胸部CT扫描。扫描使用五台不同的CT扫描仪(SOMATOM Definition AS、SOMATOM Flash、SOMATOM Edge以及两台SOMATOM Force系统;Siemens Healthineers)获取。平均年龄为60.2 ± 15岁(范围:20–85岁;40%为女性)。对比剂(碘普罗胺300;Ultravist 300,Bayer Vital GmbH)以约1.0–1.25 mL/kg体重的剂量给药,注射速率为1.9–4.0 mL/s。采用团注跟踪技术,CTA时将感兴趣区(ROI)置于主动脉,CTPA时置于肺动脉干(PT),以触发相应的动脉期。横断面图像使用软组织卷积核重建,层厚和层间距均为1.0 mm。
BOA
BOA是一种基于nnU-Net架构的开源CT分割工具[16, 19, 20]。它可以作为DICOM节点整合到临床工作流程中,并以93% ± 2%的平均体素级身体覆盖率自动分割人体[16]。通过结合TotalSegmentator [17]和BCA [18],BOA能够准确分割医学图像中的各种解剖结构,包括骨骼、肌肉、器官和血管,并提供定量指标,如最小值、最大值和平均亨斯菲尔德单位(HU)、标准差(SD)和体积。在既往的验证研究中,BOA在所有分割结构上达到了0.94的平均Sørensen–Dice系数[16]。近期,一种基于MRI的扩展版本(BOA-MR)被引入,使得利用nnU-Net模型从T2加权MRI序列进行全自动身体成分分析成为可能,从而扩展了该框架的临床适用范围[21]。
检查者
对于每项CT研究,三名分别具有3年、4年和5年胸部影像学经验的放射科医师(以下称为检查者1–3)被要求在升主动脉、降主动脉、肺动脉干和自体背部肌肉(以下称为肌肉)中放置ROI,均位于肺动脉干层面。检查者被指示将ROI放置于各结构的中心位置,与血管壁以及围绕或与肌肉相交的相邻脂肪组织保持距离。对于每个ROI,记录以下指标:最小值、最大值和平均HU、SD以及面积。主动脉使用两个ROI进行评估,一个置于升主动脉,一个置于降主动脉,取两者的平均值用于后续分析。所有手动ROI放置均使用Centricity Universal Viewer 7.0(GE Healthcare,芝加哥,伊利诺伊州,美国)完成。
图像质量评估
计算主动脉和肺动脉干的CNR(CNR主动脉和CNR肺动脉干)。CNR主动脉定义为主动脉平均HU与肌肉平均HU之差除以肌肉SD的比值。同样,CNR肺动脉干计算为肺动脉干平均HU与肌肉平均HU之差除以肌肉SD的比值。
统计分析
所有统计分析均使用GraphPad Prism 10.6.1(GraphPad Software,圣迭戈,加利福尼亚州,美国)进行。进行了样本量考量以验证队列具有足够的检验效能来检测自动与手动CNR测量之间的临床相关差异。基于反映同一检查内重复测量的配对设计(标准化效应量dz = 0.6,α = 0.05,双尾,Δ = 1.0 CNR单位),所需最小样本量为n = 24以达到80%检验效能。因此最终内部数据集(n = 100次检查)显著超过了该阈值,实际达到的检验效能约为0.98。由于基于Kolmogorov–Smirnov检验部分组呈现非正态分布,采用重复测量非参数Friedman检验和Dunn事后检验来评估三名检查者之间以及每名检查者与BOA之间的评估者间变异性。为量化系统性差异,计算了BOA衍生CNR(包括所有修改)与检查者所得平均CNR的平均偏差(以下称为平均BOA-检查者差异)。p值 < 0.05被认为具有统计学意义。还对用于计算CNR的各个参数获取了描述性统计量。
使用组内相关系数(ICC;双向随机效应、绝对一致性、单次测量)和Bland–Altman分析进一步评估自动与手动CNR测量之间的一致性。Bland–Altman图以阅片者均值作为主要参考;报告了偏倚、差值的标准差和95%一致性界限(LoA)。通过差值对均值的线性回归检验比例偏倚。报告了离群值,并进行了排除极端值的敏感性分析。BOA与人类阅片者之间的所有比较均在同一检查内进行,确保采集方案因素(如对比剂剂量、注射速率、CTA vs CTPA)对两种方法的影响相同,不会使一致性分析产生偏倚。
后处理:分割的视觉分析
在获得BOA衍生初始值并与检查者的值进行比较后,随机审查了叠加主动脉、PT和自体背部肌肉分割的CT图像,以识别潜在的混杂因素。该事后分析使用内部数据集对下述每种分割修改进行。使用ITK-SNAP 4.0.2(宾夕法尼亚大学)进行图像可视化。对于每种修改,生成分割体素内HU的箱线图,以可视化与CNR计算相关的图像参数变化。
后处理:分割修改
在初步分析之后,我们对BOA衍生分割实施了一系列修改并相应重复CNR计算:血管:对于主动脉和PT,使用核大小范围为2至10体素的形态学结构元素进行二值腐蚀。在二值腐蚀之前,将所有CT体积重采样至均匀体素间距,以确保各检查间一致的物理腐蚀深度。主动脉和PT的原始自动分割分别称为a_original和p_original。腐蚀后的分割表示为a_erode2–10和p_erode2–10,数字后缀表示核大小。
自体背部肌肉:对于自体背部肌肉,首先减去HU值在–200至–40之间的体素(代表脂肪组织[22–24]),然后进行核大小为2至10体素的二值腐蚀。原始BOA肌肉分割(m_original)包括肌肉组织和肌内脂肪成分;因此,脂肪减法作为后处理步骤应用,即在二值腐蚀之前去除预定义HU区间(–200至–40 HU)内的所有体素。未修改的分割称为m_original,脂肪减法后的分割称为m_minus_fat,脂肪减法加腐蚀后的分割称为m_erode2–10,后缀同样表示核大小。
这些迭代的结果用于重新计算CNR,然后将其相互比较并与检查者获得的值进行比较。
外部验证
在确定修改后BOA的首选变体后,我们使用癌症影像档案(TCIA)的数据进行了外部验证。总共使用BOA对比期识别工具[25, 26]分析了来自公开可用的LIDC-IDRI数据集的1,308例病例。共识别出179例CTA和195例CTPA扫描。从中随机选取两个各含50例的子集,一个用于CTA,一个用于CTPA,并由检查者独立审阅。然后按照与内部验证相同的方法,将从检查者评估中得出的CNR值与使用所选BOA变体获得的值进行比较。
结果
检查者间比较
除检查者1与检查者3之间CTA中CNRaorta的差异外(p = 0.04),三名检查者之间的CNR测量未观察到显著差异。读者间变异性适中,平均差异为0.91至1.86。检查者平均CNR为:CTA中CNRaorta 9.49 ± 2.85,CTPA中6.62 ± 3.21,CTA中CNRPT 10.51 ± 3.31,CTPA中13.87 ± 7.01(表1)。
检查者与原始BOA比较
未修改BOA的CNR与CTA和CTPA中两种血管结构的手动测量均存在显著差异(所有p < 0.01),平均差异高达6.30。与检查者间变异性相比,BOA的底层HU值和SD值也显示出明显更大的偏差,例如,CTA中PT为21.88 HU vs 11.18 HU,肌肉SD为39.73 HU vs 25.25 HU。
视觉分析和系统偏差
对BOA分割的检查显示三个主要偏差来源:血管掩膜中纳入血管壁和邻近脂肪
肌肉掩膜中纳入椎旁脂肪
肌肉边界处的部分容积效应。
这些效应随脂肪减法和渐进式二值腐蚀而减小(图1),反映为血管/肌肉HU升高和肌肉SD降低(图2)。
改良BOA的性能
各项修改带来了逐步改善。对于主动脉,BOA与检查者之间的平均差异从3.84(原始)降至m_erode8的1.38(补充表1和图3)。
在PT(肺动脉干)中观察到类似趋势,差异从6.28降至2.36(补充表2和图4)。
当应用4–6的侵蚀深度后,与阅片者之间的统计学显著性消失。极深的侵蚀(> 8)偶尔产生无法分析的分割(肌少症病例中体积 = 0 mL)。
ROI大小与分割体积
手动ROI每个结构覆盖约0.12 mL,与早期至中期BOA侵蚀密切匹配。相比之下,未修改的BOA掩膜覆盖整个结构体积(主动脉约227 mL;PT约77 mL;肌肉约493 mL),随着渐进性侵蚀这些体积减少70–80%(表2)。所选工作点(a_erode6/p_erode6联合m_erode6)产生的平均分割体积为126.60 mL(主动脉)、36.99 mL(PT)和143.04 mL(肌肉)。
改良BOA的首选变体
尽管改良 BOA 的多种变体均能产生有效的 CNR 测量值,但我们的目标是推荐一个适用于所有测试组合(CTA 和 CTPA 中的 CNRaorta 和 CNRPT)的单一一致版本,以促进自动化 CNR 分析的实施。基于统计结果和视觉评估,我们选择了 m_erode6 与 a_erode6 或 p_erode6 的组合。在测试的肌肉变体(m_minus_fat 和 m_erode2–10)中,以 m_erode6 为中心的变体在广泛的动脉组合范围内最频繁地显示与检查者均值无显著差异。该选择平衡了性能和稳健性,避免了校正不足(如较低侵蚀水平)和过度校正(如较高侵蚀水平),这两者均与显著偏差相关。因此,a_erode6 和 p_erode6 是 m_erode6 最兼容的动脉对应物,在不产生过度侵蚀的情况下提供一致的结果。侵蚀水平 6 是第一个在 CTA 和 CTPA 中两个血管目标(主动脉和 PT)均显示与读者无显著偏差(p ≥ 0.35)的配置,而较低水平保留了显著差异,较高水平增加了分割失败率而无进一步的准确性提升。
外部验证
在 TCIA 队列(n = 100)中,首选变体在所有终点上均显示与读者无显著差异(所有 p ≥ 0.35)。BOA 与检查者之间的平均差异为 0.93(CNRaorta,CTA)、1.53(CNRaorta,CTPA)、0.77(CNRPT,CTA)和 1.97(CNRPT,CTPA);作为比较,检查者间差异范围为 0.62 至 1.90。检查者的平均 CNR 分别为 CNRaorta(CTA/CTPA)8.98 ± 3.18 和 10.46 ± 4.45,CNRPT(CTA/CTPA)7.70 ± 3.69 和 14.74 ± 6.66(补充表 3)。自动与手动 CNR 测量之间在两种血管结构上均具有极好的一致性。对于主动脉,ICC 表明极好的一致性(2, 1) = 0.89,95% CI 0.83–0.92),偏差可忽略为 0.16,95% LoA 较窄(–3.47 至 3.80)。对于 PT,一致性同样高(ICC (2, 1) = 0.93,95% CI 0.90–0.95)。Bland–Altman 分析显示偏差略大,为 0.42,LoA 更宽(–4.03 至 4.87),反映尽管系统偏差略大,但病例间排序一致(图 5)。
总之,这些分析证实了自动与手动 CNR 测量之间的强一致性,不同血管区域之间的性能存在细微差异。
讨论
本研究通过比较 BOA 衍生值与专家手动测量并量化分割修改的影响,评估了胸部 CT 中基于 BOA 的自动 CNR 分析的可行性和准确性,目标是建立一种可重复、可扩展的客观 CT 图像质量评估方法,以支持临床和 AI 驱动的应用。
与检查者的结果相比,初始使用未修改的BOA在CTA和CTPA中导致CNRaorta和CNRPT出现显著差异。视觉分析经描述性统计证实,显示BOA所有血管和肌肉掩膜的平均HU系统性偏低,肌肉SD偏高,从而导致CNR降低。这些差异源于BOA有意进行全结构分割,包括血管壁和肌间脂肪,两者通常显示比对比增强管腔或纯肌肉更低的HU。与邻近组织的额外部分容积效应进一步放大了偏差。
我们通过从肌肉掩膜中减去脂肪,并对血管和肌肉分割应用二值腐蚀(核大小2–10)来解决这些影响。BOA与检查者之间的平均差异逐渐减小,并在腐蚀水平4–6附近趋于平稳,此后若干组合与检查者均值不再有显著差异。我们选择m_erode6及a_erode6/p_erode6作为准确性与过度腐蚀之间的平衡操作点。在TCIA [25]上的外部验证证实了该变体的泛化性,在所有终点上与阅片者相比差异均不显著。
综上所述,经过最小程度调整的BOA可以在全自动运行的同时,在CTA和CTPA中再现专家水平的CNR测量。
这支持了本研究建立可扩展、客观的CT图像质量评估方法的目标。解读这种一致性时,必须考虑手动测量与自动测量之间的概念差异。人工阅片者放置的单层ROI不可避免地包含一些肌内脂肪和部分容积效应,而自动化BOA流程应用容积分割并结合脂肪减除和腐蚀来减轻此类影响。这些方法并非严格等价,但结果的收敛表明自动化流程为专家测量提供了系统且可重复的替代指标,而非对人工过程的完全相同复制。手动和自动CNR测量基于不同的采样策略:阅片者使用单层ROI以避免血管壁和部分容积效应,而BOA则推导整个结构的容积值。因此,不应期望数值完全相同;尽管存在这一概念差异,仍然取得了极好的一致性,这支持了自动容积CNR评估作为手动测量可重复替代指标的有效性。
尽管许多先前关于自动图像质量的研究涵盖多个参数、解剖部位、采集设置甚至模态[14, 24–30],我们有意聚焦于CNR——对比增强CT图像质量的核心决定因素[31]——并在CTA/CTPA中专门对其进行评估。需要进行针对性修改这一点强调,自动生成的测量值不应被不加批判地接受;然而,在脂肪减除和适度腐蚀之后,BOA为测量CNRaorta和CNRPT提供了经过验证的功能。
参考标准的选择值得考虑。检查者的均值基于单层、手动放置的感兴趣区(ROI),而BOA从所有相关层面的容积分割中计算CNR。容积方法可能更好地反映整体结构的信号和噪声,但读者均值仍是实用的临床参考;使用该参考,我们证明了修改后的一致性。未来工作应通过推导多层或3D手动ROI来建立容积金标准,并量化层面选择对CNR的影响,从而协调这些范式。
通过自动化手动CNR测量的劳动密集型工作流程,修改后的BOA实现了高通量图像质量评估,减少了读者工作量,并允许在更短时间内分析更大的数据集。这对于旨在在保持诊断质量的同时最小化辐射或对比剂剂量的协议优化研究(例如自动曝光控制[32–34]或对比剂减少[35–38])、对新采集技术的评估(双源和光子计数CT[39–41])以及对新重建/处理方法的基准测试(迭代重建[33, 42]、深度学习重建[36, 43])特别有用。它还促进了对身体成分、图像质量和临床结局之间关系的大规模研究[44, 45]。
从人工智能的角度来看,该方法产生一致的容积CNR标签,可作为数据集管理、模型条件和性能审计的可靠目标或协变量,这与人工智能在CT图像质量评估中日益增长的应用相一致[46]。
利用开源平台(BOA)促进了透明性和可重复性;所提出的修改可以被检查、版本控制并在各站点间扩展,支持研究界的广泛采用[19]。
从实践角度来看,所提出的修改易于实施,可以集成到BOA中实现自动化使用,并在现有工作流程中保持可重复性和开放性。优势包括多扫描仪队列、两种对比增强胸部协议的分析、分割修改的系统性消融以及外部验证。
局限性在于聚焦于CTA/CTPA中的CNRaorta和CNRPT(其他区域/期相尚待测试);使用单层ROI作为参考而非BOA的容积掩模;固定形态学参数在边缘情况(例如严重肌少症)下可能侵蚀不足或过度;以及可能随本文未涵盖的重建核或供应商而变化。
内部数据集仅包括使用软核的西门子扫描,这可能限制普适性,尽管使用TCIA病例的外部验证确认了稳健性。然而,在使用TCIA病例的外部验证中,我们的方法仍然稳健。此外,本工作代表了一项样本量有限的概念验证评估,需要更大的多中心队列来巩固这些发现。未来工作应评估自适应形态学、稳健的3D噪声建模、在光子计数CT中的应用,以及前瞻性测试BOA引导的质量反馈是否改善诊断性能或AI模型泛化。最后,我们的研究仅关注CNR作为图像质量的替代指标。尽管CNR被广泛使用,但它不反映空间分辨率、可检测性或任务特定性能等互补方面,这些应在未来研究中加以解决。
结论
一种改良的BOA,结合自体背部肌肉中的脂肪减除与血管和肌肉掩膜的中度二值腐蚀,能够在胸部CTA/CTPA中实现全自动、容积CNR计算,产生的值与专家读者的测量一致,并在外部数据集中具有普适性。它提供了一种可重复、可扩展的替代方法,替代手动单层、基于ROI的CT图像质量评估,减少了读者工作量,并生成标准化的容积CNR指标,支持协议优化和AI驱动应用。本研究刻意聚焦于CNR作为对比增强CT图像质量的核心定量参数;其他图像质量维度应在未来研究中加以解决。
补充信息
电子补充材料
引用
- Beck N, Baldini G, Salhöfer L, et al. Automated contrast-to-noise ratio analysis in chest CT: validation of an open-source segmentation approach. Insights Imaging. 2026. PMID: 41945209. doi:10.1186/s13244-026-02263-y
- 全文:PMC13057051(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13057051/
供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。