GO-Net活动性诊断模型

SPECT/CT自动分诊

一个两阶段深度学习模型，自动分割眼外肌并结合SPECT/CT影像诊断Graves眼病活动性，减少医生阅片负担。

Yao, Ni · Li, Longxi · Zhao, Chen · Li, Yanting · Han, Chuang · 南姣芬 · Zhu, Zelin · Xiao, Yi · 朱付保 · 赵明 · Zhou, Weihua

European Journal of Nuclear Medicine and Molecular Imaging 2023

参数信息

眼外肌分割平均交并比

0.82

技术优势

阅片负担显著下降

自动分割眼外肌并根据SPECT/CT判断活动性，无需医生手动逐层勾画眼外肌并评分。

可解释性有据可查

Grad-CAM热力图显示模型聚焦于GO活动区域，为医生提供直观的决策依据。

应用场景

• 核医学影像诊断：自动量化SPECT/CT中的炎性活动，辅助核医学医师诊断GO活动性
• 医学图像分割：自动勾画眼外肌，替代手动标注，提高效率和一致性
• 医学图像自动诊断：从SPECT/CT直接输出活动性分类，减少医生阅片和评分工作量
• 甲状腺眼病管理：客观评估GO活动性，辅助临床决策和疗效监测