Value and prognostic impact of a deep learning segmentation model of COVID-19 lung lesions on low-dose chest CT - 21/09/22

Doi : 10.1016/j.redii.2022.100003 
Axel Bartoli, MD a, b, 1, , Joris Fournel a, b, 1, Arnaud Maurin, MD a, Baptiste Marchi, MD a, Paul Habert, MD a, d, e, Maxime Castelli, MD a, Jean-Yves Gaubert, MD a, d, e, Sebastien Cortaredona, MD f, g, Jean-Christophe Lagier, MD, PhD f, h, Matthieu Million, MD, PhD f, h, Didier Raoult, MD, PhD f, h, Badih Ghattas, MCU c, Alexis Jacquier, MD, PhD a, b
a Department of Radiology, Hôpital de la Timone Adultes, AP-HM. 264, rue Saint-Pierre, 13385 Marseille Cedex 05, France 
b CRMBM - UMR CNRS 7339, Medical Faculty, Aix-Marseille University, 27, Boulevard Jean Moulin, 13385 Marseille Cedex 05, France 
c I2M - UMR CNRS 7373, Aix-Marseille University. CNRS, Centrale Marseille, 13453 Marseille, France 
d LIEE, Medical Faculty, Aix-Marseille University, 27, Boulevard Jean Moulin, 13385 Marseille Cedex 05, France 
e CERIMED, Medical Faculty, Aix-Marseille University, 27, Boulevard Jean Moulin, 13385 Marseille Cedex 05, France 
f Institut Hospitalo-Universitaire Méditerannée Infection, 19-21 boulevard Jean Moulin, 13005, Marseille, France 
g IRD, VITROME, Institut Hospitalo-Universitaire Méditerannée Infection, 19-21 boulevard Jean Moulin, 13005, Marseille, France 
h IRD, MEPHI, Institut Hospitalo-Universitaire Méditerannée Infection, 19-21 boulevard Jean Moulin, 13005, Marseille, France 

Corresponding author at: 10, rue de Vauvenargues, 13007, Marseille, France.10, rue de VauvenarguesMarseille13007France

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Highlights

Deep Learning (DL) pipeline, based on supervised convolutionnal neural networks achieve Dice coefficient of overall COVID-19 lesions on low-dose chest CT (ground-glass opacity and consolidation) of 0.75 ± 0.08 on low-dose computed tomography.
The developed pipeline computes clinical parameters: lesion volume (cm3) and extend (%). Lesion extent automatic quantification had a mean absolute error of 2.1% ± 2.4 with good correlation to manual ground-truth reference (r = 0.947: p<0.001).
After stepwise selection and adjustment on clinical characteristics of 1621 patients, DL driven automatic quantification was shown to be a strong prognostic marker of adverse events during COVID-19 infection (prognosis accuracy of the model from 0.82 without DL to 0.90 with DL-driven quantification (p<0.0001)).

Le texte complet de cet article est disponible en PDF.

Abstract

Objectives

1) To develop a deep learning (DL) pipeline allowing quantification of COVID-19 pulmonary lesions on low-dose computed tomography (LDCT). 2) To assess the prognostic value of DL-driven lesion quantification.

Methods

This monocentric retrospective study included training and test datasets taken from 144 and 30 patients, respectively. The reference was the manual segmentation of 3 labels: normal lung, ground-glass opacity(GGO) and consolidation(Cons). Model performance was evaluated with technical metrics, disease volume and extent. Intra- and interobserver agreement were recorded. The prognostic value of DL-driven disease extent was assessed in 1621 distinct patients using C-statistics. The end point was a combined outcome defined as death, hospitalization>10 days, intensive care unit hospitalization or oxygen therapy.

Results

The Dice coefficients for lesion (GGO+Cons) segmentations were 0.75±0.08, exceeding the values for human interobserver (0.70±0.08; 0.70±0.10) and intraobserver measures (0.72±0.09). DL-driven lesion quantification had a stronger correlation with the reference than inter- or intraobserver measures. After stepwise selection and adjustment for clinical characteristics, quantification significantly increased the prognostic accuracy of the model (0.82 vs. 0.90; p<0.0001).

Conclusions

A DL-driven model can provide reproducible and accurate segmentation of COVID-19 lesions on LDCT. Automatic lesion quantification has independent prognostic value for the identification of high-risk patients.

Le texte complet de cet article est disponible en PDF.

Keywords : COVID-19, Artificial intelligence, Multidetector computed tomography, Deep learning, Diagnostic imaging

Abbreviations : ACE, BMI, Cons, CNN, COVID-19, CT-SS, DL, DSC, GGO, ICU, LDCT, MAE, MVSF, ROC


Plan


 Institution from which the work originated: Department of Radiology, Hôpital de la Timone Adultes, AP-HM. 264, rue Saint-Pierre 13385 Marseille Cedex 05, France.


© 2022  The Authors. Publié par Elsevier Masson SAS. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 1

Article 100003- mars 2022 Retour au numéro
Article précédent Article précédent
  • Abdominal imaging in ICU patients with viral pneumonia: Are findings in COVID-19 patients really different from those observed with non-SARS-CoV-2 viral pneumonia?
  • Edouard Reizine, Sebastien Mule, Nicolas De Prost, Nicolas Mongardon, Jean-François Deux, Hicham Kobeiter, Alain Luciani
| Article suivant Article suivant
  • Investigating of the role of CT scan for cancer patients during the first wave of COVID-19 pandemic
  • Sylvain Bourdoncle, Thomas Eche, Jeremy McGale, Kevin Yiu, Ephraïm Partouche, Randy Yeh, Samy Ammari, Hervé Rousseau, Laurent Dercle, Fatima-Zohra Mokrane

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.