ディープラーニングを用いた自動化されたマルチクラス骨分割: 放射性頭部置換におけるテンプレートの意味合い
Ausberto R Velasquez Garcia1, Linjun Yang2, Hiroki Nishikawa3
1Department of Orthopedic Surgery, Mayo Clinic, Rochester, MN, USA; Clinica Universidad de los Andes, Department of Orthopedic Surgery, Santiago, Chile.
Journal of shoulder and elbow surgery
|February 20, 2026
まとめ
ディープラーニングモデルは,放射性頭部関節整形術 (RHA) の計画のために骨のセグメンテーションを大幅に加速します. このAIツールは,高精度で,RHAのための手術前3Dテンプレート作成の効率と精度を向上させ,高い精度を提供します.
科学分野:
- 整形外科 整形外科
- メディカルイマージング (医学イメージング)
- 人工知能 (AI) とは,人工知能 (AI) のことです.
背景:
- 術前3Dテンプレートは,放射線頭関節整形術 (RHA) の外科的精度を高めています.
- 現在のセグメンテーション方法は時間がかかり,変数的です.
- セグメンテーションを自動化することは,効率的なRHA計画に不可欠です.
研究 の 目的:
- 自動化された多クラス骨のセグメンテーションのためのnnU-Netのディープラーニングモデルをトレーニングし,検証する.
- RHAテンプレート作成のnnU-Netモデルの正確性と効率性を評価する.
- 精密なセグメンテーションを通じてRHAにおける3Dボーンテンプレートをサポートします.
主な方法:
- 93回の上肢CTスキャンでnnU-Netモデルをトレーニングし,評価しました.
- 精度評価のため,サイコロの類似度係数 (DSC) とハウズドルフ距離を使用した.
- 平均表面距離 (MSD) と根の平方誤差 (RMSE) を用いた 3D 骨モデルを比較した.
主要な成果:
- nnU-Netは,股関節,股関節,半径について,高いセグメンテーション精度 (DSC: 0.95-0.99) を達成しました.
- 平均表面距離 (MSD) と根の平均二乗誤差 (RMSE) は一貫して低い (<0.2mm) でした.
- セグメンテーション時間は,nnu-Net.netでスキャン毎に78分 (マニュアル) から3分に短縮されました.
結論:
- nnU-Netモデルは,RHAにおける骨のセグメンテーションのための迅速で信頼性の高いソリューションを提供します.
- 皮質と皮質以外の骨領域で高い精度を達成し,臨床的ニーズを満たしています.
- RHAの術前計画における効率と精度を向上させるための臨床的実現可能性を示しています.


