从MRI中基于深度学习的肩部细分与推理准确度预测
Hanspeter Hess1, Adrian C Ruckli1, Finn Bürki1
1School of Biomedical and Precision Engineering, Personalised Medicine Research, University of Bern, 3008 Bern, Switzerland.
Diagnostics (Basel, Switzerland)
|May 27, 2023
概括
深度学习准确地从旋转手套撕裂患者的MRI扫描中细分肩部解剖学. 这种自动化方法加快了3D诊断,减少了手工劳动和改善了临床工作流程,以获得更好的外科结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科手术 整形外科手术
背景情况:
- 三维 (3D) 成像技术有助于轮子袖口撕裂的预后.
- 临床应用需要高效和强大的MRI细分.
- 手动细分是耗时的,并且限制了3D诊断的使用.
研究的目的:
- 开发一种自动化的深度学习方法,通过MRI对肩部解剖进行细分.
- 集成对细分精度的自动验证.
- 为了促进临床采用基于3D图像的诊断用于旋转手套撕裂.
主要方法:
- 利用深度学习网络 (nnU-Net) 来自动细分手臂肌,肩膀肌和旋转手套肌肉.
- 在111个T1加权MRI扫描上训练了网络,并在76名患者的60个扫描上进行了测试.
- 调整nnU-Net框架以估计标签特定的网络不确定性,用于自动结果验证.
主要成果:
- 在解剖细分方面获得了0.91±0.06的平均子系数.
- 不确定性估计成功识别了需要纠正的细分,灵敏度为1.0和特异性为0.94.
- 自动化验证显著减少了手动审查的需要.
结论:
- 展示的深度学习方法可以从MRI中高效准确地自动细分肩部解剖.
- 综合不确定性估计提供了对细分质量的可靠的自动验证.
- 这些方法简化了3D图像分析,使其在旋转手套撕裂管理中的常规临床使用变得实用.


