在肩部MRI中,使用卷积神经网络算法,高精度检测脊上脂肪透

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 脊上肌肉脂肪透 (SMFI) 是一个关键的MRI发现,用于肩膀预后.
• 古塔利尔分类是诊断SMFI的传统方法.
• 深度学习 (DL) 算法在SMFI检测中提供了更高的诊断准确性的潜力.

研究的目的:

• 开发和训练卷积神经网络 (CNN) 模型用于SMFI的二进制分类.
• 根据Goutallier的分类,使用肩部MRI对SMFI进行分类.
• 评估DL模型的诊断性能,与既有方法相比.

主要方法:

• 对606名被诊断患有SMFI的患者的肩膀MRI进行了回顾性分析.
• 使用T2加权,Y视图MRI,并自动进行上沟细分.
• 在五种不同的二进制SMFI分类方案上训练了VGG-19,ResNet-50和Inception-v3架构.
• 使用十倍交叉验证评估模型性能,报告AU-ROC,灵敏度和特异性.

主要成果:

• 在各种分类方案中,VGG-19模型实现了高性能,AU-ROC值从0.861到0.991.
• 针对VGG-19的特定性能指标包括精度高达0.973,灵敏度高达0.947,特异性高达0.975.
• 该研究证明了DL模型在准确诊断SMFI时的有效性.

结论:

• 从肩部MRI来看,CNN模型对SMFI诊断具有很高的准确性.
• 在提高SMFI的诊断能力方面,DL方法显示出希望.
• 这些发现表明,人工智能在改善肩膀损伤预后方面可能发挥作用.