来自计算机断层扫描的状腺细分,基于对状腺骨损失评估的2阶段深度学习模型

科学领域:

• 整形外科手术 整形外科手术
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 目前用于测量状骨缺陷的计算机断层扫描 (CT) 方法存在局限性.
• 精确测量状骨损失对于治疗肩部不稳定至关重要.

研究的目的:

• 开发一种自动化的2阶段深度学习模型,用于从CT扫描中对腺体进行细分.
• 为了准确量化关节骨缺陷和骨损失.

主要方法:

• 开发了一个两阶段的深度学习模型 (ResNet用于定位,U-Net用于细分).
• 该模型经过训练,并通过CT扫描对肩部脱或没有脱的患者进行了测试.
• 使用准确度,交叉-超过-联盟,体积误差,R2和林对应相关系数来评估性能.

主要成果:

• 两阶段模型在状腺位置和细分 (IoU 0.96) 中实现了高精度 (99.28%).
• 格莱诺伊德体积误差很低 (9.33%).
• 预测和真实值之间的高相关性发现了状腺体体积 (R2=0.87,CCC=0.93) 和骨损失 (R2=0.91,CCC=0.95).

结论:

• 深度学习模型有效地从CT扫描中对状骨进行细分.
• 该模型准确量化了状腺骨损失,为临床决策提供了有价值的工具.