在高分辨率放射图片上自动测量骨高度,采用一种基于深度学习的新方法
Kamil Kwolek1, Dariusz Grzelecki2, Konrad Kwolek3
1Department of Spine Disorders and Orthopaedics, Centre of Postgraduate Medical Education, Gruca Orthopaedic and Trauma Teaching Hospital, Otwock 05-400, Poland. kwolekamil@gmail.com.
World journal of orthopedics
|June 28, 2023
概括
这项研究表明,使用膝盖放射图的深度学习进行自动化骨高度评估是准确的. 人工智能方法与手动测量非常一致,为骨科诊断提供了有价值的工具.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 骨科诊断 骨科诊断 骨科诊断
背景情况:
- 深度学习在医学成像分析方面表现有前途.
- 人们对自动化骨科测量和诊断越来越感兴趣.
研究的目的:
- 用深度学习对高分辨率射线图进行自动骨高度测量的准确性进行评估.
- 验证基于深度学习的方法,用于骨细分和骨科成像中的检测.
主要方法:
- 一个U-Net神经网络被训练和验证,用于92个侧面膝关节X射线图的骨分割.
- 一个你只看一次 (YOLO) 神经网络检测到相关的骨区域.
- 用U-Net自动测量骨高度,并由骨科外科医生手动测量,量化了Caton-Deschamps (CD) 和Blackburne-Peel (BP) 索引.
- 类间相关系数 (ICC) 和单次测量标准误差 (SEM) 用于评估一致性.
主要成果:
- 在U-Net模型中,近腹骨和骨细分方面获得了95.9%的子得分.
- 对于CD和BP指数的自动测量显示出与骨科外科医生的手动测量有很好的一致性 (ICC>0.75).
- 对于骨区域检测,YOLO网络的平均平均精度 (mAP) 大于0.96.
结论:
- 使用深度学习的自动化骨高度评估在高分辨率放射图上是准确的.
- 该方法准确地确定状端点和关节线合,用于可靠的CD和BP指数计算.
- 这种由人工智能驱动的方法代表了临床骨科实践的潜在有价值的工具.
