自动细分和预测脊椎间盘形态和MRI的单轴变形从MRI
James A Coppock1,2, Nicole E Zimmer1,2, Charles E Spritzer3
1Department of Orthopedic Surgery, Duke University School of Medicine, United States.
Osteoarthritis and cartilage open
|June 30, 2023
概括
这项研究验证了一种深度学习算法,用于分割椎间盘 (IVD) 图像,改善IVD退化和腰部疼痛 (LBP) 的分析. 自动化方法显著提高了体内生物力学测量的速度和可靠性.
科学领域:
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
- 计算生物学 计算生物学
背景情况:
- 椎间盘 (IVD) 退化是腰部疼痛 (LBP) 的主要原因之一.
- 准确测量体内IVD机制对于了解LBP病因至关重要.
- 用于IVD分析的MRI数据的手动细分是耗时的,并且限制了吞吐量.
研究的目的:
- 开发和验证一种深度学习算法,用于对体内IVD图像进行自动细分.
- 评估算法在测量IVD形态和力学方面的准确性和可靠性.
- 提高体内IVD生物机械分析的效率.
主要方法:
- 两种深度学习架构 (2D和3D U-Net) 被训练并评估用于从MRI扫描中进行IVD细分.
- 使用子相似系数 (mDSC) 和平均表面距离 (ASD) 评估了形态准确性.
- 使用类内相关系数 (ICC) 和标准测量误差 (SEm) 评估了功能可靠性和精度.
主要成果:
- 3D U-Net 架构以 0.9824 的 mDSC 和较低的 ASD 值实现了峰值性能.
- 功能分析显示出出色的可靠性 (ICC = 0.926) 和精度 (SE_m = 0.42%).
- 深度学习框架准确地复制了IVD形态和变形的手动测量.
结论:
- 深度学习为自动化体内IVD功能测量提供了精确可靠的方法.
- 这种自动化方法显著加速了IVD生物力学分析.
- 经过验证的算法有可能促进IVD退化和腰部疼痛的研究.
