深度学习用于自动测量CSA相关的acromion形态参数在anteroposterior射线图上
Yamuhanmode Alike1, Cheng Li1, Jingyi Hou1
1Department of Orthopaedic Surgery, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, Guangzhou, China.
European journal of radiology
|September 15, 2023
概括
一个新的深度学习算法可以自动测量关键肩角相关形态参数 (CSA-RAMP) 在肩部放射图上. 这种自动化系统显示出高精度和一致性,可能加速旋转手套撕裂 (RCT) 的研究.
科学领域:
- 整形外科成像分析分析
- 医疗人工智能的人工智能
- 放射性参数量化的量化 放射性参数量化
背景情况:
- 关键肩膀角度相关的形形态参数 (CSA-RAMP) 对于理解旋转手套撕裂 (RCT) 的病因至关重要.
- 目前手动CSA-RAMP测量是耗时的,并且受用户变化的限制,限制了临床使用.
研究的目的:
- 开发和验证一个深度学习算法,用于自动化CSA-RAMP计算从肩部前后放射图.
- 与手动和半自动化方法相比,评估算法的准确性和一致性.
主要方法:
- 从CT扫描和159张X射线 (2018-2020) 中对1080张数字重建的X射线图 (DRR) 进行了回顾性分析.
- 使用DRR开发的深度学习算法用于自动细分和CSA-RAMP计算.
- 使用平均平均精度 (AP),皮尔森相关性和布兰德-阿尔特曼分析对手动和半自动测量进行性能评估.
主要成果:
- 该算法获得了优异的细分性能 (平均AP:57.67,AP50:94.31).
- 在两个数据集的自动,半自动和手动CSA-RAMP测量之间发现了强烈的相关性 (r = 0.9840.997,P < 0.001).
- 在大多数测量的布兰德-阿尔特曼分析中观察到低偏差,表明高一致性.
结论:
- 一个完全自动化的深度学习算法用于CSA-RAMP测量肩部X射线成像已经成功开发.
- 这种自动化系统提供了快速而准确的测量,克服了手工方法的局限性.
- 自动化的CSA-RAMP测量有潜力加速对旋转手套撕裂疾病生物学的大规模研究.
