神经根压缩分析以在MRI上找到腰椎脊柱狭窄,使用CNN
Turrnum Shahzadi1, Muhammad Usman Ali2, Fiaz Majeed1
1Department of Information Technology, University of Gujrat, Gujrat 50700, Pakistan.
Diagnostics (Basel, Switzerland)
|September 28, 2023
概括
这项研究引入了一个卷积神经网络 (CNN),用于使用MRI图像自动检测腰椎缩 (LSS). 人工智能模型实现了高精度,有助于临床诊断.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断
背景情况:
- 腰椎缩 (LSS) 是一种导致神经压缩和腰部疼痛的疾病,目前的检测方法在准确性和多功能性方面存在局限性.
- 准确有效地检测LSS对于及时诊断和患者管理至关重要.
- 现有的LSS细分算法缺乏广泛临床使用所需的准确性和适应性.
研究的目的:
- 开发和评估一种自动化方法,使用磁共振成像 (MRI) 来分类腰椎狭窄症 (LSS).
- 利用卷积神经网络 (CNN) 来精确地检测和分级MRI扫描中的LSS.
- 为了提高诊断准确度,并支持临床决策在LSS诊断.
主要方法:
- 开发了一个卷积神经网络 (CNN) 模型,用于从轴视图MRI图像中自动检测和分级LSS.
- 在公共数据集上进行了放射学分级,确定了正常,轻度,中度和严重LSS的四个感兴趣区域 (ROI).
- 实验使用了1545张MRI图像,数据集分为多ROI和单ROI类别,采用80:20的培训/测试比例和五倍交叉验证.
主要成果:
- 提出的基于CNN的方法显示了高的诊断准确性,在多ROI数据集中达到97.01%,在单一ROI数据集中达到97.71%.
- 计算机辅助诊断方法在模拟的临床工作流程中显著提高了准确性.
- 在不同的数据集中验证了CNN模型的有效性,超过了现有的最先进的方法.
结论:
- 开发的基于CNN的MRI图像分割方法有效地检测和评分腰椎狭窄症 (LSS).
- 这种自动化系统显示出显著的潜力,可以提高诊断的准确性,并协助医疗专家在临床决策LSS.
- 与目前最先进的LSS诊断技术相比,提出的方法提供了一种优越而强大的解决方案.
