使用深度学习自动计算椎脊柱参数:在外部数据集上进行开发和验证

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 精确测量椎脊柱参数对于诊断和管理脊柱疾病至关重要.
• 从射线图中手动测量这些参数可能会耗时,并且容易引起观察者之间的变化.

研究的目的:

• 开发和验证一个深度学习模型,用于自动计算从横向宫X射线图的重要宫脊柱参数.

主要方法:

• 来自不同机构的两个数据集的回顾分析 (1498张用于培训的图像,79张用于验证的图像).
• 训练了一个深度学习模型来预测参数,包括T1斜率,C7斜率,C2-C7角度,C2-C6角度,斜视垂直轴 (SVA),C0-C2,Redlund-Johnell距离 (RJD),倾斜 (CT) 和角 (CCA).
• 模型的性能是使用与地面真相测量的中位数绝对误差来评估的.

主要成果:

• 该模型在角度测量 (例如,T1斜率为1.66°,C7斜率为1.56°) 和距离测量 (例如,SVA为0.55mm,RJD为0.47mm) 中实现了较低的绝对中位误差.
• 性能在不同参数上是一致的,表明高精度.

结论:

• 一个深度学习模型成功地被开发出来,用于从横向宫放射图中准确预测宫脊柱参数.
• 该模型在来自不同机构的外部验证集上显示出强度和高通用性.