相关实验视频
Updated: Jun 14, 2026
10:10
Reverse Total Shoulder Arthroplasty
Published on: July 5, 2011
43.3K
基于深度学习的自动化旋转手套撕裂查在三个平面的肩膀MRI
Kyu-Chong Lee1, Yongwon Cho1,2,3, Kyung-Sik Ahn1,2,3
1Department of Radiology, Korea University Anam Hospital, Korea University College of Medicine, Seoul 02841, Republic of Korea.
Diagnostics (Basel, Switzerland)
|October 28, 2023
概括
一个深度神经网络模型有效地使用所有三个MRI平面同时选旋转带撕裂. 这种先进的深度学习方法显著提高了对旋转手套损伤的检测准确度和灵敏度.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 旋转手套撕裂是常见的伤害,需要准确的诊断.
- 肩部MRI是旋转手套评估的标准成像方式.
- 目前的诊断方法可能耗时,准确度也可能有所不同.
研究的目的:
- 开发和评估一个深度神经网络模型用于自动旋转手套撕裂检测.
- 评估模型的性能,同时使用所有三个标准的MRI平面 (轴心,冠状,斜面) 并单独使用.
- 将深度学习模型的性能与放射科医生的评估进行比较.
主要方法:
- 使用794个肩部MRI扫描 (374名男性,420名女性;平均年龄59±11岁).
- 旋转手套的撕裂被三个肌肉骨放射科医生标记.
- 训练了一个YOLO v8深度学习模型,使用轴向,冠状和斜面MRI平面,分别和组合.
- 使用接收器运行特征曲线和曲线下的面积 (AUC) 评估模型性能.
主要成果:
- 在所有三个成像平面上同时训练的模型实现了最高的曲线下面积 (AUC) 0.94 (p < 0.05).
- 单平面性能最好的是轴平面 (AUC:0.71),其次是斜面 (0.70) 和冠状 (0.68).
- 全平面训练模型表现出卓越的灵敏度 (0.98) 和精度 (0.96).
结论:
- 基于深度学习的旋转手套撕裂检测使用多平面MRI是非常有效的.
- 对所有三个MRI平面的同时分析显著提高了诊断性能.
- 这种自动化方法有望提高旋转手套撕裂诊断的效率和准确性.
