在MRI图像中使用深度学习自动检测和分类模态变化:智能辅助诊断系统
Gang Liu1,2, Lei Wang2,3, Sheng-Nan You3
1Clinical School/College of Orthopaedics, Tianjin Medical University, Tianjin, China.
Orthopaedic surgery
|November 7, 2023
概括
这项研究开发了一个使用SSD和ResNet18的深度学习模型,用于在MRI扫描上检测和分类Modic变化 (MCs). 人工智能模型显示出高准确度和与医生达成一致,这表明它有助于脊柱诊断的潜力.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 脊柱诊断 脊柱诊断 脊柱诊断
背景情况:
- 模态变化 (MCs) 是常见的脊髓内MRI发现,需要专家解释.
- 目前在MRI上对MC的解释是复杂和耗时的.
- 深度学习为自动化MCs检测和分类提供了潜力.
研究的目的:
- 评估深度学习模型 (SSD和ResNet18) 的性能,用于MC的自动检测和分类.
- 为了比较模型的诊断准确性与人类观察者.
- 评估观察者间和观察者-分类者之间对MCs诊断的协议.
主要方法:
- 对内部数据集的140名患者和外部数据集的28名患者进行了回顾性分析.
- 开发了一个深度学习模型,结合了单射击多盒检测器 (SSD) 进行本地化和ResNet18进行分类.
- 使用准确度,回忆,精度,F1得分和卡帕值评估模型性能,与两名医生进行比较.
主要成果:
- 内部数据集:准确率为86.25%,回忆率为87.77%,精度为84.92%,F1为85.60%. 观察者间的卡帕:0.768.8. 观察者分类器卡帕:0.717.7. 观察者分类器卡帕:0.717.
- 外部数据集:准确率为75%,回忆率为77.08%,精度为77.80%,F1为74.97%. 观察者间的卡帕:0.681. 观察者分类器卡帕:0.519 .
- 该模型表现出强大的性能和与医生诊断的高度一致.
结论:
- 深度学习模型,特别是SSD和ResNet18,显示出对准确的MC检测和分类的巨大潜力.
- 开发的模型与经验丰富的医生达成了高度一致,表明其临床实用性.
- 人工智能辅助诊断可以提高脊柱研究和临床实践的效率和一致性.
