脊柱HRformer:一个基于变压器的深度学习模型,用于自动评估脊柱形,并进行前性验证
Moxin Zhao1, Nan Meng1, Jason Pui Yin Cheung1
1Department of Orthopaedics and Traumatology, The University of Hong Kong, Hong Kong.
Bioengineering (Basel, Switzerland)
|November 25, 2023
概括
使用人工智能,SpineHRformer准确地测量了脊柱形的科布角 (CA),在里程碑检测和严重程度分级方面表现优于现有的方法. 这提供了一个更可靠,更有效的临床工具,用于评估脊椎病.
科学领域:
- 医疗成像医学成像
- 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:
- 手动对脊柱形进行科布角 (CA) 测量是耗时且容易出现错误的.
- 现有的自动化方法显示出潜力,但受到诸如变形严重程度和图像质量等因素的限制.
研究的目的:
- 开发一个强大的,基于学习的方法,用于从前后 (PA) X射线准确和一致的CA测量.
- 超越当前最先进的自动化方法的性能.
主要方法:
- 介绍了SpineHRformer,这是一个使用HRNet和变压器块的新型深度学习模型.
- 该模型识别了关键的解剖学地标 (脊椎末端板C7-L5),以计算CA.
- 在1934年的PAX射线数据集上进行了训练和测试,这些数据集具有不同的脊椎变形和图像质量.
主要成果:
- 与SpineHRNet+相比,SpineHRformer实现了卓越的地标检测 (2.47对2.74像素MED) 和CA预测 (0.86对0.83PCC) 与SpineHRNet+相比.
- 在正常-轻度,中度和重度类别的脊柱形严重程度分级中表现出更好的敏感性.
- 比以前的最先进的方法表现出更高的稳定性和准确性.
结论:
- 脊柱HRformer在自动科布角测量方面取得了重大进展.
- 该模型的提高准确性和可靠性为脊柱形评估中的临床应用提供了巨大的潜力.
- 这种人工智能驱动的方法有望提高脊椎病评估的效率和一致性.
