基于深度学习的病变细分对转移性大腿骨故障负载计算的效果,使用有限元分析
Ali Ataei1, Florieke Eggermont1, Nico Verdonschot2
1Orthopaedic Research Lab, Radboud university medical center, P.O. Box 9101, 6500, HB, Nijmegen, the Netherlands.
Bone
|December 7, 2023
概括
对骨转移细分的深度学习表现不佳,影响骨折风险评估的准确性. 为了在有限元分析中实现可靠的自动细分,还需要进一步的研究.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是一门学科.
- 生物医学工程 生物医学工程
背景情况:
- 骨转移是癌症的常见并发症,导致疼痛和病理性骨折.
- 有限元素 (FE) 分析对量化骨折风险充满希望,但对转移性病变的准确细分至关重要.
- 深度学习为自动化病变细分提供了潜力,以提高FE模型的准确性.
研究的目的:
- 为了评估一个自动深度学习细分算法 (nnU-Net) 对大腿骨转移性病变的性能.
- 评估自动细分对FE分析结果的影响,包括故障负载和断裂风险.
- 将自动细分结果与手动细分和基于CT的值进行比较.
主要方法:
- 50个具有转移性病变的股骨从CT图像中进行了细分,并转换为FE模型.
- 创建了FE模型,并没有自动损伤细分 (nnU-Net),细分的病变被赋予零承载能力.
- 模拟了故障负载,并计算了Dice系数,灵敏度,特异性,PPV和NPV.
主要成果:
- 通过nnU-Net进行的自动细分与手动细分的相似性很小 (迪斯系数:0.45 ± 0.33).
- 有细分病变和没有细分病变的模型之间的故障负载差异很小 (平均为6.6%),但特异性和PPV显著下降.
- 使用骨强度 (BOS) 评分的骨折风险评估准确性通过自动细分而降低.
结论:
- nnU-Net算法在股骨转移性病变细分方面表现不强.
- 虽然大多数FE故障负载只受到轻微影响,但骨折风险预测的准确性下降.
- 骨转移的自动细分仍然是一个挑战,需要进一步开发可靠的临床应用.
