应用机器学习和点集注册自动测量脊柱曲率的严重程度在X线图上
Jason Wong1, Marek Reformat1, Edmond Lou1
1Department of Electrical and Computer EngineeringUniversity of Alberta Edmonton AB T6G 1H9 Canada.
IEEE journal of translational engineering in health and medicine
|December 13, 2023
概括
一个使用级联卷积神经网络 (CNN) 的AI算法准确地测量了青少年异常学脊椎病 (AIS) 在脊柱放射图上的科布角. 这种自动化方法比手工测量更快,更一致,改善了临床工作流程.
科学领域:
- 生物医学工程 生物医学工程
- 人工智能在医学中的应用
- 放射学 放射学是一门学科.
背景情况:
- 准确的科布角测量对于青少年异常学脊椎病 (AIS) 管理至关重要.
- 手动测量科布角耗时,容易出现人为错误.
- 需要自动化方法来提高AIS诊断的效率和准确性.
研究的目的:
- 开发和评估一种新的机器学习算法,用于在脊柱放射图上自动测量科布角.
- 与手动测量相比,评估自动化方法的准确性,速度和临床可行性.
主要方法:
- 一个级联卷积神经网络 (CNN) 方法被用于脊柱和脊椎细分.
- 代本地化,基于CNN的细分和点集注册被用于精确的脊椎识别.
- 使用循环平均绝对误差 (CMAE) 和临床接受率来评估性能.
主要成果:
- 该算法实现了手动测量科布角的98%检测,CMAE为2.8°.
- 91%的自动测量是在5°临床接受范围之内.
- 自动测量时间显著缩短到每次X光学成像的17.7±10.2s.
结论:
- 开发的机器学习算法为AIS提供了准确和快速的自动化科布角测量.
- 该方法在不同的曲线严重程度上表现出高精度,并提供可解释性.
- 这种自动化方法显示了改善AIS患者护理的显著临床可行性.
