基于卷积神经网络技术的自动测量与在前盆盆腔内腔超声波中手动视觉评估之间的一致性研究
Ni-Ya Wei1, Xiao-Kun Li1, Xi-Duo Lu2,3
1Department of Ultrasound, Peking University Shenzhen Hospital, Shenzhen, China.
概括
卷积神经网络 (CNN) 技术为前骨盆超声波提供可靠的自动测量,显著提高效率. 这种人工智能驱动的方法提高了盆底疾病的诊断准确性.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 盆地地板超声波 盆地地板超声波
背景情况:
- 盆地疾病影响了相当一部分人口,影响了生活质量.
- 在前骨盆超声波中精确测量解剖结构对于诊断和治疗计划至关重要.
- 目前的手动测量方法可能会耗时,并且受观察者之间的变化影响.
研究的目的:
- 评估使用卷积神经网络 (CNN) 技术在前骨盆超声波中自动测量的疗效.
- 将基于CNN的自动测量的可靠性和效率与传统的手动方法进行比较.
主要方法:
- 进行了500次盆底超声检查的回顾性分析.
- 一个由300个案例组成的训练集被用来开发和训练CNN模型用于自动测量软件.
- 其余200个病例作为测试组,测量与经验丰富的医生使用类内相关系数 (ICC) 和布兰德-阿尔特曼分析进行手动评估进行了比较.
主要成果:
- 基于CNN的自动测量软件在测试组中实现了60%的识别率.
- 在膀部下降 (0.936) 和尿道旋转角度 (0.911) 中观察到高的类内相关系数 (ICC).
- 逆角测量显示出良好的一致性 (0.756在休息状态,0.877在最大Valsalva),其余尿液体积的影响最小.
结论:
- 基于CNN的自动测量软件证明了前骨盆测量的高可靠性.
- 开发的软件显著提高了盆底超声波的测量效率和准确性.
- 这项技术有望改善泌尿后科诊断工作流程和患者护理.
