使用超分辨率磁共振成像检测前部移位的关节盘:一个多中心研究
Yang Li1,2,3, Wen Li1,2,3,4, Li Wang3
1School and Hospital of Stomatology, Fujian Medical University, Fuzhou, China.
Frontiers in physiology
|January 22, 2024
概括
使用深层卷积神经网络进行转移学习,在关节MRI扫描中改善了前盘位移亚型的诊断. 这种人工智能驱动的方法比传统的方法提供了更高的准确性,用于减少和不减少的前盘位移.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是指放射学
背景情况:
- 磁共振成像 (MRI) 对于诊断关节前盘位移 (ADD) 至关重要.
- 精确区分ADD与减少 (ADDWR) 和ADD没有减少 (ADDWoR) 亚型的ADD仍然是一个诊断挑战.
- 目前的诊断方法可能缺乏最佳治疗规划所需的精度.
研究的目的:
- 通过使用深度学习在TMJ MRI中提高ADD亚型 (ADDWR和ADDWoR) 的诊断准确性.
- 根据卷积神经网络 (CNN) 模型开发和评估转移学习 (TL),以改进亚型分类.
- 将AI模型的性能与专家临床诊断进行比较.
主要方法:
- 从两个医疗中心获得668张TMJMRI扫描.
- 深度TL的应用用于超分辨率 (SR) 重建高分辨率 (HR) MRI图像.
- 使用ROC曲线实现和评估纯粹贝叶斯 (NB) 和逻辑回归 (LR) 模型,将结果与临床医生的诊断进行比较.
主要成果:
- 在SR重建 (400 × 400像素) 的NB模型在验证队列中实现了0.834的AUC和0.768的准确性.
- 使用SR图像 (200×200和400×400像素) 的LR和NB模型都超过了临床医生的诊断性能.
- ResNet152模型在检测ADD方面显示出显著的潜力,其AUC.
结论:
- 深度TL模型,特别是ResNet152,在改善关节ADD的诊断准确性方面显示出希望.
- 人工智能支持的图像增强和分类可以帮助区分ADD亚型.
- 这些发现表明,可以将先进的AI工具集成到临床实践中,用于对关节疾病的治疗前评估.
