兰德特:一种高效的基于物理的深度学习方法,用于自动检测解剖学地标和测量脊骨皮层对齐
AliAsghar MohammadiNasrabadi1, Gemah Moammer2, Ahmed Quateen2
1Department of Systems Design Engineering, University of Waterloo, 200 University Ave W, Waterloo, ON, N2L 3G1, Canada. aliasgharmn@uwaterloo.ca.
Journal of orthopaedic surgery and research
|March 26, 2024
概括
一种新的深度学习方法,LandDet,准确地从X射线中提取脊椎骨盆的尺度. 这种基于物理学的方法与外科医生的注释具有很高的一致性,优于以前的方法.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精确的脊椎骨盆测量对于诊断和管理脊柱形至关重要.
- 通过X射线对这些测量的手动注释是耗时的,容易引起观察者之间的变化.
研究的目的:
- 引入和评估一种高效的基于物理的深度学习方法 (LanDet) 来自动地从X射线图像中提取脊椎皮层测量.
- 将LandDet模型的性能与手册注释和基于外科医生的评估进行比较.
主要方法:
- 开发了一种新的方法,LandDet,以检测解剖学地标作为对象,并将它们的关系纳入约束.
- 深度学习模型在1470张X射线图像上进行训练,以提取五个关键的脊椎骨盆尺度:神经斜率 (SS),骨盆倾斜 (PT),骨盆发生率 (PI),腰椎位 (LL) 和斜垂直轴 (SVA).
- 使用平均绝对误差 (MAE),标准偏差 (SD) 和皮尔森相关系数对手工标记的数据集和三个外科医生的注释来评估模型性能.
主要成果:
- 兰德特模型在从组合和单个数据集中提取脊椎皮层测量结果时表现出高准确度.
- 类内相关系数 (ICC) 值超过0.88,表明模型和外科医生注释之间存在很强的一致性.
- 发现该模型的性能比之前在文献中报道的方法更一致.
结论:
- 兰德特模型提供了一种竞争性和高效的解决方案,用于自动化从X射线中提取脊骨尺度.
- 在LandDet算法中的物理信息约束方法有效地解决了传统基于热图的方法的局限性.
- 这种新的方法提高了地标检测准确度,减少了对相似或相邻地标的错误识别.
