深度学习辅助的定量测量胸脊柱骨折特征在横向放射图上

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 脊柱外科和生物力学

背景情况:

• 对胸脊骨折 (TL) 的定量评估对于诊断和治疗规划至关重要.
• 测量骨折特征的传统方法可能是主观的,耗时的.
• 深度学习 (DL) 提供了自动化和客观图像分析的潜力.

研究的目的:

• 开发和验证DL算法用于定量测量TL骨折特征.
• 为了评估DL算法的准确性与放射科医生地面真相相对比.
• 评估DL辅助对不同临床专业水平的测量准确性的影响.

主要方法:

• 一个基于面具区域的卷积神经网络模型被微调为TL骨折度量化 (压缩率,科布角,加德纳角,斜角指数).
• 根据三个放射科医生对1000张非骨折和318张骨折的腰椎侧面放射图的测量,确定了基本事实.
• 在内部 (213) 和外部 (200) 断裂放射图上使用类内相关系数验证了DL算法的性能.

主要成果:

• 在内部和外部验证集中,DL算法对所有测量指标都显示出与基本真相的良好或优秀一致.
• 课内相关系数在0.779到0.944之间,表明准确度很高.
• DL辅助测量显著提高了准确性,特别是对于经验较少的临床医生来说.

结论:

• 开发的DL算法是一种经过验证的,准确的工具,用于从X射线图中量化胸椎骨折特征.
• DL辅助测量可以加快诊断,提高骨折评估的可靠性.
• 这项技术在改善临床决策方面具有显著的前景,特别是对于经验较少的从业者来说.