使用深度学习与多中心验证的磁共振成像检测前十字带损伤的一站式检测
Mei Wang1,2, Congjing Yu3, Mianwen Li1
1Department of Medical Imaging, The Third Affiliated Hospital of Southern Medical University (Academy of Orthopedics Guangdong Province), Guangzhou, China.
Quantitative imaging in medicine and surgery
|May 9, 2024
概括
这项研究开发了一种深度学习模型,用于使用膝盖MRI自动检测前十字带 (ACL) 损伤. 该模型准确地识别了ACL撕裂,为临床医生提供了更快,更可靠的诊断工具.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 前十字带 (ACL) 损伤与膝关节骨关节炎 (OA) 密切相关.
- 目前通过MRI对ACL损伤的诊断是主观的,需要大量的时间.
- 需要自动检测ACL损伤,以改善临床工作流程.
研究的目的:
- 开发一种深度学习 (DL) 模型,用于使用膝盖MRI自动检测ACL损伤.
- 为ACL撕裂提供全面和客观的诊断方法.
- 为了利用DL在诊断ACL损伤方面提高准确性和效率.
主要方法:
- 一项回顾性研究利用了来自骨关节炎倡议 (OAI) 的1589个膝盖的数据.
- 一个YOLOv5m架构和ResNet-18 CNN用于ACL撕裂本地化和分类.
- 该模型在形2D中介加权快速旋转回声序列上进行训练,并在外部数据集上进行验证.
主要成果:
- DL模型实现了高性能,精度为0.89和局部化灵敏度为0.93 (mAP 0.96).
- 分类表明完整的,部分的和完整的ACL撕裂的优秀灵敏度 (0.833-0.941) 和特异性 (0.925-0.991).
- 外部验证证实了该模型的稳定性,在重新培训后在某些指标上表现优于放射科医生的解释.
结论:
- 开发的深度学习模型显示出对精确的ACL损伤定位和分类的重大承诺.
- 这种由人工智能驱动的方法为诊断膝盖MRI的ACL损伤提供了可靠和自动化的解决方案.
- 该模型的性能表明,它有可能增强骨科诊断中的临床决策.
