通过 nnU-net 来自动细分股骨瘤
Oren Rachmil1, Moran Artzi2, Moshe Iluz3
1Computational Mechanics & Experimental Biomechanics Lab, School of Mechanical Engineering, The Iby and Aladar Fleischman Faculty of Engineering, Tel-Aviv University, Ramat Aviv 69978, Israel.
Clinical biomechanics (Bristol, Avon)
|May 29, 2024
概括
一个新的深度学习算法 (nnU-Net) 在CT扫描中自动细分关节瘤. 这种AI方法与经验丰富的放射科医生的准确性相匹配,改善了骨折风险分析骨转移患者.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 整形瘤学 整形瘤学
- 计算生物力学 计算生物力学
背景情况:
- 转移性股骨瘤在日常活动中存在骨折风险.
- 在骨折风险评估中,精确的瘤细分对于有限元素分析 (FEA) 至关重要.
- 目前的方法需要手动细分,限制了FEA的效率和准确性.
研究的目的:
- 开发和评估一种深度学习算法,用于CT扫描中自动细分流性股骨瘤.
- 评估与经验丰富的放射科医生对比自动化细分的性能.
- 提高瘤纳入FEA模型的精度和效率,以预测骨折风险.
主要方法:
- 一个数据集由50个CT扫描与手动注释的股骨瘤进行了策划.
- nnU-Net深度学习模型在40次扫描中进行了训练,并在10次扫描中进行了测试.
- 使用子相似度得分 (DSS) 评估了表现,并与两名放射科医生进行了比较.
主要成果:
- nnU-Net算法在测试数据上实现了0.67和0.68的DSS.
- 这些得分与两名经验丰富的放射科医生 (DSS为0.73) 之间的读者间变异性相当.
- 该算法证明了在细分Lytic大腿瘤方面最先进的性能.
结论:
- 使用nnU-Net自动细分流性股骨瘤与专家放射科医生一样准确.
- 这种自动化方法可以提高有限元分析用于预测病理骨折的可靠性.
- 进一步的研究探讨了这种自动化细分对自主FEA的影响 (Rachmil等人,2024).
