基于深度学习的自动检测和细分骨和创伤性骨髓病变的MRI在急性ACL撕裂后
Callie E Stirling1, Nathan J Neeteson1, Richard E A Walker2
1Department of Biomedical Engineering, Schulich School of Engineering, University of Calgary, Calgary, Canada; McCaig Institute for Bone and Joint Health, Cumming School of Medicine, University of Calgary, Calgary, AB, Canada.
Computers in biology and medicine
|June 21, 2024
概括
自动化的3D U-Net细分精确地识别 ACL撕裂后膝盖MRI扫描的骨髓病变 (BML). 这种AI工具有助于评估BML和潜在的骨关节炎发展,改善临床研究和诊断.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 整形外科的研究研究.
背景情况:
- 创伤性骨髓病变 (BML) 在ACL撕裂后很常见,可能是骨关节炎的前身.
- 手动评估BML是耗时和劳动密集的.
- 自动化细分为高效的BML分析提供了一个潜在的解决方案.
研究的目的:
- 开发和评估一个自动化的3D U-Net模型,用于从膝盖MRI扫描中识别和细分BML.
- 在不同的数据集和成像条件中评估模型的准确性和稳定性.
主要方法:
- 一种使用3D U-Net模型进行多任务学习的方法,用于从T2-FS FSE MRI序列中对骨和BML进行细分.
- 利用了来自完整的ACL撕裂患者的数据集,采用五倍交叉验证.
- 实现了图像预处理 (规范化,增强) 和后处理算法以进行改进.
主要成果:
- 带有后处理的3D U-Net模型实现了0.75 ± 0.08的子相似系数 (DSC),BML细分的精度为0.87 ± 0.07.
- 实现了高精度的骨分割,DSC为0.93 ± 0.02和精度为0.92 ± 0.02.
- 证明有效地识别真正阳性和最小化假阳性.
结论:
- 使用3D U-Net的自动细分对于膝盖MRI中的BML评估是有效的.
- 这种定量方法简化了BML分析,帮助临床医生和研究人员进行纵向研究.
- 该模型显示了与骨相关的病理学研究和诊断的有希望的临床疗效.
