根据从单个X射线图像使用生成对立网络的3维重建,测量了全关节整形术后的形杯方向

科学领域:

• 整形外科手术 整形外科手术
• 医学成像医学成像
• 人工智能的人工智能是人工智能.

背景情况:

• 准确的3D成像对于评估关节整形术 (THA) 结果至关重要.
• 传统的CT扫描需要显著的辐射暴露和成本.
• 深度学习为从更简单的二维X射线生成3D图像提供了一个潜在的解决方案.

研究的目的:

• 为了重建单个前后 (AP) 手术后整部关节整形术 (THA) 3D计算机断层扫描 (CT) 图像的X射线图像.
• 为了利用生成对抗网络 (GANs) 进行这种3D图像重建.
• 在生成的CT图像上验证假肢杯角测量的准确性.

主要方法:

• 使用两个GAN模型CycleGAN和X2CT-GAN,从386名患者的X射线中生成3DCT图像.
• 用于训练的数据集包括522张CT和2,282张X射线图像.
• 使用峰值信号与噪声比率和结构相似性指数测量来评估图像质量;杯角与实际CT测量进行了比较.

主要成果:

• 通过使用GANs从单个AP THAX射线图像中成功实现了3D重建.
• 高图像质量得到证实,峰值信号噪声比为37.40,结构相似度指数为0.74.
• 杯子前倒和倾斜的绝对差异中位数分别为3.45°和3.25°,错位杯子的误差更大.

结论:

• 生成对抗性网络显示出从术后的THAX射线进行3D重建的前景.
• 这种技术可以帮助评估假肢杯的方向.
• 需要进一步的研究来完善GAN模型以提高性能.