通过使用深度学习的CT扫描,自动量化骨和骨形态
Osman Berk Satir1, Pezhman Eghbali2, Fabio Becce3
1ARTORG Center for Biomedical Engineering Research, University of Bern, Bern, Switzerland.
European journal of radiology
|June 30, 2024
概括
一个开源的深度学习模型从CT扫描中准确地量化了头皮和状腺形态. 该工具有助于评估关节骨关节炎,为临床应用提供可靠的测量.
科学领域:
- 整形外科和生物医学工程
- 医疗成像中的人工智能
- 定量解剖学 定量解剖学
背景情况:
- 骨关节炎的诊断和管理依赖于准确的骨和骨形态评估.
- 从CT图像中手动量化这些参数是耗时的,容易引起观察者之间的变化.
- 需要自动化,可靠的方法来分析头皮和状腺形态.
研究的目的:
- 开发和验证一个开源的深度学习模型,用于自动量化头皮和状腺形态.
- 评估模型在细分肩膀和识别标志上的准确性,在正常和骨关节炎患者中.
- 测量关键的形态参数,包括状腺版本,倾斜和关键的肩膀角度.
主要方法:
- 深度学习被用来实现自动化脚细分和识别13个关键地标.
- 使用9个地标建立了一个不受骨关节炎影响的坐标系统.
- 计算了状腺体的大小和方向参数,并对116个肩膀进行了5倍的交叉验证.
主要成果:
- 深度学习模型实现了Dice相似度系数>0.97用于头皮细分.
- 自动地标定位误差为1-2.5毫米,相当于人类评分器.
- 该模型表现出高精度 (R2 0.88-0.95) 量化状腺版本,倾斜,关键肩膀角度和其他参数.
结论:
- 开发的开源深度学习模型可靠地从CT扫描中量化了头骨和状腺形态.
- 该模型的准确性足以在患有关节骨关节炎的患者中临床应用.
- 这种自动化方法为客观评估和肩部病理学研究提供了有价值的工具.
