基于深度学习的膝盖CT图像细分方法的开发和临床验证,用于机器人辅助的膝盖全关节整形术
Xingyu Liu1,2,3, Songlin Li4,5, Xiongfei Zou5
1School of Life Sciences, Tsinghua University, Beijing, China.
概括
一个新的深度学习模型,DDA-Transformer,在CT扫描中精确地分割膝关节关节. 这种先进的细分显著提高了机器人辅助全膝关节整形手术 (TKA) 的准确性.
科学领域:
- 医学成像分析分析 医学成像分析
- 在手术中使用人工智能.
- 整形外科手术 整形外科手术
背景情况:
- 开发精确和快速的膝关节CT图像分割对于机器人辅助全膝关节关节整形术 (TKA) 至关重要.
- 现有的方法可能缺乏临床应用所需的准确性和速度.
研究的目的:
- 开发和验证双路径双重注意力变压器 (DDA-变压器),一种用于膝关节CT图像分割的新型深卷积神经网络.
- 评估DDA-Transformer在机器人辅助TKA中的性能和临床实用性.
主要方法:
- DDA-Transformer模型是为了在膝盖CT图像中对股骨,骨,骨和骨组成部分进行细分而开发的.
- 在机器人辅助的TKA中评估了细分性能 (准确性,速度) 和临床验证.
- 与其他六个深度学习网络进行比较,包括nnUnet,TransUnet和3D-Unet.
主要成果:
- 与其他六个网络相比,DDA-Transformer表现出优越的性能,由更高的子系数,交叉比合并以及更低的平均表面距离和豪斯多夫距离证明.
- 与nnUnet,TransUnet和3D-Unet相比,DDA-Transformer的细分速度明显更快 (p < 0.01).与nnUnet,TransUnet和3D-Unet相比,DDA-Transformer的细分速度明显更快.
- 使用DDA-Transformer的机器人辅助TKA与手动治疗组相比,显示了更好的外科准确性.
结论:
- DDA-Transformer网络为膝关节CT图像细分提供了显著提高的准确性和稳定性.
- 这种深度学习方法为膝关节分割提供了方便和稳定的解决方案,从而提高了TKA程序的准确性.
