有限元模型与自动计算机断层扫描骨分段用于故障负载计算
Emile Saillard1,2, Marc Gardegaront1,3, Aurélie Levillain3
1INSERM, LYOS UMR 1033, Université Claude Bernard Lyon 1, 69008, Lyon, France.
Scientific reports
|July 17, 2024
概括
在CT扫描上使用深度学习的自动骨分段提供了与手工方法相比较准确的结果. 这种方法增强了针对患者特定的骨转移病例的生物力学故障负载模拟.
科学领域:
- 医疗成像医学成像
- 生物机械工程 生物机械工程
- 人工智能的人工智能
背景情况:
- 精确的骨细分对于使用患者CT数据进行生物力学故障负载模拟至关重要.
- 手动细分是耗时的,劳动密集型,容易变化.
- 大量的注释数据集的有限可用性阻碍了深度学习模型的泛化.
研究的目的:
- 开发和评估一种自动化管道,用于从CT扫描中细分体内人类大腿骨和脊椎.
- 评估生物机械模拟的基于深度学习的细分的质量和有效性.
- 为了比较使用自动与手动细分的模拟结果.
主要方法:
- 实施了一条专门的管道,涉及预处理,基于U-Net的深度学习细分和后处理.
- 三个U-Net架构进行了实验,用于对大腿骨和脊椎的CT体积进行细分.
- 生物机械故障负载模拟使用自动和手动分段进行.
主要成果:
- 经过精心训练的U-Net模型实现了人类大腿骨和脊椎的高质量,自动体积细分.
- 使用自动分段的故障负载模拟结果与手动专家分段的结果相似.
- 分析了模拟对自动细分中微小变化的灵敏度.
结论:
- 拟议的自动化细分方法对生物力学故障负载模拟有效.
- 深度学习模型,当经过精心训练时,可以从CT数据中实现高质量的骨细分.
- 自动化细分为临床生物力学中手工方法提供了可行和高效的替代方案.
