增强的多阶段深度学习用于使用MRI诊断关节前盘位移
Chang-Ki Min1,2, Won Jung2,3, Subin Joo4
1Deparment of Oral and Maxillofacial Radiology, School of Dentistry, Institute of Oral Bioscience, Jeonbuk National University, Jeonju, 54896, Republic of Korea.
Dento maxillo facial radiology
|July 18, 2024
概括
一种新的深度学习方法使用MRI自动诊断关节 (TMJ) 前盘位移. 这种多阶段方法通过从细分图像和提取的参数中识别关键诊断因素来提高准确性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 生物医学工程 生物医学工程
背景情况:
- 关节前盘位移 (TMJ) 是一个常见的疾病,需要准确的诊断.
- 目前对关节盘位移的诊断方法可能是主观的,耗时的.
- 像MRI这样的先进成像技术提供了诊断至关重要的详细解剖信息.
研究的目的:
- 开发和验证一种新的,基于深度学习的自动化方法,用于使用MRI诊断关节前盘位移.
- 实施多阶段方法,以提高TMJ盘位移诊断的准确性和解释性.
- 利用深度学习进行TMJMRI扫描的高效和客观分析.
主要方法:
- 设计了一个多阶段的深度学习管道,涉及TMJ磁盘和肌从MRI的语义细分.
- 从细分的解剖结构中提取54个不同的距离参数.
- 使用基于规则的决策模型将提取的参数和专家诊断整合起来,对关节盘位移的分类.
主要成果:
- 在原始MRI数据上,DeepLabV3+算法实现了高细分性能 (95%的豪斯多夫距离,Dice系数为0.84,灵敏度为0.84).
- 结合SegNet和随机森林模型,TMJ前盘位移的诊断准确度为0.89 ± 0.06.
- 多阶段方法表现出强大的性能,而不需要图像预处理.
结论:
- 已经成功开发了一种自动化的多阶段算法,用于使用MRI和深度学习来诊断TMJ前盘位移.
- 拟议的方法显示了高准确性,并促进了影响诊断结果的因素的识别和改进.
- 放射学知识的整合验证了算法的临床相关性和改善患者护理的潜力.
