从临床MR扫描中开发基于深度学习的旋转手套肌肉的全自动细分
Sae Hoon Kim1, Hye Jin Yoo2,3, Soon Ho Yoon2,3,4
1Department of Orthopaedic Surgery, Seoul National University Hospital, Seoul, Republic of Korea.
Acta radiologica (Stockholm, Sweden : 1987)
|July 23, 2024
概括
一个新的深度神经网络从MRI扫描中自动化旋转手套 (RC) 肌肉细分. 这种方法准确地评估肌肉脂肪透和缩,这对于手术决策和预测修复结果至关重要.
科学领域:
- 整形外科 整形外科 整形外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 旋转手套 (RC) 撕裂导致肌肉脂肪透和缩,影响手术决策和修复结果.
- 对整个RC肌群进行准确的定量评估对于临床实践至关重要.
研究的目的:
- 开发一种全自动化的深度学习方法,使用临床MRI扫描对RC肌肉进行细分.
- 为量化分析RC撕裂后肌肉变化提供可靠的工具.
主要方法:
- 在94个肩膀MRI扫描中训练和验证了一个深度神经网络,在20个额外的扫描中进行外部验证.
- 由骨科外科医生和放射科医生的手动细分作为参考标准.
- 绩效指标包括Dice得分,灵敏度,精度和肌肉体积的百分比差异,通过人口统计学和撕裂的存在来评估.
主要成果:
- 自动化算法在外部验证中实现了高性能 (盘子得分:0.920,灵敏度:0.933,精度:0.912,体积差:4.58%).
- 在大多数RC肌肉中观察到精确的细分,除了Teres Minor的一些小例外.
- 不管患者的年龄,性别或旋转手套撕裂的存在,细分性能保持一致.
结论:
- 一个完全自动化的深度神经网络有效地细分了临床MRI中的旋转手套肌肉和骨.
- 这种人工智能驱动的工具表现出卓越的性能,为定量肌肉评估提供了一种可靠的方法.
