基于多视图语义细分的手术前放射图的人工智能测量青少年异常脊椎病的基因
Yulei Dong1, Jiahao Li1, Shanqi Huang2
1Department of Orthopaedic Surgery, Peking Union Medical College Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Global spine journal
|August 7, 2024
概括
深度学习通过自动化Cobb角度测量和Lenke分类,显著提高了青少年异常学脊椎病 (AIS) 的分类一致性. 这种人工智能方法提供了比手动方法更高的准确度,用于脊柱成像分析.
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:
- 青少年异常学脊椎病 (AIS) 的分类对于手术规划至关重要,但依赖于复杂的,经验依赖的手动评估.
- 目前用于AIS的手动分类方法具有变化性,并且可能耗费大量时间.
研究的目的:
- 开发和验证基于深度学习的AIS自动分类方法.
- 为了比较机器驱动 (DL组) AIS分类与手动 (M组) 分类的一致性.
主要方法:
- 利用U-Net语义细分和深度学习对506名AIS患者的1812个全脊椎X射线进行了培训.
- 实现了自动化的脊椎细分,多视图对齐和科布角测量.
- 展望地对107个额外的AIS案例进行了DL模型的测试,将其分类一致性与手动评估进行了比较.
主要成果:
- 实现了对Cobb角的自动测量和AIS的Lenke分类.
- 与M组相比,DL组在分类横向凸度 (0.989比0.566),腰部曲率修饰器 (0.932比0.738) 和斜面平面修饰器 (0.987比0.522) 中显示出明显更高的一致性.
结论:
- 深度学习提供了一种可靠的方法,用于自动化Cobb角度测量和从整个脊柱放射图中对AIS的Lenke分类.
- 与手动分类相比,人工智能驱动的分类显示出更高的一致性,有可能优化AIS的外科战略确定.
