通过深度神经网络自动检测和可视化关节输液

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 部疾病 (TMD) 的诊断通常依赖于磁共振成像 (MRI) 的主观解释.
• 关节 (TMJ) 溢出是TMD的一个关键指标,但其检测可能具有挑战性.
• 自动诊断工具可以提高关节溢出检测的准确性和效率.

研究的目的:

• 评估深度学习模型的有效性,以使用MRI自动检测TMJ输液.
• 将深度学习模型的诊断性能与人类专家进行比较.
• 评估是否结合临床信息可以提高深度学习模型的诊断准确性.

主要方法:

• 分析了来自1474名患者的2948个腰关节MRI扫描 (1017名女性,457名男性).
• 开发和比较三个卷积神经网络 (CNN) 方案:从头开始,微调和结.
• 用曲线下的面积 (AUC) 和诊断准确度来评估模型性能,与人类专家诊断相比.
• 使用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性.

主要成果:

• 使用质子密度 (PD) 图像的微调模型显示了可接受的性能 (AUC=0.7895),表现优于 (0.6193) 和 (0.6149) 模型.
• 微调模型与人类专家 (58.17%) 相比,显示出更高的特异性 (87.25%),而专家的灵敏度更高 (80.00%对57.43%).
• 综合模型结合了多式联运数据,比人类专家 (67.71%) 实现了更高的预测准确度 (74.21%).
• 深度神经网络 (DNN) 分析显示,41-60岁的年龄组表现最好 (AUC=0.8258).

结论:

• 深度学习模型,特别是微调方法,在MRI上检测关节溢出方面表现有前途.
• 自动化方法可以作为辅助工具,潜在地提高临床医生的诊断准确性和减少虚假阴性.
• 微调模型和DNN对于TMJ输液评估是有效的,有助于TMD诊断.