基于深度学习的定量形态研究,对腰椎的前后数字放射图进行了定量形态研究
Zhizhen Chen1,2, Wenqi Wang3, Xiaofei Chen3
1Medical Imaging Center of Gansu Provincial Maternity and Child-care Hospital, Lanzhou, China.
Quantitative imaging in medicine and surgery
|August 15, 2024
概括
一个深度学习模型准确地从X射线中测量腰椎形态参数,匹配L1-L4脊椎的放射科医生性能. 这种自动化方法提高了诊断腰椎疾病的效率.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 腰椎脊柱形态参数对于诊断脊柱疾病至关重要.
- 这些参数的手动测量是耗时和劳动密集的.
- 深度学习为医学成像提供自动化定量和定性分析能力.
研究的目的:
- 开发和评估深度学习模型,用于自动定量测量腰椎形态参数.
- 评估模型的性能与放射科医生使用前后数字放射图进行手动测量.
主要方法:
- 一个深度学习模型被训练在1368张前后腰椎脊椎X射线图上.
- 该模型测量了从L1到L5.5的脊椎体高度 (VBH) 和椎间盘高度 (IDH).
- 模型性能使用PCK,ICC,Pearson's r,MAE,RMSE和Bland-Altman图表等指标进行评估,手动测量作为参考标准.
主要成果:
- 该模型实现了高精度 (99.77-99.46%的PCK在L1-L4的3mm内) 和强烈的相关性 (ICC=0.84-0.96,r=0.85-0.97) 与大多数参数的手动测量.
- 统计分析显示,大多数参数的模型预测和放射科医生测量之间没有显著差异 (P>0.05).
- 该模型在预测解剖学里程碑方面超过了其他深度学习架构.
结论:
- 开发的深度学习模型可以自动准确地测量从腰椎X射线图的L1-L4脊椎的形态参数.
- 该模型的性能接近经验丰富的放射科医生,为高效和准确的腰椎评估提供了潜在的解决方案.
