在使用卷积神经网络的肩膀磁共振图像中,自动细分和分类超脊椎脂肪透
Juan Pablo Saavedra1, Guillermo Droppelmann2,3, Carlos Jorquera4
1School of Industrial Engineering, Pontificia Universidad Católica de Valparaíso, Valparaíso, Chile.
Frontiers in medicine
|September 18, 2024
概括
这项研究引入了一种新的深度学习模型,用于使用MRI检测和分类超脊柱肌中的脂肪透. 混合框架在细分和分类方面实现了高精度,为退行性肩部疾病提供了有效的解决方案.
科学领域:
- 整形外科 整形外科 整形外科
- 放射学 放射学是一门学科.
- 人工智能的人工智能
背景情况:
- 甲状腺脂肪透至脊上肌肉是肩部疾病的关键指标.
- 目前的深度学习方法依赖于手动细分和标签.
- 采用混合框架的无监督培训可以提高效率.
研究的目的:
- 开发和评估一个两步的深度学习模型.
- 为了检测感兴趣的区域,并使用MRI上的Goutallier尺度来分类上肌脂肪透.
- 评估模型在细分和分类任务中的表现.
主要方法:
- 一项回顾性研究分析了900张MRIT2加权图像.
- 实施了两步深度学习模型:U-Net用于细分,VGG-19用于分类.
- 使用五倍交叉验证,报告准确性,子系数,AU-ROC,灵敏度和特异性来评估性能.
主要成果:
- 该模型在细分 (0.9977 ± 0.0002) 和子得分 (0.9441 ± 0.0031) 中实现了高精度.
- 该分类模型显示了高精度 (0.9731 ± 0.0230),灵敏度 (0.9000 ± 0.0980),特异性 (0.9788 ± 0.0257),以及AUROC (0.9903 ± 0.0092).
- 分析包括606个肩部MRI,其中Goutalier分级分布.
结论:
- 拟议的两步深度学习模型在细分和分类方面表现强.
- 这种混合框架为分析上肌肉脂肪透提供了一种有效的方法.
- 这些发现支持深度学习在诊断退行性肩部疾病中的实用性.
