对于膝盖病理的辅助诊断的MRI深度学习模型:系统性审查

科学领域:

• 医学成像分析分析 医学成像分析
• 医疗保健中的人工智能
• 骨科诊断器 骨科诊断器 骨科诊断器

背景情况:

• 深度学习 (DL) 模型,特别是卷积神经网络 (CNN),越来越多地被用于医学图像分析.
• 使用MRI检测各种膝关节异常的DL模型的诊断精度需要进行系统的评估.

研究的目的:

• 系统地审查DLMRI模型的当前状态,以协助诊断膝盖异常.
• 总结使用的CNN类型及其在检测特定膝关节病理方面的性能.

主要方法:

• 在五个数据库中进行了系统的搜索,使用"膝盖和3D和MRI和DL"等术语.
• 根据预先定义的纳入标准,出版物根据标题,摘要和全文进行了选.
• 结果由两个独立的审稿人进行了综合.

主要成果:

• 包括54篇文章,重点关注前十字带损伤 (36%),骨关节炎 (17%),阴茎损伤 (24%) 和其他异常 (24%).
• 常见的CNN架构包括ResNet (21%),VGG (11%),DenseNet (8%) 和DarkNet (6%).
• DL模型表现出高性能指标,病理特异型模型的表现高于一般异常检测模型的高达4.5%.

结论:

• 尽管研究设计不同,DL模型显示了通过MRI辅助检测膝盖病理的有希望的结果.
• 使用更大的MRI数据集进行验证对于弥合当前DL模型性能和临床要求之间的差距至关重要.
• 膝盖MRI的DL的未来发展可以提高患者护理,个性化治疗,优化成本,并推进医学成像实践.