通过普通X射线放射来预测本地关节的acetabular版本:对卷积神经网络模型和当前的黄金标准进行比较分析,并对关节整形术的见解和影响

科学领域:

• 医疗成像中的人工智能
• 整形外科手术 整形外科手术
• 放射学 放射学是一门学科.

背景情况:

• 精确测量关节骨版本 (AV) 对于关节整形术的规划至关重要.
• 传统的AV测量方法可能耗时或需要先进的成像.
• 深度学习为自动化和精确的医学图像分析提供了潜力.

研究的目的:

• 开发和验证一个卷积神经网络 (CNN) 模型,用于从标准部X射线图中估计形神经网络 (AV).
• 为了评估CNN模型对CT扫描的性能,目前AV测量的黄金标准.

主要方法:

• 用300名患有盆腔疾病的参与者的数据集进行模型培训和验证.
• 采用5倍交叉验证方法来评估CNN模型的性能.
• 将CNN模型的估计与CT扫描测量进行了比较.

主要成果:

• 在CNN模型中,右 (r=0.70) 和左 (r=0.71) 部的CT扫描显示出强烈的相关性 (p < 0.001).
• 对AV估计的平均绝对误差为2.95°.
• 超过83%的模型预测的误差为5°或更小,表明高精度.

结论:

• 开发的CNN模型提供了一种精确可靠的方法,用于从平坦的部X射线图中估计acetabular版本.
• 这种人工智能工具显著有望改善关节整形手术的手术前规划,可能减少并发症.
• 未来的工作重点将是对不同人群的模型进行改进,并探索其在低辐射场景中的实用性.