使用深度学习细分和MRI的放射学纹理分析预测骨髓缩的股骨头崩
Shihua Gao1, Haoran Zhu2, Moshan Wen2
1Department of Orthopaedics, Zhongshan Hospital of Traditional Chinese Medicine Affiliated to Guangzhou University of Traditional Chinese Medicine, Zhongshan, Guangdong, China.
BMC medical informatics and decision making
|November 1, 2024
概括
这项研究开发了一个自动管道,使用MRI放射学来预测股骨头骨硬化 (ONFH) 的股骨头崩. 开发的模型显示了有希望的结果,以帮助ONFH管理中的临床决策.
科学领域:
- 放射学和医学成像技术
- 医疗保健中的人工智能
- 整形外科手术 整形外科手术
背景情况:
- 股骨头的崩是股骨头骨硬化 (ONFH) 进展的关键转折点.
- 准确预测这种事件对于及时治疗和改善患者结果至关重要.
研究的目的:
- 用磁共振成像 (MRI) 放射学开发一种自动化管道,用于预测ONFH的股骨头崩.
- 评估用于ONFH预后的机器学习模型的性能和临床实用性.
主要方法:
- 一个深度学习模型 (nnU-Net) 被训练为在T1加权的MRI扫描上进行自动损伤细分.
- 提取了107个放射学特征,并进行了特征选择以确定关键预测因素.
- 一个机器学习模型 (LightGBM) 经过训练,可以使用选择的放射学特征来预测预后.
主要成果:
- 细分模型实现了0.848的子相似系数和3.794.79的豪斯多夫距离.
- 光GBM预测预测模型显示曲线下的面积 (AUC) 为0.851,准确率为76.5%.
- 决策曲线分析表明,开发的模型具有良好的临床效用.
结论:
- 已成功开发了一种自动化管道,用于使用MRI放射学预测ONFH的股骨头崩.
- 基于放射学的方法显示了可接受的性能和帮助ONFH治疗决策的潜力.
- 需要进一步的研究来验证其临床适用性.
更多相关视频
04:48Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.7K
07:12Semiautomated Longitudinal Microcomputed Tomography-based Quantitative Structural Analysis of a Nude Rat Osteoporosis-related Vertebral Fracture Model
Published on: September 28, 2017
8.1K