腰椎脊柱狭窄症在多级磁共振成像中进行分级,使用深度卷积神经网络
Dongkyu Won1, Hyun-Joo Lee2,3, Suk-Joong Lee4
1Department of Robotics and Mechatronics Engineering, Daegu Gyeongbuk Institute of Science and Technology, Daegu, Korea.
Global spine journal
|November 1, 2024
概括
深度学习模型在诊断脊柱狭窄和从MRI扫描中分类神经根方面显示出有希望的结果,达到与人类专家相比较的高精度. 然而,复杂的解剖学变异仍然可以挑战自动诊断.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习越来越多地应用于临床诊断,为更快的图像解释和专家协助提供了潜力.
- 磁共振成像 (MRI) 对于诊断脊柱疾病,包括狭窄症至关重要.
研究的目的:
- 为了比较深层卷积神经网络 (CNN) 的诊断性能与人类专家在分级腰椎狭窄症和分类根-绳结构.
- 评估基于MRI的诊断中自动化深度学习模型的准确性和一致性.
主要方法:
- 以DICOM格式对腰部轴心MRI数据集进行回顾性分析.
- 两位专家放射科医生的分级与CNN分类器输出的比较,用于根带分类和狭窄分级.
- 利用补丁本地化,根子平衡和狭窄分级作为诊断工具.
主要成果:
- 在根绳分类 (92.7%-96.8%) 和狭窄分级 (89.4%-91.5%) 中,CNN与专家分析达成高度一致,F1得分从75.7%到95.6%不等.
- 专家们对根带分类 (90.3%) 和狭窄分级 (89.2%) 显示出强烈的评估者间一致.
- 专家和CNN都主要将病例归类为A级狭窄症.
结论:
- 完全自动化的深度学习模型在一致的解剖条件下展示了对脊柱狭窄和根子-绳索分类具有竞争力的诊断能力.
- 显著的解剖学变异仍然可能对纯粹基于图像的自动化系统构成诊断挑战.
