在磁共振成像上对后高层全厚旋转手套撕裂尺寸的自动三维分析
Hanspeter Hess1, Philipp Gussarow2, J Tomás Rojas3
1Department of Orthopaedic Surgery and Traumatology, Inselspital, University Hospital of Bern, Bern, Switzerland.
Journal of shoulder and elbow surgery
|December 4, 2024
概括
这项研究开发了深度学习算法,用于自动化3D分析来自MRI扫描的旋转手套 (RC) 撕裂. 这些算法提高了撕裂尺寸测量精度,并使3D可视化成为可能,有助于手术规划.
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.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 旋转手套 (RC) 撕裂的大小和形状对于预测外科修复结果至关重要.
- 目前的手动MRI测量具有很高的观察者间变异性,并且缺乏3D形态数据.
- 需要对RC撕裂进行自动化的3D分析,以便精确评估和可视化.
研究的目的:
- 开发用于自动3D分析后高层全厚RC撕裂的算法.
- 通过深度学习实现高效准确的撕裂评估和3D撕裂可视化.
- 标准化横中心撕裂分析,提高外科手术结果的预测能力.
主要方法:
- 一个深度学习网络被训练在手动细分的MRI扫描 (n=200) 进行自动撕裂细分.
- 开发了算法,用于自动测量肌收缩,撕裂宽度和帕特分类.
- 评估包括与手动细分 (n=59) 的比较和观察者间变异性的评估.
主要成果:
- 自动细分实现了0.58 ± 0.21的子系数,超过了观察者之间的变化 (0.46 ± 0.21).
- 肌收缩和撕裂宽度的自动测量显示,绝对平均误差低于观察者之间的变化.
- 自动帕特分类给出了0.62的科恩卡帕,超过了观察者之间的变化率 (0.56).
结论:
- 提出的算法成功地自动化了撕裂大小分析和旋转手套撕裂的3D可视化,即使使用异质数据.
- 这些算法标准化了跨中心分析,并提供了额外的指标,有可能提高成像对外科治疗结果的预测价值.
- 开发的工具可以帮助诊断旋转部撕裂,治疗决策和手术规划.
