基于深度学习的部后纵长带骨化细分在计算机断层扫描图像和脊髓压缩评估:一个两中心研究
Baiyang Jiang1, Jiayang Yan1, Shaochun Xu1
1Department of Radiology, Second Affiliated Hospital of Naval Medical University, Shanghai, China.
World neurosurgery
|December 18, 2024
概括
一个深度学习模型在CT扫描上自动化了后侧纵向带 (OPLL) 的骨化细分. 这个人工智能工具准确地测量脊髓压缩,匹配放射科医生的性能.
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:
- 后端纵带带 (OPLL) 的骨化可能导致椎脊髓压缩.
- 准确的OPLL细分和测量对于临床评估和治疗规划至关重要.
研究的目的:
- 开发和验证一个完全自动化的深度学习 (DL) 模型,用于对CT图像进行OPLL细分.
- 量化评估模型测量骨化物质厚度和椎脊髓压缩的能力.
主要方法:
- 使用307名患者的CT图像开发了一个3D U-Net深度学习框架.
- 该模型对OPLL进行了细分,测量了骨化物质厚度,并计算了脊柱管道直径.
- 绩效使用子相似系数,平均表面距离和类内相关系数 (ICC) 进行评估.
主要成果:
- DL模型实现了0.81 (培训),0.75 (验证) 和0.71 (测试) 的子相似系数.
- 训练,验证和测试组的平均表面距离分别为1.30,2.35和2.63.
- 高的ICC值 (厚度为0.958,直径为0.974) 显示出与手动测量有很强的一致性.
结论:
- 开发的DL模型准确地检测和细分CT图像上的OPLL.
- 该模型为脊髓压缩提供了可靠的定量指标,与专家放射科医生相美.
