基于通过深度学习模型识别脊柱地标的自动帕夫洛夫比率测量方法

科学领域:

• 医疗成像医学成像
• 人工智能在医学中的应用
• 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断

背景情况:

• 宫管狭窄是宫脊椎病的关键因素.
• 准确的帕夫洛夫比率测量对于诊断和治疗椎脊柱狭窄症至关重要.
• 手动测量是主观和低效的,影响临床评估.

研究的目的:

• 开发一个深度学习模型,用于自动和准确的帕夫洛夫比率测量.
• 检测宫脊椎放射图上的关键点,以精确计算比率.
• 为了提高宫脊柱狭窄的诊断工作流程.

主要方法:

• 一个两阶段的深度学习模型,将YOLOX用于区域检测和HRNet与解构网络用于关键点识别相结合.
• 检测38个关键点在平面侧侧椎脊柱放射图上.
• 使用来自多家医院的数据集进行培训和验证.

主要成果:

• 该模型在地标识别方面实现了高精度 (MAE 0.05-0.08,SMAPE 4.54%-6.43%).
• 绩效与经验丰富的临床医生相美,优于初级医生.
• 在外部验证数据集 (SMAPE 4.40%-5.95%) 中证实了出色的准确性.

结论:

• 一个新的YOLOX-HRNet-DN模型准确地识别了地标,并测量了宫脊椎放射图上的帕夫洛夫比率.
• 这种自动化方法提供了一个潜在的工具,以提高宫脊髓炎的诊断和治疗的效率和精度.
• 该模型显示了在脊柱诊断中临床应用的巨大潜力.