一个加速的深度学习模型可以准确地识别在解剖关节整形术之前和之后获得的平面放射图上临床重要的人和头骨标志

科学领域:

• 整形外科手术 整形外科手术
• 医学成像分析分析 医学成像分析
• 医学中的人工智能.

背景情况:

• 精确的放射性地标识别对于评估肩关节整形手术前后的状腺关系至关重要.
• 这些地标的手动注释是耗时的,容易出现人为错误.

研究的目的:

• 与外科医生识别 (SI) 相比,评估深度学习模型 (DLM) 在识别放射性地标方面的准确性.
• 评估DLM在表征关节关系前和后肩关节整形术中的表现.

主要方法:

• 一个深度学习模型使用240张注释的前后放射图 (2,260张图像) 进行训练.
• 根据手动注释的放射图 (60张图像) 和14个部件定位测量,验证了DLM的准确性.
• 在DLM识别和外科医生识别的地标之间进行了比较.

主要成果:

• DLM和SI皮质地标之间的平均偏差为1.9 ± 1.9毫米.
• 骨标志的偏差略小 (1.5±1.8毫米) 比骨标志的偏差略小 (2.1±2.0毫米).
• DLM在14次测量时证明了头骨,手臂和手臂部部件的准确性,平均偏差为2.9 ± 2.7毫米.

结论:

• 一个加速的深度学习模型,在有限的数据集上进行训练,实现了低基准识别偏差.
• DLM可靠且高效地分析了手术前和手术后的放射图,减轻了人类观察者偏差.
• 这个人工智能工具提供了一个强大的解决方案,用于在肩关节整形术中进行放射性分析.