在基于RTMpose深度学习技术的基础上,开发一种模型来测量10-18岁的患有异常学脊椎病的青少年的斜腰平面参数
Zhijie Kang1, Guopeng Shi1, Yong Zhu2
1Department of Human Anatomy, Graduate School, Inner Mongolia Medical University, Hohhot, 010010, Inner Mongolia, China.
Journal of orthopaedic surgery and research
|January 11, 2025
概括
一个新的深度学习模型自动化了青少年异常结石症 (AIS) 的全脊椎X射线测量,显著减少了时间和提高了一致性. 这种人工智能工具提供了准确的斜平面参数分析,有助于临床诊断.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 对于青少年异常结石症 (AIS) 进行全脊椎X射线的手动测量是耗时的,容易引起观察者之间的变化.
- 自动化这一过程对于提高临床效率和诊断准确度至关重要.
研究的目的:
- 开发和验证使用RTMpose技术的深度学习模型,以快速自动测量AIS患者的全脊椎X射线.
- 与手动测量相比,评估模型的准确性和一致性.
主要方法:
- 这是一项回顾性多中心研究,涉及560张来自五家医院的全脊柱斜平面X射线图像.
- 在500张图像上进行模型培训和验证,在60张图像上进行外部验证.
- 对关键点注释一致性,模型预测准确性和测量准确性与手动评估的评估.
主要成果:
- 模型在4毫米范围内的关键点注释中实现了90-97%的一致性.
- 关键点的预测准确度在4毫米范围内从91-100%不等.
- 经验丰富的医生对15个解剖学参数的高一致性 (ICC 0.892-0.991);SVA的平均绝对误差为1.16毫米,其他参数的0.22°-3.32°.
- 15个参数的自动测量平均每张图像需要9.27秒.
结论:
- 基于RTMpose的深度学习模型有效地自动化了对AIS患者X射线的斜腰平面参数测量.
- 该模型与手动测量具有很高的一致性,为提高AIS临床效率和诊断提供了宝贵的工具.
- 通过增强来解决数据变异性是成功在多个中心实施的关键.
