在轨道体积测量中使用深度学习和人入循环方法进行一项新的临床研究

科学领域:

• 医学成像医学成像
• 医学中的人工智能
• 手术规划 手术规划

背景情况:

• 准确的轨道体积评估对于有效的手术规划至关重要.
• 传统的轨道细分方法往往是低效的,缺乏精度.
• 目前对人工智能驱动的轨道细分的临床实用性的研究是有限的.

研究的目的:

• 为了评估人工智能辅助的半自动细分的准确性和效率,用于轨道体积评估.
• 将人工智能驱动的细分性能与手动细分技术进行比较.
• 评估AI在轨道区域细分中的临床适用性.

主要方法:

• 利用了349名没有轨道创伤或先天异常的成年患者的三维面部计算机断层扫描 (3DCT) 数据.
• 通过手动细分 (178名患者) 和人类在循环中的方法 (171名患者) 开发了一个AI培训数据集.
• 在手动和人工智能辅助的半自动细分之间对子系数和推理速度进行了比较分析.

主要成果:

• 在全数据集中,人工智能辅助的半自动细分实现了高平均子系数 (94.1%).
• 使用人工智能辅助方法 (32.55毫秒/切片) 与手动细分相比,推断时间显著减少.
• 在人工智能辅助和人工细分 (90.31%和88.72%) 之间没有观察到子系数的显著差异.

结论:

• 人工智能显示出用于准确和时间效率高的轨道区域细分的巨大潜力.
• 人工智能辅助细分提供了一个可行的,临床上适用的替代手术规划传统方法.
• 这项技术可以提高轨道手术医疗图像分析的精度和速度.