基于深度学习的自动化指南,用于定义一种标准的成像平面,用于使用超声波检查部发育性发育不良:回顾性成像分析:一篇回顾性成像分析
Kyung-Sik Ahn1,2, Ji Hye Choi3, Heejou Kwon4
1Department of Radiology, Korea University Anam Hospital, 73, Goryeodae-ro, Seoungbuk-gu, Seoul, 02841, Republic of Korea.
BMC medical informatics and decision making
|February 19, 2025
概括
一个深度学习模型在2D超声波图像中准确地检测到五个关键的地标,用于查部发育性发育不良 (DDH). 这种AI工具有助于在临床实践中标准化DDH诊断和分类.
科学领域:
- 医疗成像医学成像
- 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:
- 部发育性形 (DDH) 需要标准化查方法.
- 二维 (2D) 超声波 (美国) 是DDH查的常见成像方式.
- 自动地标检测可以提高DDH的2D US的效率和一致性.
研究的目的:
- 提出一个深度学习神经网络模型,用于在美国2D部扫描中自动检测五个关键地标.
- 使用人工智能开发一种标准化平面用于部发育性形 (DDH) 查.
- 评估模型在指导DDH诊断和分类方面的表现.
主要方法:
- 开发了一个全球和本地网络模型,用于在2D US中检测地标.
- 包括532名接受部US进行DDH查的患者.
- 数据集分为培训 (70%),验证 (10%) 和测试 (20%) 集.
- 使用根平均平方误差 (RMSE) 和子相似系数来评估性能.
主要成果:
- 深度学习模型在五个里程碑上实现了4.023±3.723的整体RMSE.
- 特定点RMSE值在1.69±1.26至6.61±4.82.8之间.
- 该模型证明了检测对DDH诊断至关重要的地标的可行性.
结论:
- 开发的深度学习网络模型有效地检测了用于DDH查的超声波图像中的五个地标.
- 这种人工智能方法有望改善临床DDH评估中主要参数的检测.
- 该模型的可行性表明,它有可能被整合到部超声波分析的标准临床工作流程中.
