使用实例细分来自动测量青少年异常脊椎病的Cobb角
概括
这项研究引入了一种机器学习 (ML) 方法,以自动化从X射线测量脊椎结节科布角. 新的方法提高了准确性和可靠性,克服了手动评估的局限性.
科学领域:
- 医疗成像医学成像
- 整形外科 整形外科 整形外科
- 人工智能的人工智能
背景情况:
- 脊柱脊椎病是一种影响数百万人的脊柱形,通常是在儿童时期被诊断出来的.
- 目前对脊椎形的科布角测量是手动的,耗时的,容易受到观察者的变化.
- 自动化科布角测量可以提高诊断准确性和效率.
研究的目的:
- 开发和验证一种基于机器学习的方法,用于自动测量脊椎形的科布角.
- 为了提高可靠性和减少脊椎病评估所需的时间.
- 为了克服手动测量中固有的观察者之间的和观察者内部的差异.
主要方法:
- 利用实例细分模型 (YOLACT) 在X射线图像中细分脊椎.
- 使用最小界限框来追踪决定性的脊椎地标.
- 根据提取的地标坐标计算了科布角.
主要成果:
- 对于科布角测量,达到10.76%的对称平均绝对百分比误差 (SMAPE).
- 证明了高精度,超过94%的估计科布角的误差小于10度.
- 在脊椎本地化和科布角计算方面展示了可靠的性能.
结论:
- 拟议的机器学习方法提供了一个可靠和准确的替代方案,用于手动科布角测量脊柱结节.
- 通过人工智能自动化这一过程,可以显著提高脊椎病诊断的效率和一致性.
- 这种方法有望改善儿童骨科的患者护理和结果.
更多相关视频
10:07Measurement of Dynamic Scapular Kinematics Using an Acromion Marker Cluster to Minimize Skin Movement Artifact
Published on: February 10, 2015
19.1K
12:59Three and Four-Dimensional Visualization and Analysis Approaches to Study Vertebrate Axial Elongation and Segmentation
Published on: February 28, 2021
3.6K
