一个CNN自动编码器用于从细分的腰椎脊椎MRI学习潜盘几何
Mattia Perrone1, D'Mar Moore1, Daisuke Ukeba1
1Rush University Medical Center, Chicago, IL, 60612, USA.
medRxiv : the preprint server for health sciences
|March 17, 2025
概括
一种新型的卷积神经网络 (CNN) 自编码器有效地从腰部MRI中提取潜在的几何特征,改善盘狭窄的预测和对盘病理的理解.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 医疗保健中的机器学习
- 脊柱生物力学 脊柱生物力学
背景情况:
- 腰部疼痛是全球残疾的主要原因之一.
- 腰椎间盘病理是常见的疼痛驱动因素.
- 磁盘几何学为机械行为和病理学提供了洞察力.
研究的目的:
- 开发一个卷积神经网络 (CNN) 自动编码器,用于从细分腰椎磁盘MRI中提取潜在特征.
- 解释这些潜伏特征以识别磁盘病理.
- 补充标准的几何测量,以提高诊断能力.
主要方法:
- 从公开数据集中利用了195个斜腰T1权重的腰椎MRI.
- 实施了一条涉及MRI细分,CNN自动编码器培训和潜在特征提取的管道.
- 测量了标准几何特征,并使用隐性和标准特征预测了磁盘缩小.
主要成果:
- 实现了高细分精度 (IoU 0.82,DSC 0.90). 实现了高细分精度 (IoU 0.82,DSC 0.90).
- 美国有线电视新闻网的自动编码器与4x1瓶大小相聚,产生了高IOU (0.9984).
- 结合潜伏和几何特征,改善了磁盘缩小预测准确度.
结论:
- 一个CNN自编码器有效地从腰椎磁盘MRI中提取可解释的潜伏特征.
- 这些潜伏的特征增强了对磁盘收窄的预测.
- 未来的研究将将voxel强度纳入组合分析.
