使用深度学习对脊柱脊柱参数的自动测量用于脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱
Xianghong Meng1, Shan Zhu1, Qilong Yang1
1Department of Radiology, Tianjin University Tianjin Hospital, Jiefangnan Road, Hexi District, Tianjin, 300211, China.
Spine
|March 28, 2025
概括
这项研究开发了一种用于诊断脊椎病的自动深度学习系统,与手工方法相比,它提供了更快,更准确的脊柱角度和平衡测量.
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:
- 脊椎病的诊断依赖于准确的测量,如科布角,这是传统上耗时且容易发生观察者间变异的准确测量.
- 现有的自动化工具往往缺乏全面的测量功能或需要手动输入.
研究的目的:
- 开发和验证一个卷积神经网络 (CNN) 用于自动测量关键脊椎病参数.
- 与手动测量相比,评估CNN在诊断脊椎病的准确性和效率.
主要方法:
- 一项回顾性研究使用1682个脊椎病患者的X线图 (AP和侧面).
- 开发了一个CNN模型,包括粗细分,地标本地化和细分.
- 使用子系数,平均绝对误差 (MAE) 和正确关键点百分比 (PCK) 来评估性能.
主要成果:
- 美国有线电视新闻网 (CNN) 实现了高精度,子系数>0.90,PCK为89.7%-93.7%.
- 自动测量表明与手动测量具有可接受的一致性,测量时间显著减少.
- 对T5-T12科布角和角平衡的MAE在青少年中较低,在老年人中可接受.
结论:
- 开发的深度学习系统提供了快速,准确和可靠的脊椎病测量.
- 这种自动化方法可以提高临床工作流程的效率,以诊断脊椎病和计划治疗.
