从使用卷积神经网络的单个2D放射性投影中预测具有转移性病变的股骨骨的强度
Alexander Synek1, Emir Benca2, Roxane Licandro3
1Institute of Lightweight Design and Structural Biomechanics, TU Wien, Gumpendorfer Straße 7, 1060 Vienna, Austria.
Computer methods and programs in biomedicine
|April 2, 2025
概括
卷积神经网络 (CNN) 可以从二维X射线中预测骨强度,有助于在转移性骨病中评估骨折风险. 这种方法为复杂的3D成像技术提供了更快,更容易获得的替代方案.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 整形外科 整形外科 整形外科
背景情况:
- 患有转移性骨病的患者面临患有病理性股骨骨折的高风险.
- 目前的骨折风险评估工具往往高估了风险,导致过度治疗.
- 用于大腿骨强度评估的3D成像和有限元 (FE) 模型是计算密集且难以自动化的.
研究的目的:
- 评估卷积神经网络 (CNN) 在预测从单个2D射线图投影的股骨强度的准确性.
- 评估CNN作为临床工具的潜力,用于在转移性骨病中评估骨折风险.
主要方法:
- CNN被训练在一个大数据集的36000个修改CT扫描与人造伤的CT扫描.
- 用CT扫描得出的2D投影的非线性FE模型来预测骨强度.
- 在31个股骨样本的机械测试中验证了CNN的性能,并与2D密度计和3DFE模型进行了比较.
主要成果:
- 在完整和受损的股骨中,CNN准确地预测了实验性股骨强度 (R2≥0.80).
- 对于有转移性病变的股骨,CNN显著优于2D密度计预测器 (最佳R2=0.84与R2≤0.07).
- CNN的性能与3D FE模型 (R2=0.86与R2=0.90) 相似,尽管略低于3D FE模型.
结论:
- 在FE生成数据上训练的CNN可以从2D投影中准确预测股骨强度,即使有转移性病变.
- 这种方法消除了对3D成像的需求,并减少了计算需求.
- 在转移性骨病患者的骨折风险评估中,CNN显示出临床应用的前景.
