基于HRViT神经网络的Torg-Pavlov比率资格来诊断发育性椎脊柱狭窄症
Yao Wu1,2, Zhenxi Zhang3, Jie Liang1,2
1Department of Orthopedics, the First College of Clinical Medical Science, China Three Gorges University, Yichang, 443000, China.
BMC musculoskeletal disorders
|April 24, 2025
概括
一个深度学习模型准确地测量格-帕夫洛夫比率 (TPR) 在椎X射线上,有助于诊断发育性椎脊柱狭窄症 (DCSS). 这种自动化方法的性能与经验丰富的临床医生相美.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 托尔格-帕夫洛夫比率 (TPR) 对于诊断发育性椎脊柱狭窄症 (DCSS) 是至关重要的.
- 在横向放射图上手动测量TPR是主观的,耗时的.
- 自动化TPR测量为CT/MRI提供了具有成本效益的替代方案,特别是在资源有限的环境中.
研究的目的:
- 开发一种深度学习模型,用于在椎X射线上自动测量TPR.
- 为了确定在无症状的中国人口中TPR的分布.
- 与人类测量相比,评估模型的准确性和一致性.
主要方法:
- 使用了一个高分辨率视觉转换器 (HRViT) 神经网络.
- 在1466张有注释的宫横侧X射线图像上训练了模型.
- 在157张图像上验证了模型,使用MAE,ICC和r-value评估了准确性.
主要成果:
- 与高级外科医生相比,HRViT模型实现了0.01的平均绝对误差.
- 该自动化系统在DCSS诊断中显示了84.1%的准确性,显著超过初级外科医生 (57.3%-56.7%).
- 在模型和高级放射科医生之间观察到高一致性 (ICC:0.77-0.9,r值:0.78-0.9).
结论:
- 一个深度学习算法有效地自动化了用于DCSS诊断的宫放射图上的TPR测量.
- 开发的模型表现出与经验丰富的临床医生可比的性能.
- 这项技术有可能提高诊断效率和脊柱狭窄症评估的准确性.
更多相关视频
06:30Assessment of Static Graviceptive Perception in the Roll-Plane using the Subjective Visual Vertical Paradigm
Published on: April 28, 2020
5.7K
09:37Evaluation of Respiratory Muscle Activation Using Respiratory Motor Control Assessment RMCA in Individuals with Chronic Spinal Cord Injury
Published on: July 19, 2013
10.2K
