基于深度学习的全脊椎DR图像的全自动Cobb角度测量框架
Huijie Wu1,2, Shasha Zheng1, Wang Du2
1Department of Radiology and Nuclear Medicine, Xuanwu Hospital, Capital Medical University, Beijing, China.
概括
这项研究引入了一种自动化的深度学习框架,用于从脊柱X射线测量脊柱结石Cobb角度. 人工智能系统准确地测量了科布角,提高了临床医生的诊断效率.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 脊椎病影响全球数百万儿童,需要准确的科布角测量进行评估.
- 手动的科布角测量是耗时的,劳动密集的,容易受到观察者变化的影响.
- 在脊椎DR的AP和LAT视图中准确识别脊椎是具有挑战性的.
研究的目的:
- 开发一个深度学习框架,用于从全脊椎数字放射 (DR) 测量完全自动化的科布角测量.
- 为了克服手动科布角度评估的局限性,包括时间,劳动力和观察者变化.
主要方法:
- 使用深度学习网络来区分AP和LAT的观点.
- 感兴趣的脊柱区域 (ROI) 已被定位并提取.
- 一个检测网络 (YOLOv8与CBAM) 识别了脊椎边界,类型和角点,用于自动化科布角计算.
主要成果:
- 该框架实现了2.56° (AP) 和2.498° (LAT) 的平均科布角误差.
- 观察到高的类内相关系数 (0.956 AP,0.925 LAT) 和皮尔森相关系数 (0.961 AP,0.930 LAT).
- 一项读者研究报告了主要曲线的平均误差为3.918°,具有强大的ICC (0.943) 和相关性 (0.960).
结论:
- 拟议的框架在科布角测量方面表现出显著的准确性和一致性.
- 由人工智能驱动的方法验证了其有效性,并为临床脊柱病诊断提供了强有力的支持.
- 自动化的科布角测量提高了诊断效率,减少了变化.


