在超声波成像中对胸腔带的细分:一种深度学习方法

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 人体解剖学 解剖学 解剖学

背景情况:

• 胸腔带在腰部疼痛 (LBP) 中的作用越来越被认可,但通过超声波进行临床评估是具有挑战性的.
• 护膜的超声波成像需要克服技术和操作员依赖的障碍,以进行可靠的实时评估.
• 由于这些挑战,在日常临床实践中有效评估带系统存在差距.

研究的目的:

• 为了解决使用超声波评估胸腔带的困难.
• 研究深度学习方法在超声波图像中对胸腔带细分的有效性.
• 提高超声波在LBP评估中的临床实用性.

主要方法:

• 一个深度学习网络经过训练和测试,使用LBP患者胸腔带的538张超声波图像.
• 基于U-Net的架构被用于图像细分.
• 为了提高发现的概括性,使用了额外的独立测试集.

主要成果:

• 深度学习模型在细分胸腔带方面取得了高精度,训练精度为0.99,验证精度为0.91.
• 在测试组 (87张图像) 上的表现显示了0.94准确度,0.82平均交叉与联合,和0.76子得分.
• 独立测试组的结果超过了初始测试组的指标,并被专家临床医生验证.

结论:

• 使用深度学习对胸腔带的自动细分显示出显著的前景.
• 这项技术可以促进对LBP形变化的彻底调查.
• 它可以开发个性化康复干预措施,以满足个体患者的需求.