改进基于深度学习的部分厚度脊上肌撕裂的分级,使用指导扩散增强

科学领域:

• 整形外科和运动医学
• 放射学 放射学是一门学科.
• 人工智能在医学中的应用

背景情况:

• 部分厚度的上 (SST) 撕裂很常见,需要精确的分级才能有效治疗.
• 当前的分级方法可能是主观的,耗时的.
• 深度学习为客观和高效的撕裂评估提供了潜力.

研究的目的:

• 开发和验证一个深度学习系统,用于分级部分厚度的SST撕裂.
• 利用基于指导扩散的数据增强来提高模型性能.
• 将系统的准确性和效率与经验丰富的肌肉骨放射科医生进行比较.

主要方法:

• 一项对1150名确诊SST撕裂的患者进行的回顾性研究.
• 用导向扩散模型来增强MRI图像,以解决数据不平衡.
• 一个ResNet-34模型被训练并验证为Ellman对bursal侧面和关节侧面撕裂的分级.
• 使用AUC评估性能,并与三名放射科医生进行比较.

主要成果:

• 深度学习系统在MRI序列中实现了两种撕裂类型的高AUC (高达0.99).
• 与放射科医生相比,该模型的分级性能明显优于放射科医生 (P<0.001).
• 导向扩散增强提高了模型的稳定性,系统减少了评估时间.

结论:

• 深度学习系统为分级部分厚度SST撕裂提供了可靠和高效的工具.
• 该系统实现了放射科医生水平的准确性,并提高了一致性和速度.
• 这种人工智能方法对改进旋转部撕裂诊断有前途.