在MRI诊断上利用空间依赖和多尺度特征进行自动膝盖损伤检测
Jianhua Sun1, Ye Cao2, Ying Zhou3
1Department of Cardiology, Shidong Hospital affiliated to University of Shanghai for Science and Technology, Shanghai, China.
Frontiers in bioengineering and biotechnology
|May 21, 2025
概括
这项研究介绍了KneeXNet,这是一种用于诊断MRI扫描中的膝盖损伤的深度学习模型. 在检测异常方面,KneeXNet实现了高精度,包括前十字带 (ACL) 撕裂,超过现有方法.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 深度学习在用于临床诊断的医学图像分析中显示出前景.
- 膝关节受伤,特别是前十字带 (ACL) 撕裂,需要准确和高效的诊断工具.
- 磁共振成像 (MRI) 是可视化膝盖结构的关键方式.
研究的目的:
- 开发和评估深度学习模型,使用MRI数据对膝关节损伤进行分类.
- 为临床医生提供一个有效和可靠的工具来诊断膝盖疾病.
- 为了特别提高检测前十字带 (ACL) 撕裂.
主要方法:
- 膝盖XNet使用图形卷积网络 (GCNs) 来分析膝盖MRI扫描中的空间和层次特征.
- 该模型包括图形构造模块,GCN层和多尺度特征融合.
- 对比式学习增强了模型的稳定性,培训是在MRNet数据集上进行的.
主要成果:
- 膝关节XNet实现了高性能,ROC曲线下的区域 (AUC) 得分为0.985的异常,0.972的ACL撕裂,和0.968的阴茎撕裂.
- 该模型的表现始终优于传统的机器学习和其他深度学习方法.
- 交叉数据集评估证实了KneeXNet在独立数据集上的强大泛化能力.
结论:
- 膝盖XNet在通过MRI扫描诊断膝关节损伤方面表现出卓越的性能.
- 开发的深度学习模型为骨科的临床决策支持提供了可靠的工具.
- 集成的Web界面与Grad-CAM可视化增强了临床适用性和可解释性.
