SCOPE-MRI:Bankart损伤检测作为数据策划和深度学习的案例研究,用于挑战性诊断

科学领域:

• 肌肉骨成像技术 肌肉骨成像技术
• 医疗人工智能 医疗人工智能
• 放射学 放射学是一门学科.

背景情况:

• 深度学习在肌肉骨成像方面表现出色,但忽视了像班卡特病变这样具有挑战性的诊断.
• 在标准MRI上诊断班卡特病变是困难的,因为微妙的特征,往往需要侵入性MRI关节图 (MRAs).

研究的目的:

• 介绍ScopeMRI,一个新的,专家注释的数据集,用于肩部病理.
• 开发和评估一个深度学习 (DL) 框架,用于在标准MRI和MRA上检测Bankart病变.
• 评估DL在减少依赖侵入性诊断程序方面的潜力.

主要方法:

• 开发了ScopeMRI数据集,其中包括586个肩部MRI (335个标准,251个MRA),并注释了关节镜检测结果.
• 为标准MRI和MRA训练单独的DL模型 (CNN和变压器),使用公开的膝盖MRI数据集进行预训练.
• 从多个成像视图 (斜视图,轴形图,冠状图) 和在持久测试集和独立医院数据上验证的模型的合并预测.

主要成果:

• DL模型实现了高诊断性能:AUC为0.91 (标准MRI) 和0.93 (MRA),灵敏度为83% (标准MRI) 和94% (MRA),特异性为91% (标准MRI) 和86% (MRA).
• 在非侵入性标准MRI上的表现与解释MRA的放射科医生相匹配或超越.
• 外部验证表明,在不同的成像协议中可通用.

结论:

• 深度学习模型可以在标准MRI上实现Bankart病变检测的放射科医生级别性能.
• 这种方法可能会减少对侵入性MRA的需求,改善患者护理.
• ScopeMRI和一个模块化代码库的发布旨在推动对具有挑战性的肌肉骨成像诊断的研究.