开发一种深度学习模型,用于测量椎X射线上椎脊柱的斜腰参数

科学领域:

• 放射学和医学成像学 医学成像学
• 医疗保健中的人工智能
• 脊柱生物力学 脊柱生物力学

背景情况:

• 椎脊柱的斜腰参数对于诊断脊柱状况至关重要.
• 在X射线上手动测量这些参数是耗时的,容易引起观察者之间的变化.
• 需要自动化测量工具来提高临床实践的效率和准确性.

研究的目的:

• 开发和验证一个深度学习模型,用于在椎X射线图像上自动测量曲相关的斜腰参数.
• 评估与专家放射科医生手动测量相比,开发模型的准确性和可靠性.

主要方法:

• 这是一项回顾性研究,使用了来自三家医院的700张横侧椎X射线图像.
• 一个卷积神经网络 (CNN) 模型在500张图像上进行了训练,并在200张图像 (100个内部,100个外部测试集) 上进行了验证.
• 两个医生手动标记了6个关键的斜边参数和34个地标,作为比较的黄金标准.

主要成果:

• 深度学习模型在里程碑识别方面表现出高准确性,在医生测量的3-4毫米范围内达成>96%的协议.
• 测量参数的平均绝对误差在1.67毫米到3.22°之间,总体一致性有很好的类内相关性 (0.983).
• 该模型在各种宫斜参数 (包括科布角和曲率指数) 上取得了强的表现.

结论:

• 开发的深度学习模型准确地识别了椎脊柱的地标,并自动测量了椎的参数.
• 这种算法方法与黄金标准测量结果高度一致,表明其临床实用性.
• 该模型有可能显著提高放射科医生评估椎X射线的诊断效率.