在患有牛皮关节炎的患者中,基于深度学习的MRI自动关节紧缩症量化:可行性研究

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 类风湿病学 类风湿病学

背景情况:

• 紧缩性关节炎是一种常见的牛皮关节炎 (PsA) 症状.
• 目前的评估依赖于具有固有的可变性的半定量MRI评分.
• 需要客观的,自动量化PSA中肌炎的量化.

研究的目的:

• 评估一种完全自动化的深度学习方法,用于对PsA患者的MRI的关节肌炎细分和体积定量.
• 为了比较自动体积测量与传统放射科医生评分.
• 评估自动化量化的有用性,以检测随着时间的推移疾病进展.

主要方法:

• 分析了来自71名PsA患者的364个脚3TMRI扫描.
• 开发一个深度学习细分模型 (nnUNet框架) 使用手动注释的基础真相.
• 使用Dice分数用于细分精度和Spearman相关性用于比较体积和视觉分数的验证.

主要成果:

• 深度学习模型实现了高性能,平均子得分在0.84到0.92.9之间.
• 病理学体积与视觉评分有显著的相关性 (斯皮尔曼 ρ = 0.52-0.62).
• 自动定量检测检测到微妙的炎症变化和疾病进展,这些变化在半定量得分中并不明显.

结论:

• 一个自动化细分工具在PSA中提供了快速而准确的关节紧关节炎量化.
• 这种方法提高了对疾病进展的敏感性.
• 基于体积的指标可以补充全面的PsA评估的视觉评分.