使用深度学习的细分分类来检测部植入物松的自动化
C Magg1,2,3, M A Ter Wee4,5, G S Buijs6,5
1Quantitative Healthcare Analysis (QurAI) Group, Informatics Institute, University of Amsterdam, Amsterdam, The Netherlands. c.magg@amsterdamumc.nl.
概括
使用深度学习 (DL) 完全自动化膝盖植入物分析是可行的. 这种新方法准确地评估了部件的位移,可以在没有用户交互的情况下区分松散和固定植入物.
科学领域:
- 生物医学工程 生物医学工程
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 在全膝关节整形术 (TKA) 后出现反复的投诉可能表明无菌植入物松动.
- 目前的成像方法很难量化TKA组件松动度.
- 有一个经过验证的工作流程,可以使用加载的CT扫描量化骨部件的位移,但需要手动细分.
研究的目的:
- 调查在TKA组件位移分析中完全自动化细分步骤的可行性.
- 评估深度学习 (DL) 模型是否可以取代半自动细分而不会影响结果的准确性.
- 为了保持区分固定植入物和松散植入物的能力.
主要方法:
- 开发和评估了各种深度学习 (DL) 模型,用于从CT扫描中完全自动分割部件和骨头.
- 用了三个数据集进行模型开发和评估,包括尸体和患者CT数据.
- 将表现最好的DL模型集成到现有的工作流中,取代了半自动细分步骤.
主要成果:
- 基于DL的方法表明,在尸体和患者数据集中,固定和松散的植入物样本之间存在统计学上显著的差异.
- 在自动化和半自动化方法之间,方法错误并没有显著差异.
- 既提出的,又是当前的方法在多个运营商和数据集之间都显示出出色的可靠性.
结论:
- 膝盖植入物位移评估的完全自动化可通过使用基于DL的细分来实现.
- 自动化方法保持了现有工作流程的准确性和可靠性.
- 这种自动化可以简化TKA后部件松动的分析.
