深度学习用于骨质疏松症诊断使用腰椎脊椎的磁共振图像

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 骨质疏松症诊断传统上依赖于骨矿物密度 (BMD) 扫描,其中包括电离辐射.
• 磁共振成像 (MRI) 为评估骨健康提供了一个无辐射的替代方案.
• 深度学习 (DL) 技术在分析复杂的医学成像数据方面表现有前途.

研究的目的:

• 评估深度学习算法的有效性,使用各种MRI序列来检测骨质疏松症.
• 将定制卷积神经网络 (CNN) 的诊断性能与已建立的DL模型和BMD测量进行比较.
• 为了确定基于深度学习的骨质疏松症诊断的最佳MRI序列.

主要方法:

• 分析了来自50名同时测量骨质量的人1350张腰椎MRI图像的数据集.
• 为骨质疏松症分类开发和训练了一种定制的卷积神经网络 (CNN).
• 定制CNN的性能与T1,STIR和T2加权的MRI序列以及其他DL模型 (GoogleNet,EfficientNet-B3,ResNet50,InceptionV3,InceptionResNetV2) 相比较.

主要成果:

• 在测试的MRI类型中,T2加权的MRI序列显示了最高的诊断效用.
• 定制DL模型实现了88.5%的准确性,88.9%的灵敏度和76.1%的F1得分,优于T1和STIR序列.
• 虽然其他先进的DL模型表现良好,但定制模型表现出卓越的灵敏度和精度.

结论:

• T2加权的MRI是基于深度学习的骨质疏松症诊断最有效的序列.
• 通过MRI进行深度学习,为骨质疏松症的识别提供了无辐射,准确和潜在的BMD测量更快的替代方案.
• 这些发现支持深度学习和MRI的临床整合,以改善骨质疏松症查和诊断.