基于深度学习的脊椎体病变的区分在磁共振成像上
Hüseyin Er1, Murat Tören2, Berkutay Asan2
1Faculty of Medicine, Recep Tayyip Erdoğan University, Training and Research Hospital, Rize 53020, Türkiye.
Diagnostics (Basel, Switzerland)
|August 14, 2025
概括
这项研究表明,YOLO-v8深度学习模型可以使用MRI扫描准确地检测和分类脊椎体病变,包括转移和良性疾病. 这种人工智能方法有助于有效地区分脊髓病理.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 脊髓疾病包括一系列疾病,包括退行性变化,转移,压缩骨折,良性瘤 (例如,血管瘤) 和感染 (例如,脊髓炎).
- 磁共振成像 (MRI) 对于诊断脊柱病理至关重要,但病变之间的形态相似性存在诊断挑战.
- 人工智能 (AI) 应用越来越多地用于医学成像,以提高诊断能力.
研究的目的:
- 使用YOLO-v8深度学习架构检测和分类脊椎体病变.
- 评估YOLO-v8在MRI上区分各种脊柱病理方面的性能.
- 评估模型在区分恶性转移和良性转移方面的准确性.
主要方法:
- 利用了来自235名脊椎病变患者的MRI数据,包括斜腰T1和T2加权序列.
- 采用YOLO-v8深度学习模型来自动检测和分类病变.
- 标准化图像,应用数据增强 (结果为4179张图像),并将数据分成训练 (80%) 和验证 (20%) 组,使用54名患者的独立测试组.
主要成果:
- YOLO-v8模型实现了高分类准确度:T1加权的MRI序列为0.84和T2加权的MRI序列为0.85.
- 脊椎骨折在T1上显示了最高的精度 (0.94),而急性压缩骨折在T2上显示了最高的精度 (0.93).
- 平均平均精度 (mAP) 0.5值为T1的0.82和T2的0.86,表明精确的病变检测.
结论:
- YOLO-v8深度学习模型有效地区分了脊椎体转移与各种良性病理.
- 这种人工智能驱动的方法对改善MRI脊柱病变的差异诊断有希望.
- 该研究强调了深度学习在提高脊髓成像分析的准确性和效率方面的潜力.
