一种基于深度学习的方法,用于从膝盖MRI图像中测量骨软骨变形
Jefferson R Bercaw1, Patrick X Bradley2, Christopher C Otap3
1Department of Orthopaedic Surgery, Duke University School of Medicine, Durham, NC, USA; Department of Biomedical Engineering, Pratt School of Engineering, Duke University, Durham, NC, USA.
Journal of biomechanics
|September 7, 2025
概括
这项研究开发了人工智能工具,可以自动对膝盖MRI进行细分,从而能够准确地测量运动后的骨软骨变形. 这些进展为研究早期膝关节关节炎 (OA) 提供了一种新的方法.
科学领域:
- 生物医学工程 生物医学工程
- 放射学 放射学是一门学科.
- 整形外科 整形外科 整形外科
背景情况:
- 膝关节骨关节炎 (OA) 是导致残疾的主要原因,骨骨关节OA尚未得到充分研究.
- 早期发现骨关节炎至关重要,骨软骨的机械变化是关键指标.
- 目前基于MR的方法来评估骨软骨机制依赖于手动细分,这是耗时且容易变化的方法.
研究的目的:
- 开发卷积神经网络 (CNN) 用于在膝盖MRI扫描中自动细分带和带软骨.
- 评估这些CNN在测量运动诱导的软骨变形方面的性能和可靠性.
主要方法:
- 开发并比较2D和3DU-Net卷积神经网络用于细分,使用109个膝盖MRI扫描的数据集.
- 使用平均子相似系数 (mDSC) 评估细分精度.
- 评估了表现最好的网络的可靠性及其在跳跃练习后检测软骨变形的能力.
主要成果:
- 与3D U-Net相比,2D U-Net在骨 (mDSC:0.967) 和骨软骨 (mDSC:0.896) 方面实现了更高的细分精度.
- 2D U-Nets在测量骨软骨厚度方面表现出极好的可靠性 (ICC = 0.99).
- 在跳跃运动后检测到显著的平均值 (1.5%) 和最大值 (10.6%) 带软骨菌株.
结论:
- 使用2D U-Nets的自动细分提供了一种可靠和高效的方法来分析骨软骨.
- 这些人工智能工具提供了一个强大的框架,用于在体内评估带软骨机制.
- 这种方法可以推进早期骨骨关节骨关节炎的研究.
