人工智能算法支持诊断部发育性发育不良:自动超声波图像分割
Łukasz Pulik1, Paweł Czech2, Jadwiga Kaliszewska3
1Department of Orthopedics and Traumatology, Medical University of Warsaw, Lindley 4 Str., 02-005 Warsaw, Poland.
Journal of clinical medicine
|September 13, 2025
概括
一个新的机器学习模型在超声波图像中准确地识别部结构,改善部发育性形 (DDH) 查. 这种自动化方法提高了这种常见疾病的诊断可靠性和可访问性.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 如果不治疗,部发育性形 (DDH) 可以导致长期残疾.
- 超声波 (美国) 是DDH的关键查工具,但它的解释取决于操作者.
- 自动化图像分析可以提高美国解释的一致性.
研究的目的:
- 开发和评估一个受监督的机器学习 (ML) 模型,用于美国高端图像中解剖结构的自动细分.
- 评估模型在识别与DDH诊断相关的关键结构方面的准确性.
- 探索ML的潜力,以提高DDH查的可靠性.
主要方法:
- 对来自311名患者的10,767张美国腿部图像进行了回顾性分析.
- 使用Graf方法对八个关键解剖结构的注释.
- 使用MSCAN_L骨干的SegNeXt模型的培训和验证.
- 使用交叉与联盟 (IoU) 和子相似系数 (DSC) 的性能评估.
主要成果:
- ML模型实现了多个部结构的高细分精度.
- 特定的IOU和DSC得分报告了骨边界,大腿骨头,乳头,软骨结构和骨顶.
- 观察到地标的低平均欧几里德距离和最低基线偏斜角度.
结论:
- 拟议的基于ML的图像细分在分析美国时图像方面表现出显著的准确性.
- 这种方法显示出有可能提高美国DDH查的可靠性和可访问性.
- 未来与实时测量的整合可以进一步支持DDH诊断中的临床决策.
