一个深度学习算法用于自动3D细分和量化腿筋肌受MRI损伤的腿筋肌损伤
Lara Riem1, Olivia DuCharme1, Ashley Coggins1
1Springbok Analytics, 100 West South Street, Suite 1E, Charlottesville, VA, 22902, USA.
Scientific reports
|September 29, 2025
概括
人工智能 (AI) 模型使用MRI扫描精确量化腿筋应变. 这种人工智能驱动的方法与受伤严重程度相关,有助于运动员的康复和降低重伤率.
科学领域:
- 运动医学 运动医学
- 放射学 放射学是一门学科.
- 生物医学工程 生物医学工程
背景情况:
- 腿筋应变伤害在高速运动中很普遍,导致大量的比赛时间错过和高的重伤率.
- 目前对腿筋损伤的临床分类,如英国田径运动肌肉损伤分类 (BAMIC),依赖于对的半定性评估,这可能是主观的.
- 准确评估受伤严重程度和位置对于指导有效的运动员康复和回归运动协议至关重要.
研究的目的:
- 开发和验证自动化的人工智能 (AI) 模型,从MRI扫描中对胀和腿筋肌肉/肌结构进行细分.
- 使用AI衍生测量量量化瘤体积及其对腿筋肌肉的影响.
- 评估基于人工智能的瘤量化与已建立的临床损伤分级系统 (BAMIC) 之间的相关性.
主要方法:
- 人工智能模型被训练为自动细分 (T2加权MRI) 和腿筋肌肉/肌结构 (T1加权MRI).
- 在受伤时和恢复运动时,从大学足球运动员那里获得了MRI扫描.
- 人工智能模型对细分结构和子区域进行了体积,长度和横截面积 (CSA) 测量,与地面真相细分进行了有利的比较.
主要成果:
- 人工智能体积测量显示,胀 (R=0.97),腿筋肌肉 (R≥0.99) 和腿筋肌 (R≥0.42) 与地面真相有很高的相关性.
- 胀体积增加和受影响的肌肉百分比明显与更高的临床BAMIC损伤等级相关 (p<0.05).
- 开发的AI模型在细分和量化关键损伤参数方面表现强.
结论:
- 在腿筋应变损伤中基于人工智能的胀量化提供了客观可靠的测量结果.
- 这些人工智能衍生的指标有效地反映了不同程度的伤害严重程度,支持临床有效性.
- 这种方法为提高运动员腿筋损伤的评估和管理提供了一个有希望的工具.
