使用关键点检测模型自动测量膝盖X射线图像上的Caton指数

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:

• 卡顿指数是评估膝关节健康状况的关键指标.
• 精确测量卡顿指数对于诊断和治疗规划至关重要.
• 目前的手动测量方法可能是主观的,耗时的.

研究的目的:

• 评估你只看一次 (YOLO) 算法的可行性,用于自动化纸箱索引测量.
• 为了比较基于YOLO的测量与传统放射学评估的准确性.
• 为了确定这个特定应用程序的最佳YOLO模型.

主要方法:

• 从两个中心收集了1156张膝盖X射线图像.
• 使用Labelme软件在骨和骨上标记了五个关键点.
• 在标记数据上训练和改进YOLOv11姿势模型 (YOLOv11n,YOLOv11m,YOLOv11x).
• 应用训练有素的模型来检测关键点并计算纸箱指数 (A/B比率).
• 使用Bland Altman图表,皮尔森相关性,MAE和ICC进行评估的测量协议.

主要成果:

• 与放射科医生相比,YOLOv11x-pose实现了最高的准确性,与皮尔森相关系数为0.73和ICC为0.72相比.
• 对于YOLOv11x-pose的平均绝对误差 (MAE) 为0.10,表示高精度.
• 虽然YOLOv11n和YOLOv11m的相关性较低,MAE较高,但它们仍然显示出潜力.

结论:

• 该YOLOv11x-pose模型显示了从膝盖X射线图像自动和准确测量卡顿指数的巨大潜力.
• 这种人工智能驱动的方法为临床实践中客观和高效的联合评估提供了一个有前途的工具.
• 进一步验证和整合到临床工作流程是有必要的.