渐变增强的神经网络和极端渐变增强建模,用于从2D-DXA扫描中预测3D骨矿物质密度分布

科学领域:

• 生物医学成像技术 生物医学成像技术
• 机器学习 机器学习
• 放射学 放射学是一门学科.

背景情况:

• 双能X射线吸收计 (DXA) 提供二维骨信息.
• 计算机断层扫描 (CT) 提供3D体积骨评估,但涉及更高的成本和辐射.
• 在具有成本效益,低辐射的3D骨评估方法中存在差距.

研究的目的:

• 从2D DXA扫描中预测体积骨矿物质密度 (BMD) 分布.
• 开发一种机器学习方法,将DXA和CT结合起来,用于体积骨评估.
• 提供一个具有成本效益的,低辐射的3D骨评估替代方案.

主要方法:

• 利用对准的DXA和CT扫描从34名参与者对近接大腿骨.
• 训练有素的极端梯度增强 (XGB) 和梯度增强神经网络 (GENN) 模型.
• 采用了5倍的交叉验证,实现了0.89 ± 0.04的平均注册准确度.

主要成果:

• 在预测2D图像的3D骨结构统计数据方面,GENN模型优于XGB.
• 在最小,最大和非零像素强度方面,GENN 实现的平均绝对百分比误差 (MAPE) 低于13%.
• XGB模型错误超过16%,GENN在100个时代内表现出强大的性能.

结论:

• 该GENN框架可以从2D DXA扫描中预测3D BMD分布.
• 这种方法与基于CT的评估相竞争,同时降低了成本和辐射暴露.
• 为个性化骨健康评估和早期骨质疏松症诊断提供了一个可行的解决方案.