前十字带损伤的诊断使用切片对齐和多层次的特征聚合

科学领域:

• 医疗成像医学成像
• 放射学中的人工智能
• 骨科诊断 骨科诊断 骨科诊断

背景情况:

• 前十字带 (ACL) 损伤在运动员中很普遍,需要准确的诊断才能有效恢复.
• 磁共振成像 (MRI) 是ACL损伤诊断的黄金标准,但手动解释是劳动密集型的,并且由于切片噪声容易出现错误.

研究的目的:

• 开发一个自动化的框架,MLFANet-SA,用于检测MRI扫描中的ACL损伤.
• 排除不相关的切片,专注于诊断上重要的区域,而不需要感兴趣的区域或细分标签.

主要方法:

• MLFANet-SA框架包含一个切片对齐 (SA) 模块,利用局部上下文感知器 (LCP) 来识别边界切片并统一诊断区域.
• 一个多级特征聚合 (MLFA) 模块通过通道智能的Top-K聚合和交叉切片融合捕获空间和交叉切片损伤模式.

主要成果:

• 在MRNet数据集上,MLFANet-SA实现了卓越的性能,曲线下的面积 (AUC) 为0.981,准确度为0.949.
• 在GDAPF数据集上,MLFANet-SA表现出强的结果,AUC为0.975和准确度为0.946.
• 该模型在两个数据集上都表现出高灵敏度,特异性,精度和MCC分数,性能优于现有方法.

结论:

• MLFANet-SA有效地结合了切片选择和特征聚合,以改善ACL损伤的定位和分类.
• 该框架在公共和私人数据集上实现了最先进的性能,证明了其诊断实用性.
• 通过降低手动标签要求,同时保持高准确度,MLFANet-SA显示出在帮助放射科医生在ACL损伤诊断方面的巨大潜力.