通过使用深度神经网络进行磁共振成像,自动检测膝关节中间附带带 (MCL) 撕裂

科学领域:

• 整形外科 整形外科 整形外科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 中间附带带 (MCL) 的撕裂会影响膝盖的稳定性.
• 临床检查和成像 (MRI) 证实了MCL撕裂,但MRI的准确检测仍然具有挑战性.
• 需要自动化MCL撕裂检测方法,以防止误诊和治疗延迟.

研究的目的:

• 开发和评估深度学习模型,用于检测膝盖MRI图像中的中侧侧带 (MCL) 撕裂.
• 为了比较定制 CNN,预训练的 VGG19 模型的性能,并使用 VGG19 转移学习用于 MCL 撕裂检测.

主要方法:

• 使用了来自60名患者的3575张膝盖MRI图像的数据集.
• 实施了三种深度学习场景:定制的CNN,预训练的VGG19特征提取和VGG19转移学习.
• 数据挖掘的跨行业标准流程 (CRISP-DM) 方法指导了这一方法.

主要成果:

• 定制的CNN实现了95%的准确性.
• 预训练的VGG19模型 (第二场景) 以98.3%的准确性,0.07的平均损失和1.00的AUC表现出卓越的性能.
• VGG19的转移学习方法 (第三种情景) 实现了80%的准确性.

结论:

• 深度学习,特别是预训练的VGG19模型,对于在膝盖MRI中检测MCL撕裂非常有效.
• 转移学习减轻了数据限制,并显示了自动化诊断工具的潜力.
• 这种方法可以提高诊断的准确性和效率,支持临床决策和改善患者的结果.