在使用深度学习技术的放射图像上对大腿骨头骨髓缩阶段的分类
Hyun Hee Lee1, Joeun Jeong2,3, Taehoon Shin2,3
1Department of Orthopedic Surgery, International St. Mary's Hospital, Catholic Kwandong University College of Medicine, Incheon 22711, Republic of Korea.
Bioengineering (Basel, Switzerland)
|December 30, 2025
概括
这项研究引入了使用X射线诊断股骨头骨硬化 (ONFH) 的深度学习方法. 人工智能模型有效地区分了ONFH阶段,为早期检测和疾病管理提供了MRI的可访问替代方案.
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:
- 磁共振成像 (MRI) 对大腿骨头早期骨硬化 (ONFH) 是敏感的,但成本昂贵且难以获得.
- 放射能是可访问的,但缺乏早期ONFH诊断的敏感性.
- 准确的ONFH分期对于及时的干预和治疗规划至关重要.
研究的目的:
- 开发和验证使用放射图像对ONFH阶段进行分类的深度学习方法.
- 为早期ONFH诊断和阶段差异化提供更容易获得和更具成本效益的方法.
- 与MRI相比,评估基于射线图的规范建模方法的性能.
主要方法:
- 采用了909张部X射线图的数据集,用U-Net模型 (DSC为0.977) 分段部头部.
- 在健康的股骨头图像上训练了一种变异自编码器 (VAE),以确定规范的潜分布.
- 股骨头骨缩 (ONFH) 图像被投射到潜伏空间,以分析Mahalanobis在不同疾病级别的距离分布.
主要成果:
- 深度学习模型成功地将健康的股骨头与患有ONFH的人区分开来.
- 在0级和2-4级ONFH之间观察到Mahalanobis距离的显著差异.
- 在0级和1级ONFH之间没有发现显著差异,这反映了早期放射变化的微妙性.
结论:
- 拟议的基于放射的深度学习方法为ONFH阶段差异化提供了一个可访问的替代方案,特别是在资源有限的环境中.
- 该方法有效地捕捉了在潜伏空间内ONFH的级别结构进展.
- 虽然早期分化仍然是一个挑战,但该系统显示了提高诊断效率和支持自动ONFH分期的潜力.
