层次深度学习管道,用于在X光片中进行强大的宫参数测量,使用C7遮蔽

科学领域:

• 脊柱成像和分析
• 医学诊断中的深度学习.
• 辐射测量自动化自动化

背景情况:

• 准确的宫斜对齐评估对于诊断脊柱状况至关重要.
• 在横向放射图上进行宫测量通常会受到C7脊椎体遮蔽的阻碍.
• 现有的自动化方法难以处理具有挑战性的案例,特别是C7模糊.

研究的目的:

• 开发和验证一个层次的深度学习管道,用于自动化宫斜测量.
• 为了特别解决和克服C7脊椎体在横向放射图中隐蔽的挑战.
• 在现实临床环境中提高宫直线评估的可靠性和通用性.

主要方法:

• 一个分层的深度学习管道,结合了全球关键点检测器和专门的C2/C7模型.
• 使用多层感知子在高分辨率图像补丁上定位地标.
• 经过5604张图像的训练,并通过内部和外部数据集进行验证,包括82%C7遮蔽的队列.

主要成果:

• 取得了与氏病 (ICC 0.97,MAE 2.6°),C2斜率 (ICC>0.99,MAE 0.8°) 和C7斜率 (ICC 0.93,MAE 2.3°) 的地面真实测量结果的优异一致.
• 与专家间可靠性 (ICC 0.67) 相比,已经证明了近乎完美的可重复性 (ICC >0.99) 和C7斜率的优越AI专家协议 (ICC 0.81-0.84).
• 管道成功地纠正了故障情况下的重大错误,展示了稳定性.

结论:

• 开发的层次深度学习管道提供了一个强大的和可通用的解决方案,用于自动化宫斜对齐评估.
• 粗细的方法有效地处理C7模糊,促进临床适用性.
• 这种自动化系统提供可靠的测量,在具有挑战性的场景中可能超过观察者之间的可靠性.