使用深度学习的自动化多类骨分割:辐射头部置换模板的含义
Ausberto R Velasquez Garcia1, Linjun Yang2, Hiroki Nishikawa3
1Department of Orthopedic Surgery, Mayo Clinic, Rochester, MN, USA; Clinica Universidad de los Andes, Department of Orthopedic Surgery, Santiago, Chile.
Journal of shoulder and elbow surgery
|February 20, 2026
概括
一个深度学习模型显著加快骨细分用于辐射头关节整形术 (RHA) 规划. 这种人工智能工具提供了高精度,提高了RHA的手术前3D模板的效率和精度.
科学领域:
- 整形外科手术 整形外科手术
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 手术前的3D模板增强了放射性头关节整形术 (RHA) 的外科准确性.
- 目前的细分方法是耗时且变化的.
- 自动化细分对于高效的RHA规划至关重要.
研究的目的:
- 训练和验证nnU-Net深度学习模型,用于自动化多类骨细分.
- 评估nnU-Net模型对RHA模板的准确性和效率.
- 通过精确的细分来支持RHA中的3D骨模板.
主要方法:
- 在93个上肢CT扫描上训练和评估nnU-Net模型.
- 使用子相似系数 (DSC) 和豪斯多夫距离进行准确性评估.
- 使用平均表面距离 (MSD) 和根平均平方误差 (RMSE) 进行3D骨模型比较.
主要成果:
- nnU-Net实现了高分段精度 (DSC:0.95-0.99) 的手腕,肘部和半径.
- 平均表面距离 (MSD) 和根平均平方误差 (RMSE) 始终低 (<0.2毫米).
- 用nnU-Net.net将分段时间从78分钟 (手动) 减少到每次扫描3分钟.
结论:
- nnU-Net模型提供了一个快速,可靠的解决方案,用于RHA的骨细分.
- 对皮层和非皮层骨区域实现了高精度,满足了临床需求.
- 证明了提高RHA手术前规划效率和精度的临床可行性.


