基于增强磁共振成像的膝关节软骨细分使用Swin-UNet条件生成对抗网络:开发和验证研究
Jun Young Park1, Ji-Hoon Nam2,3,4, Shakhboz Abdigapporov3
1Department of Orthopaedic Surgery, Yonsei University College of Medicine, Yongin Severance Hospital, Yongin-si, Gyeonggi-do, Republic of Korea.
JMIR medical informatics
|March 2, 2026
概括
一个新的深度学习模型,Swin-UNet条件生成对抗网络 (cGAN),在MRI扫描中准确地细分膝关节软骨. 这种先进的框架提高了边界精度和通用性,以便在全膝关节整形术中更好地进行手术规划.
科学领域:
- 医疗成像医学成像
- 人工智能在医学中的应用
- 整形外科手术 整形外科手术
背景情况:
- 通过MRI精确的膝关节软骨细分对于诊断膝关节关节炎和计划手术至关重要.
- 手动细分是耗时的,基于CT的系统缺乏软骨可视化功能.
研究的目的:
- 开发和评估一个深度学习框架,Swin-UNet条件生成对抗网络 (cGAN),用于MRI中的自动股骨和骨软骨细分.
- 将其性能与传统的UNet,UNet cGAN和Swin-UNet基线模型进行比较.
主要方法:
- 利用232个膝盖MRI扫描的数据集进行定量实验.
- 将Swin-UNet cGAN与UNet,UNet cGAN和Swin-UNet进行比较,使用Dice相似系数,平均交叉点与联盟,以及表面距离指标.
- 在外部验证数据集上评估模型的性能.
主要成果:
- 在Swin-UNet cGAN中,在股骨和骨软骨细分方面,Swin-UNet cGAN获得了卓越的Dice相似系数和交叉与联合分数.
- 该模型在带软骨的距离指标上显著提高了性能,在股骨软骨上获得了相似的结果.
- 在内部测试和外部验证数据集上都观察到始终高的细分精度.
结论:
- 与基线模型相比,Swin-UNet cGAN提供了更准确的膝关节软骨细分,特别是在边界定义方面.
- 该模型在不同队伍中表现出有希望的概括性,通过使软骨可视化,解决了基于CT的系统的局限性.
- 这种基于MRI的深度学习方法有可能提高手术精度和全膝关节整形术的患者结果.
