在多切片CT图像上自动化深度学习量化9个骨骨不稳定性参数:GU2Net模型的开发和验证
Qin Ye1, Yingying Ying2, Jiake Hua3
1Center for Rehabilitation Medicine, Department of Radiology, Zhejiang Provincial People's Hospital, Affiliated People's Hospital, Hangzhou Medical College, Hangzhou, Zhejiang, China.
Bone & joint open
|March 11, 2026
概括
一个新的深度学习模型从CT扫描中自动化了骨不稳定性 (PI) 测量,为手工评估提供了更快,更可靠的替代方案. 这种人工智能工具减少了对放射科医生经验的变化和依赖,以改善膝盖成像分析.
科学领域:
- 整形外科成像分析分析
- 医学中的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 在CT图像上精确测量皮带不稳定性 (PI) 参数对于诊断和治疗规划至关重要.
- 手动评估PI参数是耗时的,主观的,容易出现错误,影响临床决策.
研究的目的:
- 开发和验证深度学习 (DL) 模型,用于在轴膝 CT 图像上自动量化 PI 参数.
- 将DL模型的性能与手动测量和缺乏经验的放射科医生的性能进行比较.
主要方法:
- 一个DL模型在1,125个膝盖CT扫描中接受了训练,以确定解剖学里程碑,并计算9个PI参数.
- 使用成功检测率,平均绝对误差 (MAE),类内相关系数 (ICC) 和皮尔森相关系数来评估性能.
- 模型的准确性与手动测量和无经验的放射科医生在持久测试组上的准确性进行了比较.
主要成果:
- 该DL模型在预测地标位置 (MAE 0.84-2.72毫米) 和PI参数 (ICC 0.826-0.997) 中表现出高准确度.
- 该模型在测量几个关键PI参数方面表现优于没有经验的放射科医生,包括横侧骨倾斜 (LPT) 和对等角度 (CA).
- 该模型在大多数参数上显示出了很好的一致性,在角 (SA) 上发现了微小的变化.
结论:
- 开发的DL模型可靠地从膝盖CT扫描中自动测量PI参数.
- 与手动方法相比,这种自动化方法显著减少了评估时间和观察者之间的变化.
- DL模型减轻了对放射科医生经验的依赖,为PI评估提供了一种一致而有效的工具.
