European Radiology：基于人工智能的全自动肩部解剖标志检测
2024-04-27 shaosai MedSci原创 发表于上海
多项研究显示，肩袖撕裂患者常伴有肩关节不稳。然而，从X光片上评估解剖角度和肩部运动学需要对每个图像中的特定结构进行标记。
多项研究显示，肩袖撕裂患者常伴有肩关节不稳。然而，从X光片上评估解剖角度和肩部运动学需要对每个图像中的特定结构进行标记。
目前，人工智能正在医学成像中得到应用。深层神经网络已被用于磁共振图像 (MRI) 分类旋转运动中的肩袖撕裂。深度学习也被报道用于量化和表征CT扫描中的肩关节退变。在X光片上，深度学习已经被用于检测各种骨折，并对肩关节植入物进行分类。
近日，发表在European Radiology杂志上的一篇研究开发了一种人工智能模型用于从透视图像中自动检测肩胛骨和肱骨头的运动跟踪，为临床进行快速、准确的评估提供技术支持。
本项研究纳入25例受试者(N = 12例单侧肩袖撕裂患者，6例男性，平均(标准差)年龄:63.7±9.7岁;13名无症状受试者，7名男性，58.2±8.9岁），在肩胛骨平面30°手臂外展和内收运动中以及有或没有手持重量2和4 kg的情况下进行成像检查。训练三维全分辨率卷积神经网络(nnU-Net)，自动定位5个标志(盂肱关节中心、肱骨轴、盂上、下边缘和肩峰最外侧点)和一个标定球。
nnU-Net使用来自40个肩部的6021个荧光图像的真实数据进行训练，并使用10个肩部的1925个荧光图像进行测试。自动标志检测算法的准确率高于码间变异性，略低于码内变异性。除肱骨标志点在9.6 mm以内外，所有标志点与标定球的定位范围均在1.5 mm以内，外展角差异在1°以内。
图 带有标志物标记的透视图像。人工智能对GT的识别
本项研究表明，本研究所提出的算法能够以足够的精度检测到透视图像上所需的解剖标志，因此可以应用于肩胛骨平面内肩关节运动、肩胛骨旋转或肩关节转动的自动评估，并能够研究病理性肩关节的动态盂肱关节稳定性。
原文出处：
Eleonora Croci,Hanspeter Hess,Fabian Warmuth,et al.Fully automatic algorithm for detecting and tracking anatomical shoulder landmarks on fluoroscopy images with artificial intelligence.DOI:10.1007/s00330-023-10082-8
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
#人工智能# #肩部解剖#
82