Affordable Access

deepdyve-link
Publisher Website

基于深度学习的膝关节CT图像自动分割准确性验证研究

Authors
  • SONG, Ping
  • FAN, Zheqi
  • ZHI, Xin
  • CAO, Zheng
  • MIN, Shengfeng
  • LIU, Xingyu
  • ZHANG, Yiling
  • KONG, Xiangpeng
  • CHAI, Wei
Type
Published Article
Journal
Chinese Journal of Reparative and Reconstructive Surgery
Publisher
四川大学华西医院
Publication Date
May 01, 2022
Volume
36
Issue
5
Pages
534–539
Identifiers
DOI: 10.7507/1002-1892.202201072
PMID: 35570625
PMCID: PMC9108645
Source
PubMed Central
Keywords
Disciplines
  • 医工融合
License
Unknown

Abstract

目的 自主搭建神经网络架构,利用深度学习技术辅助膝关节CT图像自动分割,并对其准确性进行评估。 方法 建立膝关节CT图像数据库,对骨性结构进行手动分割标注。自主搭建神经网络架构,并使用已标注的CT图像对该神经网络进行训练并测试,通过Dice系数、平均表面距离(average surface distance,ASD)、豪斯多夫距离(Hausdorff distance,HD)评价该神经网络分割性能,并比较自动分割与手动分割所需时间。5名临床医师参照李克特量表对两种方法分割准确性进行评分,比较准确性差异。 结果 股骨侧Dice系数为0.953±0.037、ASD为(0.076±0.048)mm、HD为(3.101±0.726)mm;胫骨侧分别为0.950±0.092、(0.083±0.101)mm、(2.984±0.740)mm。自动分割每个膝关节CT图像数据所需时间为(2.46±0.45)min,较手动分割的(64.73±17.07)min缩短,差异有统计学意义( t =36.474, P< 0.001)。临床评价显示股骨侧自动分割组评分为(4.3±0.3)分、手动分割组为(4.4±0.2)分,胫骨侧评分分别为(4.5±0.2)、(4.5±0.3)分;股骨侧及胫骨侧两组比较差异均无统计学意义( t =1.753, P =0.085; t =0.318, P =0.752)。 结论 基于深度学习的膝关节CT图像自动分割准确性高,可以实现快速分割与三维重建,提升人工全膝关节置换术前规划的工作效率。

Report this publication

Statistics

Seen <100 times