Radiology：AI在膝关节MR上的价值
2018-04-25 shaosai MedSci原创
本研究旨在分析与手动分割相比，自动分割的准确性和精确性以及使用定量磁共振（MR）来研究膝关节退行性变如骨性关节炎（OA）的效率和准确性，并将结果发表在Radiology上。
本研究旨在分析与手动分割相比，自动分割的准确性和精确性以及使用定量磁共振（MR）来研究膝关节退行性变如骨性关节炎（OA）的效率和准确性，并将结果发表在Radiology上。
本研究共对638例磁共振数据进行分析，其中包括T1 ρ和3D DESS图像。在U网卷积网络结构的基础上建立深度学习模型来进行自动分割。以有经验的放射科医生手动分割结果为对照。利用Dice系数评价自动分割的表现。
结果为，该模型产生较强的Dice系数，尤其是对于3D-DESS图像，软骨、外侧半月板和内侧半月板系数范围分别在0.770-0.878、0.809-0.753。该模型平均5秒左右完成分割。T1ρ 和T2在手动和自动分割间平均相关性为0.8233、0.8603，体积和厚度分别为0.9349、0.9384。自动分割方法的纵向精确性与手动分割大约一致。
本研究表明，U网在快速准确分割方面具有较高效率和准确性，可通过提取弛豫时间和形态学特征来监管和诊断OA。
原始出处：
Norman B， Pedoia V， Majumdar S. et al.Use of 2D U-Net Convolutional Neural Networks for Automated Cartilage and Meniscus Segmentation of Knee MR Imaging Data to Determine Relaxometry and Morphometry.Radiology.DOI： 10.1148/radiol.2018172322
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
作者：shaosai
版权声明：
本网站所有注明“来源：梅斯医学”或“来源：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：梅斯医学”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。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
学习学习学习
89
学习学习学习
79
学习学习学习
80
学习学习学习
82
学习学习学习
94