面向肩部CT扫描的级联学习在多任务编码器-解码器网络中进行骨骼分割和肩关节评估
图像与视频处理
2024-10-17 v1 人工智能
计算机视觉与模式识别
摘要
骨关节炎是一种退行性疾病，影响骨骼和软骨，常导致骨性关节炎形成、骨密度流失和关节间隙狭窄。治疗方案因病情严重程度而异。本文介绍一种创新的深度学习框架，用于处理肩部CT扫描。该框架包括近端髋骨和肱骨的语义分割、骨表面的3D重建、肩胫关节(GH)区域的识别，以及三种常见骨关节炎相关病理学的分期：骨性关节炎形成(OS)、GH间隙减小(JS)和肩胫对齐(HSA)。该流程由两个级联CNN架构组成：用于分割的3D CEL-UNet和用于三分类的3D Arthro-Net。我们使用包含571例不同程度GH骨关节炎相关病理学患者CT扫描的回顾性数据集来训练、验证和测试该流程。3D重建的均方根误差和滞后距离中位数值分别为髋骨0.22mm和1.48mm，肱骨0.24mm和1.48mm，优于当前最先进的架构，适合用于基于PSI的肩部关节置换术术前计划情境。OS、JS和HSA的分类准确率在所有三个类别中均稳定达到约90%。推理流程的计算时间不足15秒，显示该框架具有高效性，适用于骨科放射学实践。这些结果代表了人工智能工具向医学转化的有前景的进展。这一进展旨在简化术前计划流程，提供高质量的骨骼表面，并帮助外科医生根据患者独特的关节状况选择最合适的手术方案。
引用
@article{arxiv.2410.12641,
title = {Cascade learning in multi-task encoder-decoder networks for concurrent bone segmentation and glenohumeral joint assessment in shoulder CT scans},
author = {Luca Marsilio and Davide Marzorati and Matteo Rossi and Andrea Moglia and Luca Mainardi and Alfonso Manzotti and Pietro Cerveri},
journal= {arXiv preprint arXiv:2410.12641},
year = {2024}
}