基于深度学习与 MRI 图像的前交叉韧带损伤分级严重程度分层
图像与视频处理
2020-04-15 v2 计算机视觉与模式识别
机器学习
摘要
目的：评估两种卷积神经网络（CNN）用于前交叉韧带（ACL）损伤严重程度分期的诊断效用。材料与方法：本回顾性分析基于 2011 至 2014 年获取的 224 名患者（年龄 47±14 岁，54% 为女性）的 1243 张膝关节 MR 图像（1008 例完整、18 例部分撕裂、77 例完全撕裂、140 例重建 ACL）。放射科医师采用改良评分标准。为用深度学习分类 ACL 损伤，使用了两类 CNN：一种基于三维（3D）卷积核，另一种基于二维（2D）卷积核。性能指标包括灵敏度、特异度、加权 Cohen's kappa 和总体准确率，随后用 McNemar 检验比较 CNN 性能。结果：2D CNN 的 ACL 损伤分类总体准确率和加权 Cohen's kappa（准确率：92%（233/254），kappa：0.83）高于 3D CNN（准确率：89%（225/254），kappa：0.83）（P=0.27）。2D CNN 与 3D CNN 在分类完整 ACL 时表现相似（2D CNN：灵敏度 93%（188/203），特异度 90%（46/51）；3D CNN：灵敏度 89%（180/203），特异度 88%（45/51））。两网络对完全撕裂的分类也可比（2D CNN：灵敏度 82%（14/17），特异度 94%（222/237）；3D CNN：灵敏度 76%（13/17），特异度 100%（236/237））。2D CNN 正确分类了所有重建 ACL。结论：应用于 ACL 病变分类的 2D 和 3D CNN 具有高灵敏度和特异度，表明这些网络可用于协助非专业人员对 ACL 损伤进行分级。
引用
@article{arxiv.2003.09089,
title = {Hierarchical Severity Staging of Anterior Cruciate Ligament Injuries using Deep Learning with MRI Images},
author = {Nikan K. Namiri and Io Flament and Bruno Astuto and Rutwik Shah and Radhika Tibrewala and Francesco Caliva and Thomas M. Link and Valentina Pedoia and Sharmila Majumdar},
journal= {arXiv preprint arXiv:2003.09089},
year = {2020}
}