背景及目的：
本项研究旨在评估用深度学习的方法检测膝关节磁共振中软骨病变（包括软骨软化，纤维化，局部缺损，软骨退变引起的弥漫性变薄和急性软骨损伤）的可行性。
材料和方法：
本研究基于分割和分类的卷积神经网络（CNNs）训练了一种全自动的深度学习网络系统用于检测软骨病变。采用深度学习的方法回顾性分析了175例膝关节疼痛患者的压脂T2WI快速自旋回波序列的MRI图像数据集。用于训练CNN的图像标签是由有经验的肌肉骨骼放射科医师提供，将图像在股骨和胫骨的平面上分割为17395个小的像素，并判断是否存在软骨损伤。用ROC曲线和κ值来比较软骨损伤检测模型在两个独立验证集上的
诊断性能和读者间的一致性。
结果：
软骨病变检测模型在最佳阈值下的敏感性和特异性分别为：第一个独立验证集为84.1％和85.2％，第二个独立验证集为80.5％和87.9％。两个独立验证集的ROC曲线下面积分别为0.917和0.914。本次实验结果表明用深度学习训练的软骨病变检出模型的整体
诊断准确性高。两个验证集之间有良好的读者间一致性，κ值为0.76。
结论：
本研究证明使用全自动深度学习软骨病变检测系统评估膝关节关节软骨的可行性，具有较高的诊断性能和良好的观察者一致性，可用于检测软骨退变和急性软骨损伤。
原文出处：
本文系梅斯医学（MedSci）原创编译整理，转载需授权！
来源：MedSci原创
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”。本网所有转载文章系出于传递更多信息之目的，且明确注明来源和作者，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。同时转载内容不代表本站立场。
在此留言
