
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于深度学习的肩胛骨形态评估流程:用于关节窝分割和标志点定位
《Journal of Imaging Informatics in Medicine》:Deep Learning–Based Scapular Morphology Assessment Pipeline for Glenoid Segmentation and Landmark Localization
【字体: 大 中 小 】 时间:2026年10月11日 来源:Journal of Imaging Informatics in Medicine 3.1
编辑推荐:
摘要肩胛骨形态在肩部疾病的诊断和治疗中起着关键作用。然而,目前的评估方法主要依赖于临床医生对三维计算机断层扫描(3D CT)的手动标注,这种方式耗时、费力,且存在观察者间差异。本研究的目的是开发和验证一个基于深度学习的开源流水线,用于自动化肩胛骨形态评估,旨在提高准确性、可重
肩胛骨形态在肩部疾病的诊断和治疗中起着关键作用。然而,目前的评估方法主要依赖于临床医生对三维计算机断层扫描(3D CT)的手动标注,这种方式耗时、费力,且存在观察者间差异。本研究的目的是开发和验证一个基于深度学习的开源流水线,用于自动化肩胛骨形态评估,旨在提高准确性、可重复性和临床效率。描述性实验室研究;证据等级2。我们回顾性收集了774例患者(平均年龄60.00 ± 18.62岁)的793张肩部CT图像。2D U-Net模型执行高分辨率盂部分割(原生分辨率轴位CT切片,不进行下采样),3D nnUNet模型用于定位五个解剖学肩胛骨标志点:肩胛冈三角(TS)、下角(AI)、喙突(PC)、肩峰(AC)和肩峰角(AA)。模型性能使用Dice系数和精确率-召回率指标评估盂部分割,使用预测地标位置与真实值之间的欧几里得距离评估地标定位。该流水线被设计为自动化的开源框架,可通过临床医生偏好的用户界面轻松地集成到临床工作流程或研究环境中。盂部分割模型达到了98.46%的3D Dice系数,精确率为96.59%,召回率为97.30%。五个肩胛骨标志点的平均欧几里得定位误差范围为1.0至2.0毫米。整个评估过程平均每例耗时22.55秒。所提出的深度学习流水线能够实现准确、高效且可重复的肩胛骨形态评估。该方法有助于可靠和高效的诊断,为临床和研究应用提供了一个有前景的工具。
肩胛骨形态在肩部疾病的诊断和治疗中起着关键作用。然而,目前的评估方法主要依赖于临床医生对三维计算机断层扫描(3D CT)的手动标注,这种方式耗时、费力,且存在观察者间差异。本研究的目的是开发和验证一个基于深度学习的开源流水线,用于自动化肩胛骨形态评估,旨在提高准确性、可重复性和临床效率。描述性实验室研究;证据等级2。我们回顾性收集了774例患者(平均年龄60.00 ± 18.62岁)的793张肩部CT图像。2D U-Net模型执行高分辨率盂部分割(原生分辨率轴位CT切片,不进行下采样),3D nnUNet模型用于定位五个解剖学肩胛骨标志点:肩胛冈三角(TS)、下角(AI)、喙突(PC)、肩峰(AC)和肩峰角(AA)。模型性能使用Dice系数和精确率-召回率指标评估盂部分割,使用预测地标位置与真实值之间的欧几里得距离评估地标定位。该流水线被设计为自动化的开源框架,可通过临床医生偏好的用户界面轻松地集成到临床工作流程或研究环境中。盂部分割模型达到了98.46%的3D Dice系数,精确率为96.59%,召回率为97.30%。五个肩胛骨标志点的平均欧几里得定位误差范围为1.0至2.0毫米。整个评估过程平均每例耗时22.55秒。所提出的深度学习流水线能够实现准确、高效且可重复的肩胛骨形态评估。该方法有助于可靠和高效的诊断,为临床和研究应用提供了一个有前景的工具。