Aprendizaje profundo para la medición automatizada de puntos anatómicos patelofemorales
Autores: Liu, Zelong; Zhou, Alexander; Fauveau, Valentin; Lee, Justine; Marcadis, Philip; Fayad, Zahi A.; Chan, Jimmy J.; Gladstone, James; Mei, Xueyan; Huang, Mingqian
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Aprendizaje profundo para la medición automatizada de puntos anatómicos patelofemorales
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Anatomía patelofemoral
Aprendizaje profundo
Imágenes de TC de rodilla
Puntos de referencia patelofemorales
Parámetros de rodilla
Modelo de aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 45
Citaciones: Sin citaciones
Antecedentes: La anatomía patelofemoral no ha sido bien caracterizada. Aplicar el aprendizaje profundo para medir automáticamente la anatomía de la rodilla puede proporcionar una mejor comprensión de la anatomía, lo que puede ser un factor clave para mejorar los resultados. Métodos: Se seleccionaron un total de 483 pacientes con imágenes de TC de rodilla (abril de 2017 a mayo de 2022) de 6 centros de un grupo programado para artroplastia de rodilla y un grupo con anatomía de rodilla sana. Se anotaron un total de 7 hitos patelofemorales en 14,652 imágenes y fueron aprobados por un radiólogo senior especializado en músculo-esqueletal. Se entrenó un modelo de aprendizaje profundo de dos etapas para predecir las coordenadas de los hitos utilizando una arquitectura ResNet50 modificada inicializada con pesos de preentrenamiento auto-supervisado en RadImageNet. Las predicciones de los hitos fueron evaluadas con el error absoluto medio, y las medidas patelofemorales derivadas fueron analizadas con gráficos de Bland-Altman. La significancia estadística de las medidas fue evaluada mediante pruebas pareadas. Resultados: El error absoluto medio entre las coordenadas predichas y reales de los hitos fue de 0.20/0.26 cm en el grupo sano/artroplastia. Se calcularon cuatro parámetros de rodilla, incluyendo la longitud del eje transepicondíleo, el ángulo del eje transepicondíleo-posterior del fémur, la asimetría medial troclear y el ángulo del surco. No hubo diferencias de parámetros estadísticamente significativas ( > 0.05) entre las medidas predichas y reales en ambos grupos, excepto para el ángulo del surco en el grupo sano. Conclusión: Nuestro modelo identifica con precisión los hitos trocleares clave con una precisión de ~0.20-0.26 cm y produce medidas comparables a las humanas tanto en rodillas sanas como patológicas. Este trabajo representa el primer modelo de regresión de aprendizaje profundo para la anotación automatizada patelofemoral entrenado en imágenes de TC fisiológicas y patológicas a esta escala. Este nuevo modelo puede mejorar nuestra capacidad para analizar la anatomía del compartimento patelofemoral a gran escala.
Descripción
Antecedentes: La anatomía patelofemoral no ha sido bien caracterizada. Aplicar el aprendizaje profundo para medir automáticamente la anatomía de la rodilla puede proporcionar una mejor comprensión de la anatomía, lo que puede ser un factor clave para mejorar los resultados. Métodos: Se seleccionaron un total de 483 pacientes con imágenes de TC de rodilla (abril de 2017 a mayo de 2022) de 6 centros de un grupo programado para artroplastia de rodilla y un grupo con anatomía de rodilla sana. Se anotaron un total de 7 hitos patelofemorales en 14,652 imágenes y fueron aprobados por un radiólogo senior especializado en músculo-esqueletal. Se entrenó un modelo de aprendizaje profundo de dos etapas para predecir las coordenadas de los hitos utilizando una arquitectura ResNet50 modificada inicializada con pesos de preentrenamiento auto-supervisado en RadImageNet. Las predicciones de los hitos fueron evaluadas con el error absoluto medio, y las medidas patelofemorales derivadas fueron analizadas con gráficos de Bland-Altman. La significancia estadística de las medidas fue evaluada mediante pruebas pareadas. Resultados: El error absoluto medio entre las coordenadas predichas y reales de los hitos fue de 0.20/0.26 cm en el grupo sano/artroplastia. Se calcularon cuatro parámetros de rodilla, incluyendo la longitud del eje transepicondíleo, el ángulo del eje transepicondíleo-posterior del fémur, la asimetría medial troclear y el ángulo del surco. No hubo diferencias de parámetros estadísticamente significativas ( > 0.05) entre las medidas predichas y reales en ambos grupos, excepto para el ángulo del surco en el grupo sano. Conclusión: Nuestro modelo identifica con precisión los hitos trocleares clave con una precisión de ~0.20-0.26 cm y produce medidas comparables a las humanas tanto en rodillas sanas como patológicas. Este trabajo representa el primer modelo de regresión de aprendizaje profundo para la anotación automatizada patelofemoral entrenado en imágenes de TC fisiológicas y patológicas a esta escala. Este nuevo modelo puede mejorar nuestra capacidad para analizar la anatomía del compartimento patelofemoral a gran escala.