SpineHRformer: un modelo de aprendizaje profundo basado en Transformer para la evaluación automática de deformidades de la columna con validación prospectiva
Autores: Zhao, Moxin; Meng, Nan; Cheung, Jason Pui Yin; Yu, Chenxi; Lu, Pengyu; Zhang, Teng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
SpineHRformer: un modelo de aprendizaje profundo basado en Transformer para la evaluación automática de deformidades de la columna con validación prospectiva
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Deformidad espinal
ángulo de Cobb
SpineHRformer
Detección de puntos de referencia
Predicción de AC
Clasificación de gravedad
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 35
Citaciones: Sin citaciones
El ángulo de Cobb (CA) sirve como el método principal para evaluar la deformidad espinal, pero las mediciones manuales del CA son laboriosas y susceptibles a la variabilidad entre observadores e intraobservador. Mientras que los métodos basados en el aprendizaje, como SpineHRNet+, han demostrado potencial para automatizar la medición del CA, su precisión puede ser influenciada por la severidad de la deformidad espinal, la calidad de la imagen, la posición relativa de las costillas y las vértebras, etc. Nuestro objetivo es crear un enfoque confiable basado en el aprendizaje que proporcione mediciones consistentes y altamente precisas del CA a partir de radiografías posteroanteriores (PA), superando el método más avanzado actualmente.
Descripción
El ángulo de Cobb (CA) sirve como el método principal para evaluar la deformidad espinal, pero las mediciones manuales del CA son laboriosas y susceptibles a la variabilidad entre observadores e intraobservador. Mientras que los métodos basados en el aprendizaje, como SpineHRNet+, han demostrado potencial para automatizar la medición del CA, su precisión puede ser influenciada por la severidad de la deformidad espinal, la calidad de la imagen, la posición relativa de las costillas y las vértebras, etc. Nuestro objetivo es crear un enfoque confiable basado en el aprendizaje que proporcione mediciones consistentes y altamente precisas del CA a partir de radiografías posteroanteriores (PA), superando el método más avanzado actualmente.