论文部分内容阅读
目的:骨关节炎是多病因、临床表现及病理表现的异质性疾病。本研究目的是结合深度学习算法,通过大量正常人及骨关节炎患者的膝关节磁共振图像,实现膝关节软骨的自动分类和分割并评价其准确性,建立膝关节大数据人工智能诊断软件;利用数据处理的方法,在膝关节磁共振图像的精确分割基础上,计算正常国人不同年龄阶段的软骨厚度;进一步利用大数据分析,建立正常中国人不同年龄阶段(16-65岁)的膝关节软骨曲线。材料与方法:本研究采用回顾性分析,共纳入590例数据用于建立软骨自动分割和分类系统,其中557例用于自动分类训练,33例用于自动分割(27例训练数据,6例测试数据),利用深度学习的方法和神经网络模型--V型网络和Inception网络进行自动分割和分类,分割结果用Dice相似系数评价,分类结果用五折交叉验证,利用深度卷积神经网络、单幅图像超分辨率算法和极深网络超分辨率算法将上述过程整合;另纳入2365例正常人(16-65岁)膝关节磁共振数据,通过图像的分割、计算厚度、配准和回归,得到所有年龄、股骨表面所有位置的软骨平均厚度。结果:膝关节股骨、胫骨和髌骨自动分割DSC值依次为0.9856±0.0053、0.9806±0.0037和0.9121±0.0251,均高于0.9,并高于手工标注;五折数据的灵敏度和特异度、准确率均高于0.93,五折数据的AUC值均高于0.98并接近于1;在最适阈值0.0014下,总灵敏度和特异度分别为0.9462、0.9527,总准确率为0.9521,AUC值为0.9859;膝关节大数据人工智能诊断软件对图像自动分割的速度在5s以内,软骨病变自动分类速度在1s以内;5分钟内可完成对一个临床磁共振序列股骨软骨的厚度计算。结论:本研究证实了结合深度学习算法建立膝关节大数据人工智能诊断系统的可行性,并利用大数据分析建立了正常中国人不同年龄阶段(16-65岁)的膝关节股骨软骨曲线,为人工智能在未来辅助医师和医疗保健系统中将发挥的重要作用提供了早期支持。