研究背景：
半月板撕裂是运动创伤中的常见问题，其影像学诊断主要依靠MRI。为了提高诊断的准确性和效率，本研究采用了深度学习模型，并对识别效率进行了评估。
研究发现：
经过训练和验证，深度学习模型有效地识别了健康和受伤的半月板。对健康、撕裂和退化三种类型的半月板的诊断准确率分别为 87.50%、86.96% 和 84.78%。来自外部数据集的验证结果表明，通过 3.0T MRI 图像诊断半月板撕裂的准确率高于 80%，而通过关节镜手术验证的准确率为 87.50%。
将 MRI 图像手动分割为 10 类：软骨组织 (CA)、前角撕裂 (AH_tear)、后角撕裂 (PH_tear)、半月板体撕裂 (MBT)、前角变性 (AD)、后角变性 (PD)、半月板体退化 (MBD)、前角完好 (AH_intact)、后角完好 (PH_intact) 和半月板体健康 (MBH)。
通过几何变换，将一张 MRI 图像转换为四张不同的图像（原始图像、水平镜像、垂直镜像和对称镜像）。对四张图像进行如下处理：高斯滤波、亮度增强、亮度降低和添加噪声
主要包括两个阶段。第一阶段是候选区域的生成，主要包括卷积神经网络的特征提取，以及生成区域建议网络（RPN）。第二阶段包括对象分类和回归以及掩码生成.注：这里主要是计算机视觉技术的目标检测，简而言之就是定位与识别。所用的Mask R-CNN是一个常用的实例分割算法。
数据集经过扩大可以提供训练。训练模型经过10000次迭代，损失函数下降到较低水平，而准确率提高到0.96。更多的训练和更大的数据集有助于提高准确性
由边界框选中目标区域，由Mask掩模模拟半月板和软骨
软骨区被蓝青色框选中.绿色框选中健康半月板（AH、MBH 和 PH）， 黄色框选中半月板退化区（AD 、MBD 和 PD）， 红色框选中半月板损伤区（PT、AT 和 MBT）
半月板前后角均出现退化（图a），后角出现撕裂（图b），半月板体出现撕裂（图c），健康半月板为（图d）。
可以将完整MRI图像的其他部分模糊处理，单独显示出模拟图像并进行相互对比。与健康组织相比可以清楚判断退化和损伤的组织。
转化意义：
深度学习模型在减少医生工作量、提高诊断准确性方面发挥了独特的作用。基于训练和学习数据集，可以更准确地识别和分类受伤和健康的半月板。该模型还可以区分半月板撕裂和退化，使其成为临床实践中 MRI 辅助诊断半月板损伤的有效工具。
课题组简介：
杨献峰, 副主任医师，影像医学硕士，运动医学博士。从事影像诊断工作十余年，先后赴美国南加州大学、北京大学第三医院学习，长期从事于骨科与运动医学影像特别是竞技体育损伤的临床影像学评估研究。课题组专注于运动损伤、关节疼痛临床影像学检查与诊断等方面的研究。
论文信息：
Jie Li, Kun Qian, Jinyong Liu, Zhijun Huang, Yuchen Zhang, Guoqian Zhao, Huifen Wang, Meng Li, Xiaohan Liang, Fang Zhou, Xiuying Yu, Lan Li, Xingsong Wang, Xianfeng Yang, Qing Jiang.Identification and diagnosis of meniscus tear by magnetic resonance imaging using a deep learning model. Journal of Orthopaedic Translation Volume 34, May 2022, Pages 91-101
转自：解说科研项目
如有侵权，请联系本站删除！
