目的研发基于人工智能深度学习技术的全髋关节置换术(total hip arthroplasty,THA)髋臼假体型号算法并进行初步验证。方法回顾性分析2019年4月至2020年4月30例股骨头坏死患者资料,其中男15例,女15例;年龄(54.8±10.5)岁(范围33~72...目的研发基于人工智能深度学习技术的全髋关节置换术(total hip arthroplasty,THA)髋臼假体型号算法并进行初步验证。方法回顾性分析2019年4月至2020年4月30例股骨头坏死患者资料,其中男15例,女15例;年龄(54.8±10.5)岁(范围33~72岁),左侧13髋,右侧17髋,均接受初次单侧THA。在完成髋关节图像手工标注的基础上,训练人工智能深度学习卷积神经网络对患者髋关节CT骨质进行分割,而后识别骨盆解剖标志位点,并对骨盆位置进行矫正并模拟安放髋臼杯,分别采用dice overlap coefficients(DOC)、平均误差等参数对上述步骤的精度进行评估,最终形成人工智能髋臼假体型号算法。并使用该算法与Orthoview二维术前规划软件分别对患者髋臼杯大小进行规划,将两组规划结果与已完成的实际手术结果进行比对,分别计算其符合率,从而回顾性验证本算法的规划效果。结果在算法方面,与其他经典分割网络相比,G-net网络可更精准的完成对股骨头坏死髋关节骨质的分割,DOC为92.51%±6.70%,且具有更好的鲁棒性(robustness),点识别网络平均误差为0.87个像素值。在临床应用效果方面,人工智能组完全符合率为96.7%(29/30),较Orthoview组的73.3%(22/30)高23.4%,差异有统计学意义(χ^2=6.405,P=0.011)。结论深度学习技术可精准分割患者髋关节CT图像,识别髋关节特征点,人工智能THA髋臼杯放置算法与传统二维术前规划方式相比具有较高的准确性。此算法有望实现准确、快速的THA三维术前规划。展开更多
文摘目的研发基于人工智能深度学习技术的全髋关节置换术(total hip arthroplasty,THA)髋臼假体型号算法并进行初步验证。方法回顾性分析2019年4月至2020年4月30例股骨头坏死患者资料,其中男15例,女15例;年龄(54.8±10.5)岁(范围33~72岁),左侧13髋,右侧17髋,均接受初次单侧THA。在完成髋关节图像手工标注的基础上,训练人工智能深度学习卷积神经网络对患者髋关节CT骨质进行分割,而后识别骨盆解剖标志位点,并对骨盆位置进行矫正并模拟安放髋臼杯,分别采用dice overlap coefficients(DOC)、平均误差等参数对上述步骤的精度进行评估,最终形成人工智能髋臼假体型号算法。并使用该算法与Orthoview二维术前规划软件分别对患者髋臼杯大小进行规划,将两组规划结果与已完成的实际手术结果进行比对,分别计算其符合率,从而回顾性验证本算法的规划效果。结果在算法方面,与其他经典分割网络相比,G-net网络可更精准的完成对股骨头坏死髋关节骨质的分割,DOC为92.51%±6.70%,且具有更好的鲁棒性(robustness),点识别网络平均误差为0.87个像素值。在临床应用效果方面,人工智能组完全符合率为96.7%(29/30),较Orthoview组的73.3%(22/30)高23.4%,差异有统计学意义(χ^2=6.405,P=0.011)。结论深度学习技术可精准分割患者髋关节CT图像,识别髋关节特征点,人工智能THA髋臼杯放置算法与传统二维术前规划方式相比具有较高的准确性。此算法有望实现准确、快速的THA三维术前规划。
