Automated ACL Footprint Identification Using 3D Deep Learning
Deze studie toont aan dat 3D deep learning-modellen, in het bijzonder beeldgebaseerde architecturen, het centrum van de ACL-femur footprint nauwkeurig direct uit 3D MR-beelden kunnen identificeren, wat een veelbelovend klinisch hulpmiddel biedt om de tunnelplaatsing te verbeteren en reconstructieproblemen te verminderen.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar ondergaan honderdduizenden mensen in de Verenigde Staten een operatie om een gescheurde voorste kruisband te repareren, de stevige weefselband die de knie stabiliseert. Hoewel de procedure gebruikelijk is, slaagt deze niet altijd. Een veelvoorkomende oorzaak van falen is niet de operatie zelf, maar de plaatsing van de nieuwe band. Chirurgen moeten een kleine tunnel in het dijbeen boren om het nieuwe weefsel te verankeren, en als deze tunnel niet precies wordt geplaatst waar de oorspronkelijke band ooit vastzat, kan de knie instabiel blijven of later in het leven artritis ontwikkelen. Decennialang heeft het vinden van dit precieze aanhechtingspunt, bekend als de 'footprint', vertrouwd op het oog en de ervaring van een chirurg, een handmatig proces dat ruimte laat voor menselijke fouten.
Onlangs is het vakgebied van de medische beeldvorming de kunstmatige intelligentie gaan omarmen, door gebruik te maken van computersystemen die kunnen leren patronen in afbeeldingen te herkennen. De meeste vooruitgang hiervan heeft zich gericht op het simpelweg detecteren of een ligament gescheurd of gezond is. Het identificeren van het exacte centrum van het aanhechtingspunt op het bot is echter een moeilijke uitdaging gebleven voor deze computers. Een nieuwe studie door onderzoekers van het National Institutes of Health en Johns Hopkins University onderzoekt of geavanceerd driedimensionaal deep learning dit specifieke probleem kan oplossen. Door computers te leren om driedimensionale magnetische resonantiebeelden te analyseren, wilde het team een hulpmiddel creëren dat automatisch de ideale plek kan aanwijzen waar een chirurg moet boren, wat de kniereconstructie potentieel betrouwbaarder en consistenter kan maken.
De onderzoekers benaderden deze uitdaging op twee verschillende manieren, waarbij ze twee afzonderlijke methoden testten om te zien welke het meest nauwkeurig de doel locatie kon vinden. De eerste methode behandelde het bot als een digitaal 3D-model, een mesh gemaakt van duizenden kleine punten verbonden door lijnen, vergelijkbaar met een draadmodel-sculptuur. Ze trainden een computersysteem om naar de vorm en het oppervlak van dit digitale bot te kijken om te raden waar het ligament zich aanhecht. De tweede methode nam een directere aanpak door de computer de ruwe driedimensionale magnetische resonantiebeelden zelf te voeren. Dit systeem leerde het volume van de knie te scannen, zoekend naar de specifieke visuele aanwijzingen binnen de scan die de het midden van de footprint aangeven, net zoals een menselijke radioloog dat zou doen, maar dan met de snelheid en precisie van een machine.
Om deze systemen te testen, gebruikte het team een enorme collectie kniescans uit een publieke database, bestaande uit bijna 8.000 beelden van zowel linker- als rechterknieën. Ze verdeelden deze data door het merendeel te gebruiken om de computers te leren hoe ze de plek moeten vinden en een kleiner deel te bewaren om hun vaardigheden te testen op nieuwe, ongeziene gevallen. De resultaten lieten zien dat beide methoden werkten, maar dat één methode duidelijk superieur was. Het systeem dat de ruwe driedimensionale beelden analyseerde, presteerde beter dan het systeem dat vertrouwde op het digitale 3D-botmodel. Gemiddeld lokaliseerde het op basis van beelden gebaseerde systeem het centrum van het aanhechtingspunt met een fout van slechts 2,1 millimeter, terwijl het op het model gebaseerde systeem een gemiddelde fout van 2,8 millimeter had. In de wereld van de kniechirurgie, waar het verschil tussen succes en falen een kwestie kan zijn van enkele millimeters, is dit niveau van precisie significant.
De onderzoekers keken ook naar hoe vaak de gok van de computer binnen een veilige marge van de werkelijke locatie viel. Voor het op beelden gebaseerde systeem waren bijna 96 procent van de voorspellingen voor linkerknieën en 93 procent voor rechterknieën binnen 5 millimeter van de werkelijke plek. Om te begrijpen wat dit voor een patiënt betekent, stel je het aanhechtingsgebied voor als een kleine cirkel op het bot. Als een chirurg een gat boort dat iets uit het midden zit, beslaat het nieuwe ligament mogelijk niet het hele gebied, wat leidt tot instabiliteit. De studie berekende dat zelfs met de kleine fouten in de voorspellingen van de computer, een standaard chirurgische boorgat nog steeds grotendeels binnen het juiste gebied zou landen. Al bij het gebruik van de grootste mogelijke boorgrootte viel een klein deel van het gat buiten de ideale zone, wat suggereert dat deze computertools chirurgen met een hoge mate van veiligheid kunnen begeleiden.
Hoewel de methode op basis van beelden nauwkeuriger bleek, merkten de onderzoekers op dat de 3D-modelbenadering nog steeds waarde heeft. Omdat het model vertrouwt op de vorm van het bot in plaats van op het uiterlijk van het ligament, kan het wellicht beter werken in gevallen waarin het ligament al gescheurd is en niet langer zichtbaar is in de scan. De studie concludeert dat deze kunstmatige intelligentie-instrumenten een haalbare manier bieden om de nauwkeurigheid van kniereconstructiechirurgie te verbeteren. Door een precieze, geautomatiseerde doelstelling aan chirurgen te bieden, kan deze technologie helpen het aantal mislukte operaties te verminderen en de langetermijngezondheid van het kniegewricht te verbeteren, door een complexe handmatige taak te veranderen in een begeleide, op gegevens gebaseerde procedure.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.