Automated ACL Footprint Identification Using 3D Deep Learning
本研究表明，3D 深度学习模型（尤其是基于图像的架构）能够从 3D MR 图像中准确识别前交叉韧带（ACL）股骨足迹中心，为改善隧道置入并减少重建失败提供了一种具有前景的临床工具。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
每年在美国，都有数十万人接受手术以修复撕裂的前交叉韧带（ACL），这是一种稳定膝关节的坚韧组织带。虽然这项手术很常见，但并不总是成功。失败的一个常见原因并非手术本身，而是新韧带的植入位置。外科医生必须在股骨上钻一个小的隧道来固定新组织，如果这个隧道的定位不是精确位于原韧带曾经附着的部位，膝关节可能会保持不稳定，或者在晚年发展出关节炎。几十年来，寻找这个被称为“足迹”（footprint）的精确附着点一直依赖于外科医生的眼睛和经验，这种手动过程留下了人为错误的余地。
最近，医学影像领域开始拥抱人工智能，利用能够学习识别图像中模式的计算机系统。这些进展大多集中在简单地判断韧带是撕裂还是健康。然而，对于计算机来说，识别骨骼上附着点的确切中心仍然是一个具有挑战性的难题。由美国国家卫生研究院（NIH）和约翰斯·霍普金斯大学研究人员开展的一项新研究，探讨了先进的三维深度学习是否能解决这一特定问题。通过教计算机分析三维磁共振成像（MRI），该团队旨在开发一种工具，能够自动精准定位外科医生应该钻孔的理想位置，从而潜在地使膝关节重建手术更加可靠和一致。
研究人员通过两种不同的方式来应对这一挑战，测试了两种截然不同的方法，以观察哪种方法能最准确地找到目标位置。第一种方法将骨骼视为一个数字化的3D模型，即由数千个点通过线连接而成的网格，类似于线框雕塑。他们训练一个计算机系统去观察这个数字骨骼的形状和表面，以推测韧带附着的位置。第二种方法采取了更直接的方式，将原始的三维磁共振图像直接输入计算机。该系统学习扫描膝关节的体积，寻找扫描图像中指示足迹中心的特定视觉线索，就像人类放射科医生那样，但具备机器的速度和精度。
为了测试这些系统，团队使用了一个来自公共数据库的大规模膝关节扫描集合，其中包含近8,000张左右膝图像。他们对这些数据进行了拆分，利用大部分数据来教计算机如何寻找该位置，并保留一小部分用于在新的、未见过的案例上测试其技能。结果显示，两种方法都有效，但其中一种明显更优。分析原始三维图像的系统表现优于依赖数字3D骨骼模型的系统。平均而言，基于图像的系统定位附着点中心的误差仅为2.1毫米，而基于模型的系统平均误差为2.8毫米。在膝关节手术的世界里，成功与失败的区别可能仅在于几毫米，这种精度的提升意义重大。
研究人员还观察了计算机的预测落在真实位置安全范围内的频率。对于基于图像的系统，左膝近96%的预测以及右膝93%的预测都位于实际位置的5毫米以内。为了让患者理解这意味着什么，请想象附着区域是骨骼上的一个小圆圈。如果医生钻出的孔稍微偏离中心，新韧带可能无法覆盖整个区域，导致不稳定。研究计算出，即使使用计算机预测中发现的小误差，标准的医疗钻孔仍会主要落在正确的区域内。只有在使用最大可能的钻头尺寸时，极小部分的孔才会落在理想区域之外，这表明这些计算机工具可以以极高的安全性引导外科医生。
虽然基于图像的方法证明更为准确，但研究人员指出，3D模型方法仍然具有价值。因为该模型依赖于骨骼的形状而非韧带的外观，所以它在韧带已经撕裂且在扫描中不再可见的情况下，可能会表现得更好。研究结论认为，这些人工智能工具为提高膝关节重建手术的准确性提供了一种可行的方法。通过为外科医生提供一个精确的、自动化的目标，这项技术可以帮助减少手术失败的数量，并改善膝关节的长期健康，将一项复杂的体力劳动转变为一项受引导的、数据驱动的程序。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。