膝关节mri深度学习早期检测膝关节骨性关节炎

Osteoarthritis imaging Pub Date : 2023-01-01 DOI:10.1016/j.ostima.2023.100112

A. Alexopoulos , J. Hirvasniemi , S. Klein , C Donkervoort , E.H.G. Oei , N. Tümer

引用次数: 0

摘要

之前大多数使用深度学习方法预测膝关节OA发病率的研究都使用了基于x线片的结果变量。然而，基于mri的结果变量可以提供更全面的OA视图。本研究的目的是研究三种不同的深度学习算法在24个月内从MR图像预测基于mri的膝关节OA发病率的能力。方法采用593例OAI参与者的中权重涡轮自旋回波(IW-TSE)序列预测膝关节OA的发病率。除骨赘在x线片上评估外，膝关节OA使用MRI膝关节评分(MOAKS)特征来定义。IW-TSE mri被裁剪为包含膝关节的250 × 320体素的区域。裁剪框的位置定义如下:首先，使用二维U-Net模型在DESS序列上分割胫骨和股骨。U-Net模型使用来自OAI-ZIB数据集的507个膝关节的股骨和胫骨的人工分割进行训练。使用Dice相似系数对分割算法的性能进行评价。随后，使用Elastix软件注册IW-TSE和DESS序列，并将DESS分割转换为相应的IW-TSE扫描。最后，利用胫骨和股骨的坐标来确定裁剪盒的位置。使用3D MRI数据作为输入的三种不同的深度学习架构用于从裁剪的IW-TSE扫描中提取特征:残差网络(ResNet-50)，密集连接的卷积网络(DenseNet-121)和卷积变分自编码器(CVAE)。测试了批大小、学习率、正则化和数据增强的几种组合。此外，我们还检验了不同组合的判别性惩罚和潜在空间维度对CVAE的影响。70%的膝关节被纳入训练集，15%的膝关节被纳入验证集，15%的膝关节被纳入抵抗测试集。为了比较，只使用参与者的年龄、性别和BMI来训练逻辑回归模型。进一步，将上述基本变量与图像特征相结合，训练出一个逻辑回归模型。使用Python使用受试者工作特征曲线下面积(ROC AUC)和精确召回曲线(PR AUC)指标评估基本模型(年龄、性别、BMI)、图像特征模型和基本+图像特征模型预测膝关节OA发病率的性能。结果自动分割胫骨和股骨的Dice相似系数分别为0.985和0.987。基本模型预测测试集膝关节OA发病率的ROC AUC为0.639,PR AUC为0.364。在仅基于图像的模型中，从ROC AUC值来看，CVAE是表现最好的模型(ROC AUC: 0.669, PR AUC: 0.346)。在基本变量与图像相结合的模型中，根据ROC AUC值，基本的 + CVAE模型表现最好(ROC AUC: 0.670, PR AUC: 0.359)。与基本模型结合使用时，表现最佳的ResNet-50模型的ROC AUC为0.651,PR AUC为0.379;表现最佳的DenseNet-121模型的ROC AUC为0.656,PR AUC为0.371。从PR AUC值来看，包含核正则化且潜在空间维数较少的CVAE模型比ROC AUC最高的CVAE模型表现最好(PR AUC为0.416,ROC AUC为0.601)。结论cvae深度学习模型对IW-TSE mri预测OA发病率的效果最好。在模型中加入年龄、性别和体重指数提高了预测算法的性能。总的来说，所有模型的性能都是有限的，这表明预测膝关节OA的发病率是一个复杂的问题。其他MRI序列、模式和数据(如遗传学)的影响将在未来进行研究。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文