Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phát hiện bệnh thoái hóa thắt lưng và cổ dựa trên học sâu với độ chính xác cao trên hình ảnh MRI T2-weighted
European Spine Journal - 2023
Tóm tắt
Mục tiêu của nghiên cứu là phát triển và xác thực một mô hình học sâu (DL) để phát hiện bệnh thoái hóa cột sống thắt lưng trong cả hình ảnh mặt phẳng ngang và mặt phẳng trục của MRI T2-weighted, đồng thời đánh giá khả năng tổng quát của nó trong việc phát hiện bệnh thoái hóa cột sống cổ. Các hình ảnh MRI T2-weighted của 804 bệnh nhân có triệu chứng bệnh thoái hóa cột sống thắt lưng đã được thu thập hồi cứu từ ba bệnh viện. Tập dữ liệu huấn luyện (n = 456) và tập dữ liệu xác thực nội bộ (n = 134) được chọn ngẫu nhiên từ trung tâm I. Hai tập dữ liệu xác thực bên ngoài gồm 100 và 114 bệnh nhân từ trung tâm II và trung tâm III, tương ứng. Mô hình DL dựa trên kiến trúc 3D ResNet18 và transformer đã được đề xuất để phát hiện bệnh thoái hóa cột sống thắt lưng. Ngoài ra, một tập dữ liệu hình ảnh MR cổ gồm 200 bệnh nhân từ một bệnh viện độc lập đã được sử dụng để đánh giá khả năng tổng quát của mô hình DL. Hiệu suất chẩn đoán đã được đánh giá thông qua đường cong đặc điểm hoạt động nhận dạng tự do (fROC) và đường cong precision-recall (PR). Độ chính xác, độ nhạy và F1-score được sử dụng để đo lường mô hình DL. Tổng cộng có 2497 nhãn hồi quy ba chiều đã được đánh dấu cho huấn luyện (n = 1157) và xác thực đa trung tâm (n = 1340). Mô hình DL cho thấy hiệu quả phát hiện xuất sắc trong tập dữ liệu xác thực nội bộ, với F1-score đạt được là 0.971 và 0.903 trên hình ảnh MR mặt phẳng ngang và trục, tương ứng. Hiệu suất tốt cũng được quan sát trong tập dữ liệu xác thực bên ngoài I (F1-score, 0.768 trên hình ảnh MR mặt phẳng ngang và 0.837 trên hình ảnh MR mặt phẳng trục) và tập dữ liệu xác thực bên ngoài II (F1-score, 0.787 trên hình ảnh MR mặt phẳng ngang và 0.770 trên hình ảnh MR mặt phẳng trục). Hơn nữa, độ khả thi của mô hình DL đã được chứng minh thông qua học chuyển giao và đánh giá khả năng tổng quát trên tập dữ liệu cột sống cổ bên ngoài, với F1-score đạt được là 0.931 và 0.919 trên hình ảnh MR mặt phẳng ngang và trục, tương ứng. Mô hình DL được đề xuất có thể phát hiện tự động bệnh thoái hóa cột sống thắt lưng và cổ trên hình ảnh MRI T2-weighted với hiệu suất, độ bền và tính khả thi tốt trong thực hành lâm sàng.
Từ khóa
#Học sâu #bệnh thoái hóa cột sống thắt lưng #bệnh thoái hóa cột sống cổ #MRI T2-weighted #hiệu suất chẩn đoán #F1-score.Tài liệu tham khảo
Fenn J, Olby NJ, Canine Spinal Cord Injury Consortium (CANSORT-SCI) (2020) Classification of intervertebral disc disease. Front Vet Sci 6(7):579025. https://doi.org/10.3389/fvets.2020.579025
Huang J, Shen H, Wu J, Hu X, Zhu Z, Lv X, Liu Y, Wang Y (2020) Spine Explorer: a deep learning based fully automated program for efficient and reliable quantifications of the vertebrae and discs on sagittal lumbar spine MR images. Spine J 20(4):590–599. https://doi.org/10.1016/j.spinee.2019.11.010
Shikhare SN, Singh DR, Peh WC (2014) Variants and pitfalls in MR imaging of the spine. Semin Musculoskelet Radiol 18(1):23–35. https://doi.org/10.1055/s-0034-1365832
Castro-Mateos I, Hua R, Pozo JM, Lazary A, Frangi AF (2016) Intervertebral disc classification by its degree of degeneration from T2-weighted magnetic resonance images. Eur Spine J 25(9):2721–2727. https://doi.org/10.1007/s00586-016-4654-6
Beulah A, Sharmila TS, Pramod VK (2022) Degenerative disc disease diagnosis from lumbar MR images using hybrid features. Vis Comput 38:2771–2783. https://doi.org/10.1007/s00371-021-02154-x
Lehnen NC, Haase R, Faber J, Rüber T, Vatter H, Radbruch A, Schmeel FC (2021) Detection of degenerative changes on mr images of the lumbar spine with a convolutional neural network: a feasibility study. Diagnostics (Basel) 11(5):902. https://doi.org/10.3390/diagnostics11050902
Gao F, Liu S, Zhang X, Wang X, Zhang J (2021) Automated grading of lumbar disc degeneration using a push-pull regularization network based on MRI. J Magn Reson Imaging 53(3):799–806. https://doi.org/10.1002/jmri.27400
Beare R, Lowekamp B, Yaniv Z (2018) image segmentation, registration and characterization in r with simple ITK. J Stat Softw 86:8. https://doi.org/10.18637/jss.v086.i08
Zhang L, Wang X, Yang D et al (2020) Generalizing deep learning for medical image segmentation to unseen domains via deep stacked transformation. IEEE Trans Med Imaging 39(7):2531–2540
Zhuang X, Liu F, Hou J, Hao J, Cai X (2022) transformer-based interactive multi-modal attention network for video sentiment detection. Neural Process Lett 54:1943–1960. https://doi.org/10.1007/s11063-021-10713-5
Llugsi R, El Yacoubi S, Fontaine A, Lupera P (2021) Comparison between adam, adamax and adam w optimizers to implement a weather forecast based on neural networks for the Andean city of quito. IEEE Fifth Ecuad Tech Chapters Meet. https://doi.org/10.1109/ETCM53643.2021.9590681
Merali ZA, Colak E, Wilson JR (2021) Applications of machine learning to imaging of spinal disorders: current status and future directions. Global Spine J 11(1_suppl):23S-29S. https://doi.org/10.1177/2192568220961353
Ma S, Huang Y, Che X, Gu R (2020) Faster RCNN-based detection of cervical spinal cord injury and disc degeneration. J Appl Clin Med Phys 21(9):235–243. https://doi.org/10.1002/acm2.13001
Park SH, Han K (2018) Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction. Radiology 286(3):800–809. https://doi.org/10.1148/radiol.2017171920
Kim DW, Jang HY, Kim KW, Shin Y, Park SH (2019) Design characteristics of studies reporting the performance of artificial intelligence algorithms for diagnostic analysis of medical images: results from recently published papers. Korean J Radiol 20(3):405–410. https://doi.org/10.3348/kjr.2019.0025
Zech JR, Badgeley MA, Liu M, Costa AB, Titano JJ, Oermann EK (2018) Variable generalization performance of a deep learning model to detect pneumonia in chest radiographs: a cross-sectional study. PLoS Med 15(11):e1002683. https://doi.org/10.1371/journal.pmed.1002683
Pang S, Su Z, Leung S, Nachum IB, Chen B, Feng Q, Li S (2019) Direct automated quantitative measurement of spine by cascade amplifier regression network with manifold regularization. Med Image Anal 55:103–115. https://doi.org/10.1016/j.media.2019.04.012
Zheng HD, Sun YL, Kong DW, Yin MC, Chen J, Lin YP, Ma XF, Wang HS, Yuan GJ, Yao M, Cui XJ, Tian YZ, Wang YJ (2022) Deep learning-based high-accuracy quantitation for lumbar intervertebral disc degeneration from MRI. Nat Commun 13(1):841. https://doi.org/10.1038/s41467-022-28387-5
Kruggel F, Turner J, Muftuler LT (2020) Alzheimer’s disease neuroimaging. Initiative impact of scanner hardware and imaging protocol on image quality and compartment volume precision in the ADNI cohort. Neuroimage 49(3):2123–2133. https://doi.org/10.1016/j.neuroimage.2009.11.006
Obuchowicz R, Oszust M, Piorkowski A (2020) Interobserver variability in quality assessment of magnetic resonance images. BMC Med Imaging 20(1):109. https://doi.org/10.1186/s12880-020-00505-z.
Morid MA, Borjali A, Del Fiol G (2021) A scoping review of transfer learning research on medical image analysis using ImageNet. Comput Biol Med 128:104115. https://doi.org/10.1016/j.compbiomed.2020.104115
Karimi D, Warfield SK, Gholipour A (2021) Transfer learning in medical image segmentation: new insights from analysis of the dynamics of model parameters and learned representations. Artif Intell Med 116:102078. https://doi.org/10.1016/j.artmed.2021.102078
Kermany DS, Goldbaum M, Cai W, Valentim CCS, Liang H, Baxter SL, McKeown A, Yang G, Wu X, Yan F, Dong J, Prasadha MK, Pei J, Ting MYL, Zhu J, Li C, Hewett S, Dong J, Ziyar I, Shi A, Zhang R, Zheng L, Hou R, Shi W, Fu X, Duan Y, Huu VAN, Wen C, Zhang ED, Zhang CL, Li O, Wang X, Singer MA, Sun X, Xu J, Tafreshi A, Lewis MA, Xia H, Zhang K (2018) Identifying medical diagnoses and treatable diseases by image-based deep learning. Cell 172(5):1122-1131.e9. https://doi.org/10.1016/j.cell.2018.02.010
Hasz MW (2012) Diagnostic testing for degenerative disc disease. Adv Orthop 2012:413913. https://doi.org/10.1155/2012/413913