Radiology:深度学习方法评价膝关节MR图像的价值

2019-03-07 shaosai MedSci原创

本研究旨在验证利用深度学习方法在MR膝关节图像中检出软骨病变(包括软骨软化、软骨纤维化、软骨开裂、局部缺损、软骨退变导致的弥漫性变薄和急性软骨损伤)的可能性。

本研究旨在验证利用深度学习方法在MR膝关节图像中检出软骨病变(包括软骨软化、软骨纤维化、软骨开裂、局部缺损、软骨退变导致的弥漫性变薄和急性软骨损伤)的可能性。

本研究利用分割和分级卷积神经网络(CNNs)生成全自动基于深度学习软骨病变诊断系统。本研究共纳入了175例有关节痛患者的T2加权快速反转回波MRI数据,利用深度学习方法进行回顾性分析。在股骨和胫骨关节表面置放17395处分析框,以两位骨肌放射学医师评价有无关节软骨病变为参考标准进行云联CNN分级。利用ROC分析和κ统计评价关节软骨病变诊断系统检出软骨病变的诊断价值和组间一致性。

结果为,根据约登指数在最佳截断值时关节软骨病变诊断系统的敏感性和特异性分别为84.1%、85.2%(评价1),80.5% and 87.9%(评价2)。ROC曲线下面积分别为0.917(评价1)、0.914 (评价2),表明具有较高的诊断价值。两位评价结果具有较搞一致性,κ值为0.76。

本研究表明,利用全自动基于深度学习软骨病变诊断系统能够在MR膝关节图像中检出软骨病变膝关节软病变,并对检出关节退变和急性软骨损伤具有较高诊断价值和较好组间一致性。

原始出处:


本文系梅斯医学(MedSci)原创编译整理,转载需授权!

版权声明:
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
评论区 (1)
#插入话题
  1. [GetPortalCommentsPageByObjectIdResponse(id=1444514, encodeId=dceb144451492, content=<a href='/topic/show?id=3d9291459d1' target=_blank style='color:#2F92EE;'>#评价#</a>, beContent=null, objectType=article, channel=null, level=null, likeNumber=20, replyNumber=0, topicName=null, topicId=null, topicList=[TopicDto(id=91459, encryptionId=3d9291459d1, topicName=评价)], attachment=null, authenticateStatus=null, createdAvatar=, createdBy=4c37265, createdName=医者仁心, createdTime=Sat Mar 09 13:43:00 CST 2019, time=2019-03-09, status=1, ipAttribution=)]

相关资讯

Eur Heart J:机器学习算法可以估计成人先天性心脏病的预后并指导治疗

这项研究证明了通过大型数据集训练的机器学习算法估计ACHD预后和指导治疗的实用性。

PNAS:深度学习助力罕见戈谢病机制研究

溶酶体酶葡糖脑苷脂酶-1(GCase)催化主要糖脂葡糖神经酰胺的裂解,成为葡萄糖和神经酰胺。缺乏完整功能的GCase导致其脂质底物在溶酶体中积累,引起戈谢病。

PLoS Med:深度学习在肺癌预测中的应用

这项研究结果提供了证据表明,深度学习网络可用于基于NSCLC患者标准治疗CT影像的死亡风险分层。

Lancet Oncol:关于人工智能诊断甲状腺癌的研究成果

天津医科大学肿瘤医院陈可欣、李祥春和张晟教授三个课题组最近共同报道了基于深度学习算法分析超声图像实现甲状腺癌人工智能诊断研究,研究成果于2018年12月21日发表在国际肿瘤学领域著名期刊《Lancet Oncology》,题目为“Diagnosis of thyroid cancer using deep convolutional neural network models applied to sonographic images: a retrospective, multi-cohort, diagnostic study ”。

甲状腺癌发病率稳步上升,超声检查是甲状腺结节 · 2019-01-13

-->

Radiology:利用变分网络深度学习重建联合可变密度单次激发快速反转回波MRI

本研究旨在利用变分网络(VN)研发一种能够提高重建速度和高度采样不足可变密度单次激发快速反转回波成像质量的深度学习重建算法。

深度学习中评价指标:准确率、**率、召回率、 F-1 Score、ROC、AUC、MAE

1.1. 基本概念上表即为混淆矩阵,其中,行表示预测的label值,列表示真实label值。TP,FP,FN,TN分别表示如下意思:TP —— True Positive (真正, TP)被模型预测为正的正样本;可以称作判断为真的正确率 TN —— True Negative(真负 , TN)被模型预测为负的负样本 ;可以称作判断为假的正确率 FP ——False Posi