深度学习卷积神经网络在髋关节翻修术前CT分割领域的研发与初步应用

作者：吴东; 孔祥朋; 杨敏之; 刘星宇; 张逸凌; 柴伟^*

来源：中华骨科杂志, 2023, 43(01).

• 关节成形术, 置换, 髋
• 再手术
• 人工智能
• 神经网络, 计算机
• 多探头的计算机断层扫描

目的研发基于人工智能深度学习技术的髋关节翻修术前CT影像分割算法, 并进行验证及初步应用。方法回顾性分析2019年4月至2022年10月于中国人民解放军总医院收治的有清晰CT数据资料的翻修病例706例, 其中男520例, 年龄(58.45±18.13)岁;女186例, 年龄(52.23±16.23)岁。均为单侧, 左侧402髋、右侧304髋。搭建transformerunet卷积神经网络并使用Tensorflow 1.15进行网络模型训练, 实现对翻修髋关节CT影像的智能分割。基于已研发的全髋关节置换术三维规划系统, 初步构建髋关节翻修手术智能规划系统。分别采用dice overlap coefficient(DOC)、average surface distance(ASD)、Hausdorff distance(HD)参数对transformerunet、全卷积网络(fully convolutional networks, FCN)、2D U-Net、和Deeplab v3+的分割精度进行评估, 统计分割耗时对上述网络的分割效率进行评估。结果与FCN、2D U-Net和Deeplab v3+学习曲线相比, transformerunet网络可通过较少的训练量实现更优的训练效果。Transformerunet的DOC为95%±4%, HD为(3.35±1.03) mm, ASD为(1.38±0.02) mm;FCN分别为94%±4%、(4.83±1.90) mm、(1.42±0.03) mm;2D U-Net分别为93%±5%、(5.27±2.20) mm、(1.46±0.02) mm;Deeplab v3+分别为92%±4%、(6.12±1.84) mm、(1.52±0.03) mm。Transformerunet各系数均优于其他三种卷积神经网络, 差异有统计学意义(P<0.05)。在分割时间方面, transformerunet分割耗时为(0.031±0.001) s, FCN为(0.038±0.002) s, 2D U-Net为(0.042±0.001) s, Deeplab v3+为(0.048±0.002) s。Transformerunet分割耗时少于其他三种卷积神经网络, 差异有统计学意义(P<0.05)。将transformerunet与全髋关节置换术三维规划系统相结合, 可初步完成髋关节翻修手术智能规划系统的构建。结论与FCN、2D U-Net和Deeplab v3+相比, transformerunet卷积神经网络可更精准、高效地完成对翻修髋关节CT影像的分割, 有望为人工智能髋关节翻修手术术前规划及手术机器人相关领域的研究提供技术支撑。

• 单位
  清华大学; 解放军总医院