Térdporc szegmentálása MR-felvételekből mesterséges intelligencia segítségével

Abstract

Összefoglaló. Bevezetés: A térdízületnek ultrafriss osteochondralis allograft segítségével történő részleges ortopédiai rekonstrukciója képalkotó vizsgálatokon alapuló pontos tervezést igényel, mely folyamatban a morfológia felismerésére képes mesterséges intelligencia nagy segítséget jelenthet. Célkitűzés: Jelen kutatásunk célja a porc morfológiájának MR-felvételen történő felismerésére alkalmas mesterséges intelligencia kifejlesztése volt. Módszer: A feladatra legalkalmasabb MR-szekvencia meghatározása és 180 térd-MR-felvétel elkészítése után a mesterséges intelligencia tanításához manuálisan és félautomata szegmentálási módszerrel bejelölt porckontúrokkal tréninghalmazt hoztunk létre. A mély convolutiós neuralis hálózaton alapuló mesterséges intelligenciát ezekkel az adatokkal tanítottuk be. Eredmények: Munkánk eredménye, hogy a mesterséges intelligencia képes a meghatározott szekvenciájú MR-felvételen a porcnak a műtéti tervezéshez szükséges pontosságú bejelölésére, mely az első lépés a gép által végzett műtéti tervezés felé. Következtetés: A választott technológia - a mesterséges intelligencia - alkalmasnak tűnik a porc geometriájával kapcsolatos feladatok megoldására, ami széles körű alkalmazási lehetőséget teremt az ízületi terápiában. Orv Hetil. 2021; 162(9): 352-360. INTRODUCTION: The partial orthopedic reconstruction of the knee joint with an osteochondral allograft requires precise planning based on medical imaging reliant; an artificial intelligence capable of determining the morphology of the cartilage tissue can be of great help in such a planning. OBJECTIVE: We aimed to develop and train an artificial intelligence capable of determining the cartilage morphology in a knee joint based on an MR image. METHOD: After having determined the most appropriate MR sequence to use for this project and having acquired 180 knee MR images, we created the training set for the artificial intelligence by manually and semi-automatically segmenting the contours of the cartilage in the images. We then trained the neural network with this dataset. RESULTS: As a result of our work, the artificial intelligence is capable to determine the morphology of the cartilage tissue in the MR image to a level of accuracy that is sufficient for surgery planning, therefore we have made the first step towards machine-planned surgeries. CONCLUSION: The selected technology - artificial intelligence - seems capable of solving tasks related to cartilage geometry, creating a wide range of application opportunities in joint therapy. Orv Hetil. 2021; 162(9): 352-360.

Ähnliche Arbeiten