Cascade learning in multi-task encoder-decoder networks for concurrent bone segmentation and glenohumeral joint assessment in shoulder CT scans

要約

変形性関節症は骨や軟骨に影響を及ぼす変性疾患であり、多くの場合、骨棘の形成、骨密度の低下、関節腔の狭小化を引き起こします。
正常な関節機能を回復するための治療選択肢は、症状の重症度に応じて異なります。
この研究では、肩の CT スキャンを処理する革新的なディープラーニング フレームワークを導入します。
上腕骨近位部と肩甲骨のセマンティック セグメンテーション、骨表面の 3D 再構築、関節上腕骨 (GH) 関節領域の特定、および 3 つの一般的な変形性関節症関連病理の病期分類 (骨棘形成 (OS)、GH スペース縮小) を特徴としています。
(JS)、および上腕肩甲骨アライメント (HSA)。
このパイプラインは、セグメンテーション用の 3D CEL-UNet と 3 重分類用の 3D Arthro-Net という 2 つのカスケード CNN アーキテクチャで構成されています。
パイプラインのトレーニング、検証、テストには、さまざまな程度の GH 変形性関節症関連の病状を持つ患者を特徴とする 571 件の CT スキャンの遡及的データセットが使用されました。
3D 再構成の二乗平均平方根誤差とハウスドルフ距離中央値は、上腕骨で 0.22 mm と 1.48 mm、肩甲骨で 0.24 mm と 1.48 mm であり、最先端のアーキテクチャを上回っており、PSI ベースのシステムに適している可能性があります。
肩関節置換術の術前計画の背景。
OS、JS、HSA の分類精度は、3 つのカテゴリすべてで一貫して約 90% に達しました。
推論パイプラインの計算時間は 15 秒未満で、フレームワークの効率性と整形外科放射線学の実践との互換性が示されました。
この成果は、人工知能ツールの医療翻訳に向けた有望な進歩を示しています。
この進歩は、術前計画パイプラインを合理化し、高品質の骨表面を提供し、患者固有の関節の状態に応じて最適な手術アプローチを選択する外科医をサポートすることを目的としています。

要約(オリジナル)

Osteoarthritis is a degenerative condition affecting bones and cartilage, often leading to osteophyte formation, bone density loss, and joint space narrowing. Treatment options to restore normal joint function vary depending on the severity of the condition. This work introduces an innovative deep-learning framework processing shoulder CT scans. It features the semantic segmentation of the proximal humerus and scapula, the 3D reconstruction of bone surfaces, the identification of the glenohumeral (GH) joint region, and the staging of three common osteoarthritic-related pathologies: osteophyte formation (OS), GH space reduction (JS), and humeroscapular alignment (HSA). The pipeline comprises two cascaded CNN architectures: 3D CEL-UNet for segmentation and 3D Arthro-Net for threefold classification. A retrospective dataset of 571 CT scans featuring patients with various degrees of GH osteoarthritic-related pathologies was used to train, validate, and test the pipeline. Root mean squared error and Hausdorff distance median values for 3D reconstruction were 0.22mm and 1.48mm for the humerus and 0.24mm and 1.48mm for the scapula, outperforming state-of-the-art architectures and making it potentially suitable for a PSI-based shoulder arthroplasty preoperative plan context. The classification accuracy for OS, JS, and HSA consistently reached around 90% across all three categories. The computational time for the inference pipeline was less than 15s, showcasing the framework’s efficiency and compatibility with orthopedic radiology practice. The outcomes represent a promising advancement toward the medical translation of artificial intelligence tools. This progress aims to streamline the preoperative planning pipeline delivering high-quality bone surfaces and supporting surgeons in selecting the most suitable surgical approach according to the unique patient joint conditions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google