跳转至

使用深度学习图像分割和几何建模从零回波时间 MRI 中自动提取的测量结果与专家手工读数高度一致

文章背景与核心概要

本研究评估了一种基于零回波时间（ZTE）MRI 计算骨形态测量角度的新型自动化方法，该角度对于诊断髋股撞击综合征（FAI）至关重要。尽管计算机断层扫描（CT）是目前的临床金标准，但它会使患者暴露于电离辐射中。研究人员开发了一个基于 nnU-Net 的深度学习流水线，用于从 ZTE MRI 扫描中分割股骨、骨盆和骨骼解剖标志。

自动化模型表现出极高的准确性，骨骼分割的 Dice 系数超过 0.96。与专业放射科医生的读数进行对比表明，在关键临床指标（如髋臼前倾角、冠状位中心边缘角和托尼斯角）上具有极高的一致性。该研究得出结论，基于 ZTE MRI 的全自动形态测量评估是一种可行的、无需辐射的 CT 测量替代方案。

测量结果与专家手工读数高度一致：使用深度学习图像分割和几何建模从零回波时间 MRI 中自动提取的数据

作者： Jack Consolini, Eric A. Bogner, Meghan Sahr, Matthew F. Koff, Kevin M. Koch, Hollis G. Potter
日期： 2026年8月7日
学科： 医学物理 (physics.med-ph)；人工智能 (cs.AI)；计算机视觉与模式识别 (cs.CV)
DOI： 10.48550/arXiv.2608.07368

摘要

本研究评估了一种新型的、基于零回波时间（ZTE）MRI 计算骨形态测定角度的自动化方法，该角度对于诊断髋股撞击综合征（FAI）至关重要。尽管计算机断层扫描（CT）是当前的临床标准，但它会使患者暴露于电离辐射中。研究人员开发了一个使用 nnU-Net 的深度学习流水线，用于从 ZTE MRI 扫描中分割股骨、骨盆和骨性标志。

This study evaluates a novel, automated method for calculating osseous morphometry angles—critical for diagnosing femoroacetabular impingement (FAI)—using Zero Echo Time (ZTE) MRI. While Computed Tomography (CT) is the current clinical standard, it exposes patients to ionizing radiation. The researchers developed a deep learning pipeline using nnU-Net to segment the femur, pelvis, and osseous landmarks from ZTE MRI scans.

自动化模型展示了高准确性，骨骼分割的 Dice 得分超过 0.96。与专家放射科医生的读数相比，在关键临床指标（包括髋臼前倾角、冠状位中心边缘角和 Tonnis 角）上表现出极好的一致性。该研究得出结论，来自 ZTE MRI 的全自动形态测量评估是基于 CT 测量的可行且无辐射的替代方案。

The automated model demonstrated high accuracy, with Dice scores exceeding 0.96 for bone segmentation. Comparisons with expert radiologist readings showed excellent agreement for key clinical metrics, including acetabular version, coronal center-edge, and Tonnis angles. The study concludes that fully automated morphometric assessment from ZTE MRI is a viable, radiation-free alternative to CT-based measurements.

关键发现

方法论

  • 数据集： 来自 73 名参与者的 135 个髋关节。
  • AI 架构： 在 100 个经人工筛选的髋关节上训练的 nnU-Net。
  • 几何建模： 将自定义算法应用于 AI 生成的分割结果，以计算：
    • Alpha 角
    • 股骨颈干角
    • Tonnis 角
    • 冠状位和矢状位中心边缘角
    • 髋臼前倾角

Methodology

  • Dataset: 135 hips from 73 participants.
  • AI Architecture: nnU-Net trained on 100 manually curated hips.
  • Geometric Modeling: Custom algorithms were applied to the AI-generated segmentations to compute:
    • Alpha angles
    • Femoral neck-shaft angles
    • Tonnis angles
    • Coronal and sagittal center-edge angles
    • Acetabular version angles

性能指标

  • 分割准确率： 骨骼的 Dice 得分 > 0.96；标志点为 0.65–0.83。
  • 标志点精度： 中位误差极小（股骨头为 0.38 毫米；髋臼外侧为 0.82 毫米）。
  • 临床一致性：
    • 极好： 髋臼前倾角、冠状位中心边缘角和 Tonnis 角（组内相关系数 ICC 0.92–0.96）。
    • 良好： 中髋臼矢状位中心边缘角（ICC 0.74）。
    • 一般： Alpha 角和股骨颈干角（ICC 0.45–0.55）。

Performance Metrics

  • Segmentation Accuracy: Dice scores > 0.96 for bone; 0.65–0.83 for landmarks.
  • Landmark Precision: Median errors were minimal (0.38 mm for the femoral head; 0.82 mm for the lateral acetabulum).
  • Clinical Agreement:
    • Excellent: Acetabular version, coronal center-edge, and Tonnis angles (ICC 0.92–0.96).
    • Good: Mid-acetabular sagittal center-edge (ICC 0.74).
    • Fair: Alpha and femoral neck-shaft angles (ICC 0.45–0.55).

结论

该研究表明，基于深度学习自动提取 ZTE MRI 中的 FAI 角度不仅是可行的，而且在大多数临床测量中其表现与人工专家读数相当。这一方法为减少骨科诊断中的辐射暴露提供了一条有前景的途径。

Conclusion

The study demonstrates that deep learning-based automated extraction of FAI angles from ZTE MRI is not only feasible but performs comparably to expert human readers for most clinical measurements. This approach offers a promising path toward reducing radiation exposure in orthopedic diagnostics.

访问论文

Accessing the Paper