View More View Less
  • 1 MedInnoScan Kutatás-fejlesztési Kft., Budapest
  • | 2 Uzsoki Utcai Kórház, Budapest
  • | 3 Rényi Alfréd Matematikai Kutatóintézet, Budapest
  • | 4 Semmelweis Egyetem, Általános Orvostudomány Kar, Traumatológiai Tanszék, Budapest
Open access

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.

Summary. 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.

  • 1

    Riboh JC, Cvetanovich GL, Cole BJ, et al. Comparative efficacy of cartilage repair procedures in the knee: a network meta-analysis. Knee Surg Sports Traumatol Arthrosc. 2017; 25: 3786–3799.

  • 2

    Beer AJ, Tauro TM, Redondo ML, et al. Use of allografts in orthopaedic surgery: Safety, procurement, storage, and outcomes. Orthop J Sports Med. 2019; 7: 2325967119891435.

  • 3

    Chahal J, Gross AE, Gross C, et al. Outcomes of osteochondral allograft transplantation in the knee. Arthroscopy 2013; 29: 575–588.

  • 4

    Hangody LR, Gál T, Szűcs A, et al. Osteochondral allograft transplantation from a living donor. Arthroscopy 2012; 28: 1180–1183.

  • 5

    Gillies RJ, Kinahan PE, Hricak H. Radiomics: images are more than pictures, they are data. Radiology 2016; 278: 563–577.

  • 6

    Renard Y, de Mestier L, Perez M, et al. Unraveling pancreatic segmentation. World J Surg. 2018; 42: 1147–1153.

  • 7

    Weikert T, Akinci D’Antonoli T, Bremerich J, et al. Evaluation of an AI-powered lung nodule algorithm for detection and 3D segmentation of primary lung tumors. Contrast Media Mol Imaging 2019; 2019: 1545747.

  • 8

    Rios Velazquez E, Aerts HJ, Gu Y, et al. A semiautomatic CT-based ensemble segmentation of lung tumors: comparison with oncologists’ delineations and with the surgical specimen. Radiother Oncol. 2012; 105: 167–173.

  • 9

    Eckstein F, Wirth W, Nevitt MC, et al. Recent advances in osteoarthritis imaging – the Osteoarthritis Initiative. Nat Rev Rheumat. 2012; 8: 622–630.

  • 10

    Heimann T, Morrison BJ, Styner MA, et al. Segmentation of knee images: a grand challenge. In: Proceedings of MICCAI Workshop on Medical Image Analysis for the Clinic, Peking, 2010; pp. 207–214.

  • 11

    Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Boston, MA, 2015; pp. 1–9.

  • 12

    Ronneberger O, Fischer P, Brox T. U-net: Convolutional networks for biomedical image segmentation. In: Navab N, Hornegger J, Wells WM, et al. (eds.) Medical Image Computing and Computer-Assisted Intervention – MICCAI 2015. Part III. International Conference on Medical Image Computing and Computer-Assisted Intervention, Munich, 2015; pp. 234–241.

  • 13

    Ioffe S, Szegedy C. Batch normalization: accelerating deep network training by reducing internal covariate shift. In: Proceedings of the 32nd International Conference on Machine Learning. PMLR 2015; 37: 448–456 .

  • 14

    Dosovitskiy A, Springenberg JT, Riedmiller M, et al. Discriminative unsupervised feature learning with convolutional neural networks. In: Proceedings of the Advances in Neural Information Processing Systems Conference, Montréal, 2014; pp. 766–774.

  • 15

    Lin TY, Goyal P, Girshick R, et al. Focal loss for dense object detection. In: Proceedings of the IEEE International Conference on Computer Vision, Venice, 2017; pp. 2999–3007.

  • 16

    Xie S, Tu Z. “Holistically-nested edge detection”. In: Proceedings of IEEE International Conference on Computer Vision, Santiago de Chile, 2015; pp. 1395–1403.

All Time Past Year Past 30 Days
Abstract Views 0 0 0
Full Text Views 172 172 22
PDF Downloads 204 204 24