使用切片对齐和多级特征聚合技术进行前交叉韧带损伤的诊断

《MEDICAL PHYSICS》：Anterior cruciate ligament injuries diagnosis using slice-aligning and multi-level feature aggregation

自动诊断前交叉韧带损伤的MRI分析框架研究，提出MLFANet-SA模型通过切片对齐和多层次特征聚合实现无标注区域检测，在MRNet和GDAPF数据集上分别达到98.1%和97.5%的AUC，显著优于传统方法且减少人工标注需求。

　　

摘要

背景

前交叉韧带（ACL）损伤在运动员中很常见，准确的诊断对于康复至关重要。磁共振成像（MRI）是首选的检测工具，但手动解读耗时较长，且经常受到切片噪声的影响。

目的

本研究提出了一种新颖的自动化框架——多层次特征聚合网络（MLFANet-SA），该框架通过排除无关切片并关注具有诊断意义的区域来检测MRI扫描中的ACL损伤，无需使用感兴趣区域（ROI）或分割标签。

方法

MLFANet-SA由两个模块组成：（1）切片对齐（SA）模块，使用局部上下文感知器（LCP）来识别边界切片并统一诊断区域；（2）多层次特征聚合（MLFA）模块，通过通道级Top-K池化和跨切片融合来捕捉病变的空间和跨切片模式。

结果

在MRNet数据集上，MLFANet-SA的AUC为0.981，敏感性为0.961，特异性为0.941，精确度为0.933，准确率为0.949，MCC为0.892。在私有的GDAPF数据集上，其AUC为0.975，敏感性为0.945，特异性为0.947，精确度为0.945，准确率为0.946，MCC为0.901。这些结果表明，与现有模型相比，MLFANet-SA在注释需求更少的情况下实现了更优越的诊断性能。

结论

MLFANet-SA结合了切片选择和特征聚合技术，提高了ACL损伤的定位和分类能力。我们的模型在公共和私有数据集中的表现均优于以往的方法。它能够在保持高准确性的同时减少手动标注的工作量，这表明其在放射科医生诊断ACL损伤方面具有巨大潜力。

利益冲突声明

作者声明没有利益冲突。