基于深度学习的CT自动分割与无线电磁导航在全膝关节置换术中的临床验证研究

《Journal of Orthopaedic Surgery and Research》：Deep learning-based automated knee joint segmentation integrated with wireless electromagnetic navigation for total knee arthroplasty: development and clinical validation

　　

摘要

背景

全膝关节置换术（TKA）需要精确的术前规划和术中导航指导，以实现最佳的假体对位和功能效果。对计算机断层扫描（CT）图像进行手动分割耗时费力且存在观察者间变异，限制了计算机辅助骨科手术（CAOS）的可扩展性。本研究旨在开发并临床验证一种与无线电磁导航平台相结合的基于深度学习的自动CT分割系统。

方法

本研究开发了一种结合卷积神经网络和基于Transformer的注意力机制的混合深度学习模型，用于从CT图像中自动分割股骨、胫骨、髌骨和腓骨。数据集包含568例下肢CT扫描（骨关节炎：n = 248；正常：n = 98；假体周围骨折：n = 222）。分割系统被整合到无线电磁导航平台中，并在42例接受TKA的患者中进行了前瞻性评估（导航组：n = 22；常规组：n = 20）。评估结局包括分割精度（Dice相似度系数）、处理时间、骨截骨精度、假体尺寸匹配以及术后对位情况。

结果

该模型达到了平均Dice系数：股骨为0.984 ± 0.008，胫骨为0.981 ± 0.011，髌骨为0.972 ± 0.015，腓骨为0.976 ± 0.012。平均每例处理时间为54.3 ± 6.2秒。临床方面，导航组显示出显著改善的骨截骨精度（股骨远端内侧：0.38 ± 0.21 mm vs. 0.82 ± 0.47 mm；p < 0.01），通过平均绝对HKA偏角评估的术后对位精度在导航组中也优于常规组（0.64 ± 0.35° vs. 1.28 ± 0.54°，p < 0.01）。导航组中股骨和胫骨假体的尺寸匹配准确率均达到100%。

结论

所提出的工作流程表现出较高的分割精度，并与骨截骨精度和术后对位的改善相关。这些结果支持将自动CT分割与无线电磁导航相结合用于TKA的早期临床可行性，并值得进一步开展多中心前瞻性验证。