Szoldán Péter, Egyed Zsófia, Szabó Endre, Somogyi János, Hangody György, Hangody László
1 MedInnoScan Kutatás-fejlesztési Kft., Budapest.
2 Uzsoki Utcai Kórház, Budapest.
Orv Hetil. 2021 Feb 28;162(9):352-360. doi: 10.1556/650.2021.32034.
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.
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.
We aimed to develop and train an artificial intelligence capable of determining the cartilage morphology in a knee joint based on an MR image.
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.
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.
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.
概述：引言：使用超新鲜骨软骨同种异体移植对膝关节进行部分骨科重建需要基于医学成像进行精确规划；能够确定软骨组织形态的人工智能在这种规划中会有很大帮助。目的：我们旨在开发并训练一种基于磁共振成像（MR）图像来确定膝关节软骨形态的人工智能。方法：确定用于该项目的最合适MR序列并获取180张膝关节MR图像后，我们通过手动和半自动分割图像中软骨的轮廓为人工智能创建训练集。然后用这个数据集训练神经网络。结果：我们工作的结果是，人工智能能够在MR图像中确定软骨组织的形态，其精度足以用于手术规划，因此我们朝着机器辅助手术规划迈出了第一步。结论：所选技术——人工智能——似乎能够解决与软骨几何形状相关的任务，在关节治疗中创造广泛的应用机会。《匈牙利医学周报》。2021年；162(9):352 - 360。
使用骨软骨同种异体移植对膝关节进行部分骨科重建需要基于医学成像进行精确规划；能够确定软骨组织形态的人工智能在这种规划中会有很大帮助。
我们旨在开发并训练一种基于MR图像来确定膝关节软骨形态的人工智能。
确定用于该项目的最合适MR序列并获取180张膝关节MR图像后，我们通过手动和半自动分割图像中软骨的轮廓为人工智能创建训练集。然后用这个数据集训练神经网络。
我们工作的结果是，人工智能能够在MR图像中确定软骨组织的形态，其精度足以用于手术规划，因此我们朝着机器辅助手术规划迈出了第一步。
所选技术——人工智能——似乎能够解决与软骨几何形状相关的任务，在关节治疗中创造广泛的应用机会。《匈牙利医学周报》。2021年；162(9):352 - 360。
