基于影像组学分析的椎弓根螺钉钉道超声智能评估

目的基于影像组学分析提出一种针对椎弓根螺钉钉道超声图像的分类方法,以对钉道完整性进行评估。方法利用4例新鲜尸体的胸腰椎标本预建立50个钉道并获取钉道超声图像,选取2000张图像(钉道完整与破损的样本各1000个),采用五折交叉验证的方法将数据集按照4∶1的比例进行随机划分,形成训练集和测试集(分别包含1600个和400个样本)。首先利用大津阈值法找到感兴趣区的最佳半径,然后用pyradiomics提取组学特征,再采用主成分分析算法和最小绝对收缩和选择算子算法分别进行降维和特征筛选,最后分别使用支持向量机(SVM)、logistic回归、随机森林3种机器学习模型和视觉几何组网络(VGG)、残差网络(ResNet)、转换器模型(Transformer)3种深度学习模型对超声图像进行分类。采用准确度对各模型的分类性能进行评估。结果在感兴趣区半径为230像素时,SVM模型的分类准确度最高,为96.25%;而VGG模型的准确度只有51.29%,logistic回归、随机森林、ResNet、Transformer模型的准确度分别为85.50%、80.75%、80.17%、75.18%。结论在对椎弓根螺钉钉道超声图像的分类方面,机器学习模型整体上相较于深度学习模型表现更好,其中SVM模型的分类性能最佳,可用于辅助医师诊断。