本文介绍了一项关于使用深度学习技术辅助MRI诊断髋关节盂唇损伤的研究。该研究由Ming Ni、Xiaoyi Wen、Wen Chen、Yuqing Zhao、Yuan Yuan、Piaoe Zeng、Qizheng Wang、Yong Wang和Huishu Yuan等作者共同完成，研究团队主要来自北京大学第三医院放射科和中国人民大学统计与大数据研究院。该研究于2022年发表在《Journal of Magnetic Resonance Imaging》期刊上。
髋关节盂唇是髋关节中的一个重要纤维软骨结构，其主要功能是增加关节接触面积和髋臼容积，维持关节稳定性。盂唇损伤会导致髋关节软骨磨损率增加40%，并可能引发早期骨关节病。目前，髋关节盂唇损伤主要通过髋关节镜手术进行治疗，但由于髋关节的复杂性和深度，手术难度较大。因此，术前准确评估盂唇损伤至关重要。MRI是诊断盂唇损伤的常用方法，但其诊断过程耗时且存在误诊风险。近年来，随着计算机技术和大数据的发展，人工智能在医学影像诊断中展现出巨大潜力。深度学习（deep learning）作为机器学习的一种形式，能够通过大量简单且相互连接的单元模拟人脑的工作方式，广泛应用于图像识别、语音识别和自然语言处理等领域。然而，深度学习在肌肉骨骼运动损伤疾病中的应用仍处于起步阶段。本研究旨在探索深度学习在MRI图像中诊断和分类髋关节盂唇损伤的可行性，开发一种自动化的诊断系统。
本研究为回顾性研究，共纳入1016名患者，分为正常组（168例）和异常组（848例）。异常组进一步分为退化组（111例）、部分或完全撕裂组（437例）和未分类损伤组（300例）。患者按55%:15%:30%的比例随机分为训练集、验证集和测试集。研究使用了3.0 T MRI系统，采用脂肪抑制质子密度加权快速自旋回波序列（fat-saturation proton density-weighted fast spin-echo sequence）进行扫描。
研究流程包括六个步骤：提取、判别、检测、分割、诊断和分类，以及模型组合。具体步骤如下： 1. 数据预处理：对1016名患者的240,000张DICOM图像进行归一化处理，并将图像大小调整为256×256像素。通过图像增强技术（如图像旋转）解决组间不平衡问题。 2. 提取、判别和检测：使用CNN-6模型从所有MRI序列中提取斜冠状面（ocor）和斜矢状面（osag）图像，并判别和检测包含髋关节盂唇的图像。 3. 盂唇分割：使用LabelImg软件手动勾画盂唇的感兴趣区域（ROI），并将其输入Mask R-CNN模型进行分割训练。 4. 诊断和分类：使用LeNet-5模型对盂唇损伤进行诊断和分类。LeNet-5模型由两个卷积层、两个池化层和一个全连接层组成，能够学习输入和输出之间的映射关系。 5. 模型组合：通过加权方法将ocor和osag图像的诊断结果进行组合，形成最终的诊断和分类系统。
研究结果显示，CNN-6模型在图像提取、判别和检测中的AUC（曲线下面积）均为0.99。Mask R-CNN模型在ocor和osag图像分割中的平均精度（mAP）分别为0.96和0.99。LeNet-5模型在ocor图像上的诊断和分类准确率分别为0.94和0.94，在osag图像上的准确率分别为0.92和0.91。加权组合模型在诊断和分类中的准确率分别为0.94和0.97。相比之下，放射科医生的诊断准确率在0.85至0.92之间，分类准确率在0.78至0.94之间。深度学习模型的诊断时间显著短于放射科医生，平均每例患者的诊断时间为0.51秒。
本研究表明，深度学习可以辅助放射科医生在MRI图像上诊断和分类髋关节盂唇损伤。研究开发的六步自动化系统能够高效、准确地完成诊断任务，其分类准确率高于放射科医生，表明该系统有潜力成为盂唇损伤的辅助筛查工具。深度学习模型不仅减少了诊断时间，还降低了由于放射科医生疲劳或经验不足导致的误诊风险。
总体而言，本研究为深度学习在医学影像诊断中的应用提供了新的思路和方法，具有重要的科学价值和临床应用前景。