Contexto: A displasia do desenvolvimento do quadril (DDH), se não tratada, pode levar à osteoartrite e incapacidade. O ultrassom (US) é um método primário de triagem para a detecção da DDH, mas sua interpretação continua altamente dependente do operador. Propomos um modelo de segmentação de imagem de aprendizado de máquina (ML) supervisionado para o reconhecimento automatizado de estruturas anatômicas em imagens de US do quadril. Métodos: Um conjunto de dados de 10.767 imagens de 311 pacientes foi anotado para oito estruturas-chave de acordo com o método Graf e dividido em conjuntos de treino (75,0%), validação (9,5%) e teste (15,5%). O desempenho do modelo foi avaliado usando a Interseção sobre a União (IoU) e o Coeficiente de Similaridade de Dice (DSC). Resultados: O modelo de melhor desempenho foi baseado na arquitetura SegNeXt com uma coluna MSCANL. O modelo alcançou alta precisão de segmentação (IoU; DSC) para a borda condrogossa (0,632; 0,774), cabeça femoral (0,916; 0,956), lábrum (0,625; 0,769), cartilaginosa (0,672; 0,804) e teto ósseo (0,725; 0,841). A distância euclidiana média para marcos baseados em pontos (borda óssea e membro inferior) foi de 4,8 e 4,5 pixels, respectivamente, e o ângulo de deflexão da linha de base foi de 1,7 graus. Conclusões: Esta abordagem baseada em ML demonstra uma precisão promissora e pode aumentar a confiabilidade e acessibilidade da triagem de DDH baseada em US. Aplicações futuras podem integrar medição de ângulo em tempo real e classificação automatizada para apoiar a tomada de decisão clínica.
Pulik et al. (Mon,) estudaram esta questão.