전장 하지 X-ray의 15개 기준점을 찾으면 정렬 각도를 자동으로 재현할 수 있을까?

자동 모델의 각도별 inter-observer ICC는 ≥0.98, 반복 측정 ICC는 1.00이었습니다.

학습 10,407장, 검증 500장, 시험 305장으로 구성한 단일 기관 연구입니다. 이 그림은 데이터 분리 구조를 보여줍니다. 세 기관 외부 검증은 후속 2024년 연구에서 따로 시행했습니다.
KSSTA (2023). DOI: 10.1007/s00167-022-07124-x · Original explanatory chart based on reported data
근거·원문 그림 이용조건

연구에서 묻는 질문

대상과 방법

고관절·무릎·발목 ROI를 분리한 뒤 15개 anatomical landmark를 검출해 mLDFA, MPTA, JLCA, HKAA를 계산했습니다. 전문의 기준값에 대한 inter-/intra-observer ICC, 평균 절대 오차와 이상치를 분석했습니다. 전장 하지 방사선 11,212장: 학습 10,407장, 검증 500장, 시험 305장. 중복 학습을 줄이기 위해 우측 하지 영상을 사용했습니다.

주요 결과

자동 모델의 각도별 inter-observer ICC는 ≥0.98, 반복 측정 ICC는 1.00이었습니다. JLCA를 제외한 각도의 평균 절대 오차는 0.52° 미만, 이상치 비율은 4.26% 미만이었습니다. 각도마다 정의와 오차가 달랐습니다. 수치의 재현성과 landmark 인식 실패를 함께 살펴야 합니다.

진료와 수술에서 읽을 지점

HTO·TKA 계획의 출발점인 mLDFA/MPTA/HKAA 측정을 표준화하는 기반입니다. 자동 측정은 촬영 표준화, 관절 내 변형 해석 및 수술자의 최종 계획을 대신하지 않습니다.

해석의 제한

후향적 단일 기관 내부 검증이며 외부 기관에서의 일반화 성능을 직접 평가하지 않았습니다. 우측 하지에 집중한 개발 자료, 영상 질과 촬영 회전의 영향을 고려해야 합니다. JLCA를 다른 각도와 묶어 모든 측정이 0.52° 미만이라고 설명하면 안 됩니다.

짧게 정리하면

어떤 진료 질문과 연결되나요?

Keywords · 주제어

Angle measurement
Deep learning
Hip knee ankle angle (HKAA)
Joint line convergence angle (JLCA)
Landmark recognition
Lower extremity
Mechanical lateral distal femoral angle (mLDFA)
Medial proximal tibial angle (MPTA)

Abstract · 원문 초록

Changwung Jo, Doohyun Hwang, Sunho Ko, Myung Ho Yang, Myung Chul Lee, Hyuk-Soo Han, Du Hyun Ro. Deep learning-based landmark recognition and angle measurement of full-leg plain radiographs can be adopted to assess lower extremity alignment. Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA. 2023;31(4):1388-1397. doi:10.1007/s00167-022-07124-x.

PURPOSE

Evaluating lower extremity alignment using full-leg plain radiographs is an essential step in diagnosis and treatment of patients with knee osteoarthritis. The study objective was to present a deep learning-based anatomical landmark recognition and angle measurement model, using full-leg radiographs, and validate its performance.

METHODS

A total of 11,212 full-leg plain radiographs were used to create the model. To train the data, 15 anatomical landmarks were marked by two orthopaedic surgeons. Mechanical lateral distal femoral angle (mLDFA), medial proximal tibial angle (MPTA), joint line convergence angle (JLCA), and hip-knee-ankle angle (HKAA) were then measured. For inter-observer reliability, the inter-observer intraclass correlation coefficient (ICC) was evaluated by comparing measurements from the model, surgeons, and students, to ground truth measurements annotated by an orthopaedic specialist with 14 years of experience. To evaluate test-retest reliability, all measurements were made twice by each measurer. Intra-observer ICCs were then derived. Performance evaluation metrics used in previous studies were also derived for direct comparison of the model's performance.

RESULTS

Inter-observer ICCs for all angles of the model were 0.98 or higher (p < 0.001). Intra-observer ICCs for all angles were 1.00, which was higher than that of the orthopaedic specialist (0.97-1.00). Measurements made by the model showed no significant systemic variation. Except for JLCA, angles were precisely measured with absolute error averages under 0.52 degrees and proportion of outliers under 4.26%.

CONCLUSIONS

The deep learning model is capable of evaluating lower extremity alignment with performance as accurate as an orthopaedic specialist with 14 years of experience.

LEVEL OF EVIDENCE

III, retrospective cohort study.

PubMed에서 초록 보기

원래 논문

Deep learning-based landmark recognition and angle measurement of full-leg plain radiographs can be adopted to assess lower extremity alignment

Jo C, Hwang D, Ko S, Yang MH, Lee MC, Han HS, Ro DH
KSSTA · 2023 · online 2022

DOI · 10.1007/s00167-022-07124-x PubMed 근거 자료

학술논문

연구 수치로 읽는 결과