Térdporc szegmentálása MR-felvételekből mesterséges intelligencia segítségével

Osszefoglalo. Bevezetes: A terdizuletnek ultrafriss osteochondralis allograft segitsegevel tortenő reszleges ortopediai rekonstrukcioja kepalkoto vizsgalatokon alapulo pontos tervezest igenyel, mely folyamatban a morfologia felismeresere kepes mesterseges intelligencia nagy segitseget jelenthet. Celkitűzes: Jelen kutatasunk celja a porc morfologiajanak MR-felvetelen tortenő felismeresere alkalmas mesterseges intelligencia kifejlesztese volt. Modszer: A feladatra legalkalmasabb MR-szekvencia meghatarozasa es 180 terd-MR-felvetel elkeszitese utan a mesterseges intelligencia tanitasahoz manualisan es felautomata szegmentalasi modszerrel bejelolt porckonturokkal treninghalmazt hoztunk letre. A mely convolutios neuralis halozaton alapulo mesterseges intelligenciat ezekkel az adatokkal tanitottuk be. Eredmenyek: Munkank eredmenye, hogy a mesterseges intelligencia kepes a meghatarozott szekvenciaju MR-felvetelen a porcnak a műteti tervezeshez szukseges pontossagu bejelolesere, mely az első lepes a gep altal vegzett műteti tervezes fele. Kovetkeztetes: A valasztott technologia - a mesterseges intelligencia - alkalmasnak tűnik a porc geometriajaval kapcsolatos feladatok megoldasara, ami szeles korű alkalmazasi lehetőseget teremt az izuleti terapiaban. Orv Hetil. 2021; 162(9): 352-360. SUMMARY INTRODUCTION 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. OBJECTIVE We aimed to develop and train an artificial intelligence capable of determining the cartilage morphology in a knee joint based on an MR image. METHOD 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. RESULTS 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. CONCLUSION 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.