배경: 우리는 발달성 고관절 이형성증(DDH) 선별을 위한 표준 단면을 개발하기 위해, 2차원(2D) 초음파(US) 검사에서 5개의 랜드마크를 자동으로 탐지하는 심층학습 신경망 모델을 제안하고자 하였다. 방법: DDH 선별을 위해 2D US 동안 5개의 랜드마크를 탐지하는 전역(global) 및 국소(local) 네트워크 모델을 개발하였다. 2016년 1월부터 2021년 12월까지 3차 의료기관에서 DDH 선별을 목적으로 고관절 초음파를 시행받은 환자(N = 532)를 등록하였다. 모든 데이터셋은 랜드마크 탐지의 최종 평가를 위해 70:10:20 비율로 무작위로 훈련, 검증, 테스트 세트로 분할하였다. DDH 유도에 필요한 5개 랜드마크 탐지에 대한 이 모델의 성능은 제곱근평균오차(root mean square error, RMSE)와 다이스 유사계수(dice similarity coefficient)로 분석하였다. 결과: 전역 및 국소 네트워크를 사용하여 DDH를 진단하고 분류하기 위한 5개 랜드마크의 RMSE 값은 4.023 ± 3.723이었다. EfficientNetB2를 사용한 점(point) 결과는 1번째 점 1.69 ± 1.26, 2번째 점 3.34 ± 2.37, 3번째 점 2.54 ± 1.61, 4번째 점 5.92 ± 4.25, 5번째 점 6.61 ± 4.82였다. 결론: 우리의 심층학습 네트워크 모델은 초음파 영상을 이용하여 DDH에 필요한 5개 랜드마크를 탐지하는 데 가능함을 보였다. 임상 환경에서 심층학습 모델을 적용하면 DDH를 결정하는 주요 매개변수들이 유의하게 탐지될 것이다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.