數字圖像分割涉及將每個像素或體素標記為顯示相同屬性集的不同區域。當應用於醫學圖像時，這些分割可以支持手術規劃，促進患者賦權，通過增強或虛擬現實可視化來幫助學生進行教育，為三維(3D)打印提供輸入，並成為使用個人數據實現手術模擬器的初始步驟。此外，它還可以作為診斷性解釋的工具，允許在三個空間維度上進行精確的體積估計和組織定位。

膝關節損傷的診斷依賴於通過損傷曆史、成像和臨床檢查收集的信息的總結。然而，最具體的膝關節不穩定測試需要多次重複和訓練才能達到所需的技能，臨床世界中有許多例子表明，其中一些膝關節損傷是在原始膝關節事件發生數年後診斷出來的。最近的研究已經確定人工智能(AI)是一種預測韌帶手術和全膝關節置換術(TKA)過夜住院需求的工具。人工智能還為半月板損傷的新的先進治療做出了貢獻。骨科外科在上個世紀采用了關節鏡等新技術，取得了重大進展，機器學習具有另一種向最佳治療的突破性轉變的潛力。第一步是勾勒出正常的解剖結構，並探索這種工具揭示膝關節病理的潛力，以便盡早開始治療。

最常見的是，MR圖像的注釋涉及對灰度級圖像數據的手動標記。雖然已建立的半自動方法，如區域增長、強度閾值和邏輯運算符，有助於提高人工標注的效率，但它既耗時又費力。隨著人工智能和機器學習方法的進步，快速準確地自動分割醫學圖像成為可能。在放射學中，卷積神經網絡(CNN)算法已被證明是一種非常適合基於圖像的任務的技術，例如分割、目標檢測、分類和圖像生成等。

這項工作的主要目的是確定卷積神經網絡作為一種深度學習方法的性能，以自動分割用於可視化的人體膝關節肌肉骨骼解剖。最終目的將是使用這些模型來製作3D模型，用於術前計劃，並使用該模型來檢測病理。

方法：樣本選取成年受試者健康右膝40根。此外，一個最近受傷的單側左膝，以前已知的前交叉韌帶重建，也被包括在測試對象中。MR包括以下3D脈衝序列：T1 TSE、PD TSE、PD FS TSE和Angio GE。DenseVNet神經網絡被考慮用於這些實驗。使用深度學習算法訓練序列(I)T1、(Ii)T1和FS、(Iii)Pd和FS、(Iv)T1、Pd和FS以及(V)T1、Pd、FS和Angio的五個輸入組合。使用Dice相似係數(DSC)、Jaccard指數和Hausdorff指數來比較網絡的性能。

結果：組合所有序列的總體效果明顯好於其他備選方案。對於測試數據集，獲得了以下DSC(±標準差)：骨髓質0.997(±0.002)，前交叉韌帶0.973(±0.015)，前交叉韌帶0.964(±0.022)，肌肉0.998(±0.001)，軟骨0.966(±0.018)，骨皮質0.980(±0.010)，動脈0.943(±0.038)，側副韌帶0.919(±0.069)，肌腱0.982(±0.005)，半月板0.955(±0.032)，脂肪組織0.998(±0.018)，靜脈0.980支(±0.010)支，神經支0.921支(±0.071支)。深度學習網絡正確地識別了左膝的前十字韌帶(ACL)撕裂，從而預示著未來對骨科的幫助。

結論：將卷積神經網絡應用於3D MR序列，能夠準確地標記膝關節的所有解剖結構。我們已經證明，這種深度學習模型具有自動分割的能力，可以給出3D模型和發現病理。兩種方法對術前評估都很有用。