基于人工智能的CT-MRI图像融合与分割技术在ACL重建术前自动规划中的应用：开发与实践

《JBJS Case Connector》：AI-Driven CT-MRI Image Fusion and Segmentation for Automatic Preoperative Planning of ACL Reconstruction: Development and Application

本研究开发了一种基于AI的自动预手术规划系统，结合CT-MRI图像融合与分割，优化ACL重建隧道定位，临床测试显示偏差小于1毫米，显著提升手术精度和术后功能。

　　```section>

摘要 通俗语言总结

---

背景：

本研究的目标是通过将深度学习与计算机断层扫描（CT）和磁共振成像（MRI）的图像融合与分割技术相结合，开发一种由人工智能（AI）驱动的自动化术前规划系统，用于前交叉韧带（ACL）重建，并评估其准确性。

方法：

对200名ACL完好的患者（年龄18至50岁，81.0%为男性，均为汉族）的膝关节CT和MRI扫描图像进行了手动标注。采用双UNet配准架构进行CT和MRI图像融合，该架构结合了多尺度信息融合技术，能够动态重建融合图像，以便识别ACL的插入位置并进行等长性评估。训练了一个深度学习框架来分析融合图像，以精确优化ACL隧道的定位，包括确定股骨隧道和胫骨隧道的入口和出口。自动化规划的标准包括：与理想位置的接近程度、对解剖足迹区域的覆盖情况以及等长长度变化小于2毫米。随后，在骨模型中通过比较实际钻制的股骨隧道和胫骨隧道长度以及隧道间的移植物长度与规划值，验证了AI系统的准确性。最后，在36名接受ACL重建手术的患者中测试了该技术的临床可行性，同时以36例传统手术作为对照组，比较了两组之间隧道位置的偏差情况。

结果：

CT-MRI图像融合能够生成具有高分割准确性的个性化3D模型（Dice系数=0.864）。AI规划每个案例所需时间为192±90.2秒。在骨模型验证中，股骨隧道和胫骨隧道长度以及隧道间移植物长度的实际值与规划值之间的平均偏差均小于1毫米（所有p>0.05）。在临床测试中，AI引导组的偏差显著小于传统组，在深度到浅部（D-S）、高到低部（H-L）、内侧到外侧（M-L）以及前到后部（A-P）方向上均如此（所有p<0.05）。

结论：

AI驱动的CT-MRI融合图像分割技术和自动术前ACL重建规划展示了自动、精确且可重复地生成近乎理想的隧道入口和出口位置的能力，这些位置具备等长性、解剖学特性和个性化特点。这项技术有望在ACL重建中发挥临床潜力，包括降低并发症和再次手术率，并提高术后功能。

通俗语言总结：研究人员开发了一种AI系统，通过结合深度学习与CT-MRI图像融合来改进ACL重建的术前规划。他们手动标注了200份膝关节扫描图像以训练AI，然后AI优化了ACL手术的隧道定位。在骨模型测试中，规划值与实际值之间的平均偏差小于1毫米。在临床测试中，AI引导组的偏差显著小于传统组，在多个方向上的评估中均如此。这项技术可以通过减少并发症和改善术后功能来提升ACL重建的效果，为个性化手术规划提供了一个有前景的工具。

```