DOI: https://doi.org/10.1038/s44401-026-00072-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42527501
تاريخ النشر: 2026-02-16
المؤلف: Maimouna Sanogo وآخرون
الموضوع الرئيسي: تقنيات تقسيم الصور الطبية
نظرة عامة
تتناول هذه الفقرة تطوير KneeXNet-2.5D، وهو إطار عمل جديد للتعلم العميق مصمم للتجزئة الدقيقة والفعالة لغضروف الركبة والقرص الهلالي في التصوير بالرنين المغناطيسي السهمي (MRI). يتناول هذا الإطار قيود طرق التجزئة التقليدية ثلاثية الأبعاد من خلال استخدام بنية 2.5D التي تلتقط السياق المكاني بين الشرائح، مما يحقق دقة عالية في التجزئة مع تحسين الكفاءة الحاسوبية. كما تتضمن الدراسة تقنيات تعزيز الصورة المستهدفة، مثل حقن الضوضاء الاصطناعية، لتعزيز قوة النموذج ضد التباين في التصوير الطبي.
لتسهيل البحث العلمي المفتوح وإمكانية إعادة الإنتاج، أنشأ المؤلفون مجموعة بيانات MRI للركبة مقسمة يدويًا كمعيار ذهبي، متاحة للجمهور مع إرشادات التوضيح، الشيفرة المصدرية، نماذج الذكاء الاصطناعي المدربة، وتطبيق برمجي خفيف الوزن. تم تنفيذ استراتيجية تفسير الذكاء الاصطناعي المعتمدة على الانتروبيا لتحديد المناطق ذات عدم اليقين العالي التي تؤثر بشكل كبير على توقعات النموذج، مما يحسن الشفافية وقابلية التفسير. تم التحقق من الصلة السريرية وصلاحية النموذج التشريحية من خلال مراجعات الخبراء من جراحي العظام المعتمدين، مما يؤكد جاهزيته للتكامل في سير العمل التصويري للهيكل العظمي. تسلط هذه الدراسة الضوء على أهمية تقييم غضروف الركبة بدقة للتشخيص المبكر ومراقبة التهاب المفاصل، وهو حالة شائعة ومرهقة تؤثر على الملايين في جميع أنحاء العالم.
مقدمة
في هذه الدراسة، قام جراحيان معتمدان بتقييم قابلية تفسير نموذج ذكاء اصطناعي مصمم لتحليل اضطرابات الركبة. قاموا بمراجعة مجموعة عشوائية من 15 صورة MRI، وتقييم مخرجات التجزئة للنموذج وخرائط الانتروبيا المطبقة على الشرائح السهمية. ركز التقييم على معيارين رئيسيين: الدقة التشريحية للتجزئة المتوقعة للغضروف والقرص الهلالي، وتوافق المناطق ذات الانتروبيا العالية مع الهياكل السريرية المهمة أو الغامضة.
أكد الجراحون أن تجزئة النموذج كانت متسقة تشريحيًا مع المعايير السريرية، مشيرين إلى أن المناطق ذات عدم اليقين العالي غالبًا ما تتوافق مع المناطق التي قد تختلف فيها التفسيرات السريرية. تؤكد هذه المصادقة على الصلة السريرية للنموذج وقابلية تفسيره، مما يشير إلى إمكانية استخدامه في التطبيقات الجراحية الواقعية.
طرق
في هذه الدراسة، يقدم المؤلفون KneeXNet-2.5D، وهو إطار عمل مبتكر للتعلم العميق القابل للتفسير مصمم للتجزئة الدقيقة والفعالة لغضروف الركبة والقرص الهلالي في صور MRI السهمية. يدمج هذا الإطار بشكل فريد الوعي السياقي المكاني المميز للنماذج ثلاثية الأبعاد مع الكفاءة الحاسوبية وقابلية التوسع للهياكل ثنائية الأبعاد، محققًا تصميم 2.5D.
تشمل المنهجية خط أنابيب شامل يتضمن إعداد مجموعة البيانات، معالجة البيانات المسبقة، تحديد منطقة مفصل الركبة، التجزئة، ودمج قابلية تفسير الذكاء الاصطناعي. يتم تمثيل العملية العامة بصريًا في الشكل 1، مما يبرز النهج المنهجي المتبع لتعزيز كل من دقة وشفافية نتائج التجزئة.
نتائج
في هذا القسم، يقدم المؤلفون تقييمًا شاملاً لإطار عمل KneeXNet-2.5D، مع التركيز على مقاييس الأداء الرئيسية مثل دقة تحديد منطقة مفصل الركبة، فعالية التجزئة، وعمليات تدريب وتحقق الذكاء الاصطناعي. يتم تقييم قوة الإطار تحت إعدادات تعزيز مختلفة، ويتم فحص قابليته للتفسير من خلال تحليل عدم اليقين المعتمد على الانتروبيا. بالإضافة إلى ذلك، يتم تقييم الكفاءة الحاسوبية للنموذج 2.5D مقارنة بطرق التجزئة التقليدية ثلاثية الأبعاد، ويتم إجراء مقارنات مع تقنيات رائدة أخرى في هذا المجال.
استخدم الإعداد الحاسوبي للتجارب ثلاثة وحدات معالجة رسومات NVIDIA Quadro RTX 8000، كل منها مزود بـ 48 جيجابايت من الذاكرة و4,608 نواة CUDA، إلى جانب وحدتي معالجة مركزية ثنائية 20 نواة وإجمالي 376 جيجابايت من ذاكرة النظام، مما يسهل عمليات حسابية معززة بواسطة GPU بكفاءة. تم إجراء التطوير والتجارب باستخدام Python (3.10.12) ودمج مكتبات مثل PyTorch (2.6.0) للتعلم العميق، NumPy (1.26.4) للمهام العددية، وStreamlit لواجهة المستخدم التفاعلية. يعزز تصميم هذا الإطار إمكانية إعادة الإنتاج العالية، والتجزئة، وسهولة النشر في بيئات حاسوبية متنوعة. كما تم تلخيص ملاحظات التحقق من الخبراء والنتائج النوعية من التطبيق البرمجي، مما يبرز إمكانيته في التكامل في سير العمل التصويري للهيكل العظمي السريري.
مناقشة
يقدم قسم المناقشة في ورقة البحث تطوير وتقييم KneeXNet-2.5D، وهو إطار عمل للتعلم العميق مصمم للتجزئة الدقيقة لغضروف الركبة والقرص الهلالي في صور MRI السهمية. حقق النموذج متوسط دقة متوسطة (mAP) قدرها 0.9949 لمهام التحديد وأظهر دقة عالية في التجزئة، مع متوسط تقاطع على اتحاد (IoU) قدره 0.8108 ومعامل تشابه دايس (DSC) قدره 0.8779. تشير هذه النتائج إلى فعالية النموذج في تحديد الهياكل التشريحية بدقة عالية مع الحفاظ على معدلات كشف خاطئة منخفضة. تؤكد الدراسة على التطبيقات السريرية المحتملة للنموذج، بما في ذلك مراقبة تقدم التهاب المفاصل الركبي (OA) وتحسين كفاءة التقييمات الإشعاعية، مما يقلل الوقت المطلوب للتجزئة اليدوية من حوالي 30-60 دقيقة إلى ثوانٍ معدودة.
تم تصميم KneeXNet-2.5D ليكون قويًا وقابلًا للتفسير، مع دمج استراتيجية تعزيز الصورة المستهدفة لتعزيز القابلية للتعميم عبر ظروف MRI المتنوعة. تم التحقق من أداء النموذج من خلال تقييمات الخبراء، مما يؤكد أن المناطق ذات عدم اليقين العالي تتوافق مع المناطق السريرية الغامضة. يسمح تصميم الإطار الخفيف بالنشر في البيئات ذات الموارد المحدودة، مما يجعله مناسبًا للاستخدام السريري على نطاق واسع. ستركز الأعمال المستقبلية على التحقق الخارجي باستخدام مجموعات بيانات متنوعة، ودمج طرق تفسير إضافية، والتوسع في قدرات التجزئة متعددة المفاصل. بشكل عام، تسلط الدراسة الضوء على الآثار الكبيرة لأنظمة التجزئة الآلية في تحسين كفاءة الرعاية الصحية ودعم التدخلات في الوقت المناسب في رعاية العظام.
DOI: https://doi.org/10.1038/s44401-026-00072-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42527501
Publication Date: 2026-02-16
Author(s): Maimouna Sanogo et al.
Primary Topic: Medical Image Segmentation Techniques
Overview
The section outlines the development of KneeXNet-2.5D, a novel deep learning framework designed for the accurate and efficient segmentation of knee cartilage and meniscus in sagittal magnetic resonance imaging (MRI). This framework addresses the limitations of traditional 3D segmentation methods by utilizing a 2.5D architecture that captures inter-slice spatial context, thereby achieving high segmentation accuracy while optimizing computational efficiency. The study also incorporates targeted image augmentation techniques, such as synthetic noise injection, to enhance the model’s robustness against variability in medical imaging.
To facilitate open scientific research and reproducibility, the authors created a gold-standard, manually segmented knee MRI dataset, which is publicly available along with annotation guidelines, source code, trained AI models, and a lightweight software application. An entropy-based AI explainability strategy was implemented to identify high-uncertainty regions that significantly influence model predictions, thereby improving transparency and interpretability. The clinical relevance and anatomical validity of the model were validated through expert reviews by board-certified orthopedic surgeons, confirming its readiness for integration into musculoskeletal imaging workflows. This research highlights the importance of accurate knee cartilage evaluation for the early diagnosis and monitoring of osteoarthritis, a prevalent and burdensome condition affecting millions globally.
Introduction
In this study, two board-certified orthopedic surgeons evaluated the explainability of an AI model designed for analyzing knee disorders. They reviewed a random subset of 15 MRI scans, assessing the model’s segmentation outputs and entropy maps overlaid on sagittal slices. The evaluation focused on two primary criteria: the anatomical accuracy of the predicted segmentation of cartilage and meniscus, and the alignment of high-entropy regions with clinically significant or ambiguous structures.
The surgeons confirmed that the model’s segmentation was anatomically consistent with clinical standards, noting that areas of high uncertainty often corresponded to regions where clinical interpretations may differ. This validation underscores the model’s clinical relevance and interpretability, suggesting its potential utility in real-world orthopedic applications.
Methods
In this study, the authors present KneeXNet-2.5D, an innovative explainable deep learning framework designed for the precise and efficient segmentation of knee cartilage and meniscus in sagittal MRI scans. This framework uniquely integrates the spatial contextual awareness characteristic of 3D models with the computational efficiency and scalability of 2D architectures, achieving a 2.5D design.
The methodology encompasses a comprehensive pipeline that includes dataset preparation, data pre-processing, localization of the knee joint area, segmentation, and the incorporation of AI explainability. The overall process is visually represented in Figure 1, highlighting the systematic approach taken to enhance both the accuracy and interpretability of the segmentation results.
Results
In this section, the authors present a thorough evaluation of the KneeXNet-2.5D framework, focusing on key performance metrics such as knee joint area localization accuracy, segmentation efficacy, and AI training and validation processes. The framework’s robustness is assessed under various augmentation settings, and its explainability is examined through entropy-based uncertainty analysis. Additionally, the computational efficiency of the 2.5D model is benchmarked against traditional 3D segmentation methods, and comparisons are made with other leading techniques in the field.
The computational setup for the experiments utilized three NVIDIA Quadro RTX 8000 GPUs, each equipped with 48 GB of memory and 4,608 CUDA cores, alongside dual 20-core CPUs and a total of 376 GB of system memory, facilitating efficient GPU-accelerated computations. The development and experimentation were conducted using Python (3.10.12) and incorporated libraries such as PyTorch (2.6.0) for deep learning, NumPy (1.26.4) for numerical tasks, and Streamlit for the interactive user interface. This framework design promotes high reproducibility, modularity, and ease of deployment in various computational environments. Expert validation feedback and qualitative results from the software application are also summarized, highlighting its potential integration into clinical musculoskeletal imaging workflows.
Discussion
The discussion section of the research paper presents the development and evaluation of KneeXNet-2.5D, a deep learning framework designed for the accurate segmentation of knee cartilage and meniscus in sagittal MRI scans. The model achieved a mean Average Precision (mAP) of 0.9949 for localization tasks and demonstrated high segmentation accuracy, with an average Intersection over Union (IoU) of 0.8108 and a Dice Similarity Coefficient (DSC) of 0.8779. These results indicate the model’s effectiveness in identifying anatomical structures with high precision while maintaining low false detection rates. The study emphasizes the model’s potential clinical applications, including monitoring knee osteoarthritis (OA) progression and improving the efficiency of radiological assessments, thereby reducing the time required for manual segmentation from approximately 30-60 minutes to mere seconds.
KneeXNet-2.5D was designed to be robust and explainable, incorporating a targeted image augmentation strategy to enhance generalizability across varying MRI conditions. The model’s performance was validated through expert evaluations, confirming that regions of high uncertainty corresponded with clinically ambiguous areas. The framework’s lightweight architecture allows for deployment in resource-limited settings, making it suitable for widespread clinical use. Future work will focus on external validation with diverse datasets, integration of additional explainability methods, and expansion to multi-joint segmentation capabilities. Overall, the study highlights the significant implications of automated segmentation systems for improving healthcare efficiency and supporting timely interventions in orthopedic care.