Um die oben genannten Herausforderungen anzugehen, hat unsere Studie ein umfangreiches Datensatz von gewichttragenden lateralen Fuß-Röntgenbildern gesammelt, für den derzeit kein öffentlich verfügbarer Datensatz existiert. Ein Satz von 1497 Bildern wurde retrospektiv aus der Fuß- und Knöcheldatenbank des Huashan-Krankenhauses (Shanghai, China) der letzten Dekade gesammelt, wobei die persönlichen Informationen anonymisiert und die ethische Überprüfung genehmigt wurde. Unter Verwendung von Deep-Learning-Techniken zur Bildsegmentierung haben wir diese Bilder durch Anpassung von Graustufen, Entfernung von Rauschen und Normalisierung der Bilder vorverarbeitet, um die Robustheit, Stabilität und Genauigkeit des Modells zu erhöhen. Anschließend haben wir ein tiefes neuronales Netz trainiert, um eine präzise Segmentierung des ersten Mittelfußknochens (FM), Talus (TA), Calcaneus (CA), Navicular (NAVI) Knochen sowie der allgemeinen Fußgrenze durchzuführen. Dieser Ansatz ermöglichte eine automatisierte, standardisierte und chargenverarbeitbare Berechnung von FAM und PSTT, wodurch signifikante Zeit- und Kosteneffizienzen erzielt wurden.
Unsere Studie konzentriert sich auf die Analyse der Homogenität und Heterogenität innerhalb großer Datenmengen und verwendet datengesteuerte Methoden, um Muster der Ähnlichkeit und Unterschiedlichkeit zwischen Bevölkerungsgruppen zu identifizieren. Insbesondere haben wir die Korrelation zwischen FAM und PSTT bei verschiedenen demografischen Gruppen untersucht. Der Abschnitt “Methoden” beschreibt die Methodik, einschließlich der Datengewinnung, Zusammenstellung und Vorverarbeitung des Datensatzes, Entwicklung von Deep-Learning-Bildsegmentierungsmodellen und Bewertungsmetriken für FAM und PSTT. Der Abschnitt “Ergebnisse” stellt die Ergebnisse vor, erläutert die Leistung der Segmentierungsmodelle, die Datenergebnisse für FAM und PSTT und die Korrelationsanalysen zwischen verschiedenen demografischen Gruppen. Der Abschnitt “Diskussion” diskutiert die Methoden, Ergebnisse und Hypothesen, endet mit einer Zusammenfassung und einem Ausblick auf die zünftige Forschung. Der Gesamtablauf der Studie ist in Abbildung 1 dargestellt.
Für die Bilderkennung und -segmentierung mittels Deep-Learning ist ein umfangreicher Datensatz erforderlich. Aufgrund der Nichtverfügbarkeit öffentlicher Röntgenbild-Datensätze haben wir eine retrospektive Datensammlung durchgeführt, um effiziente und kostengünstige Forschung zu ermöglichen. Wir haben 1497 gewichttragende laterale Vollfuß-Röntgenbilder aus der Fuß- und Knöchelbildgebung des Huashan-Krankenhauses gesammelt, die von 2013 bis 2022 stammen und 1098 Patienten umfassen. Die Daten, im DICOM-Dateiformat gespeichert, enthalten demografische Details wie Geschlecht, Alter und Aufnahmezeitpunkte. Alle Datenproben wurden während der Verarbeitung und nachfolgenden Forschungsphasen anonymisiert, um die Privatsphäre zu gewährleisten. Zusätzlich haben wir Proben von Personen unter 14 Jahren, um den Entwicklungsstand ihrer Skelette zu berücksichtigen, ausgeschlossen. Der Sammlungsprozess beinhaltete auch eine manuelle Überprüfung durch Fuß- und Knöchelchirurgen, um Bilder von Patienten mit skelettalen oder Weichteil-Fußdefekten, einer Vorgeschichte von Fußulzera, neurologischen Gelenkerkrankungen, postoperativen Fußbedingungen und Personen, die nicht selbstständig gehen können, auszuschließen.