Patellar dislocation is a disorder in the human knee where patella slips out of its expected position. The orthopedic experts need to manually measure the parameters indicating patellar instability from knee scans, which is a laborious and time-consuming task. An automated method for measuring these parameters can resolve the issue of inter-observer and intra-observer variations and significantly lessen the burden of the experts. Therefore, in this work, a two-step approach has been proposed for the automated measurement of the sulcus angle from knee magnetic resonance (MR) images to assist the experts in the diagnosis of patellar dislocation. Firstly, a variant of U-Net architecture has been proposed harnessing the capabilities of the residual network to segment the region of interest (ROI) from the axial knee MR images. Secondly, the contour of ROI is used for the detection of key points required to compute sulcus angle. A T2-weighted knee magnetic resonance imaging dataset of 50 patients obtained from Post Graduate Institute of Medical Education & Research, Chandigarh, has been used. Out of 50 patients, the randomly selected knee MR images of 25 patients have been used to train the segmentation model. The intersection over union and dice similarity coefficient values of 94.71% and 97.28%, respectively, were achieved for the proposed segmentation model. The automated measurement of the sulcus angle resulted in a mean error of 2.52 ± 1.52° when tested on another set of axial knee MR images of 25 patients. The proposed framework produced results comparable to the manual expert measurements.

中文翻译：

---

膝关节轴向磁共振图像上沟角的自动测量

髌骨脱位是人类膝盖的一种疾病，髌骨滑出其预期位置。骨科专家需要手动测量膝关节扫描中指示髌骨不稳定的参数，这是一项费力且耗时的任务。测量这些参数的自动化方法可以解决观察者间和观察者内变化的问题，并显着减轻专家的负担。因此，在这项工作中，提出了一种两步法，用于从膝关节磁共振 (MR) 图像中自动测量沟角，以帮助专家诊断髌骨脱位。首先，已经提出了一种 U-Net 架构的变体，它利用残差网络的能力从轴向膝关节 MR 图像中分割感兴趣区域 (ROI)。其次，ROI的轮廓用于检测计算沟角所需的关键点。使用了从昌迪加尔医学教育与研究研究生院获得的 50 名患者的 T2 加权膝关节磁共振成像数据集。在 50 名患者中，随机选择的 25 名患者的膝关节 MR 图像已用于训练分割模型。所提出的分割模型的联合和骰子相似度系数值分别为 94.71% 和 97.28%。在另一组 25 名患者的膝关节轴向 MR 图像上进行测试时，沟角的自动测量导致平均误差为 2.52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。使用了从昌迪加尔医学教育与研究研究生院获得的 50 名患者的 T2 加权膝关节磁共振成像数据集。在 50 名患者中，随机选择的 25 名患者的膝关节 MR 图像已用于训练分割模型。所提出的分割模型的联合和骰子相似度系数值分别为 94.71% 和 97.28%。在另一组 25 名患者的膝关节轴向 MR 图像上进行测试时，沟角的自动测量导致平均误差为 2.52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。使用了从昌迪加尔医学教育与研究研究生院获得的 50 名患者的 T2 加权膝关节磁共振成像数据集。在 50 名患者中，随机选择的 25 名患者的膝关节 MR 图像已用于训练分割模型。所提出的分割模型的联合和骰子相似度系数值分别为 94.71% 和 97.28%。在另一组 25 名患者的膝关节轴向 MR 图像上进行测试时，沟角的自动测量导致平均误差为 2.52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。在 50 名患者中，随机选择的 25 名患者的膝关节 MR 图像已用于训练分割模型。所提出的分割模型的联合和骰子相似度系数值分别为 94.71% 和 97.28%。在另一组 25 名患者的膝关节轴向 MR 图像上进行测试时，沟角的自动测量导致平均误差为 2.52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。在 50 名患者中，随机选择的 25 名患者的膝关节 MR 图像已用于训练分割模型。所提出的分割模型的联合和骰子相似度系数值分别为 94.71% 和 97.28%。在另一组 25 名患者的膝关节轴向 MR 图像上进行测试时，沟角的自动测量导致平均误差为 2.52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。在另一组 25 名患者的轴向膝关节 MR 图像上测试时为 52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。在另一组 25 名患者的轴向膝关节 MR 图像上测试时为 52 ± 1.52°。建议的框架产生的结果可与人工专家测量相媲美。