一种用于手腕成像的ROI提取方法,应用于智能骨年龄评估系统

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 准确的骨年龄评估 (BAA) 对于监测青少年生长和发育至关重要.
• 目前的BAA方法由于不规则的形状和比例,难以精确地从手骨中提取参考骨.
• 不准确的参考骨鉴定导致BAA精度降低.

研究的目的:

• 为BAA提出一个优化的YOLO模型,用于在手腕X射线图像中精确地提取感兴趣区域 (ROI).
• 为了提高参考骨的检测准确度,特别是那些有不规则形状的骨头.
• 为了提高骨龄评估的整体准确性和效率.

主要方法:

• 开发了YOLO-DCFE,这是一个优化的YOLO模型,集成可变形卷积焦点 (Dc-focus),坐标注意力 (Ca) 模块,特征级扩展和高效交叉与联盟 (EIoU) 损失.
• 利用由专业医疗摄像机拍摄的10041张手腕X射线图像的数据集.
• 在检测速度和准确性方面评估了模型的性能.

主要成果:

• 对于所有ROI,YOLO-DCFE实现了99.8%的检测准确度,超过了其他模型.
• 该模型表现出卓越的检测速度,达到每秒16 (FPS).
• 拟议的方法有效地提取不规则的参考骨的特征,并减少误区.

结论:

• YOLO-DCFE显著提高了骨年龄评估的参考骨提取的准确性和效率.
• 优化的YOLO模型为在临床实践中增强BAA提供了一个有前途的解决方案.
• 这一进步有助于更可靠地监测青少年的成长和发育.