一个卷积神经网络用于高吞吐量选的股骨茎缩腐蚀

科学领域:

• 生物材料科学是生物材料的科学.
• 整形外科手术 整形外科手术
• 医学中的人工智能

背景情况:

• 部植入物的模块化头线接口的腐蚀或腐蚀是植入物失败的重要原因.
• 戈德伯格腐蚀评分方法是当前的标准,但耗时,限制了检索研究的范围.
• 机器学习 (ML),特别是卷积神经网络 (CNN),在医疗和腐蚀检测应用中实现图像识别任务的自动化方面具有前景.

研究的目的:

• 开发和验证CNN作为一种自动化工具,用于检测和分类复制的部植入式子中的腐蚀.
• 为了评估CNN在区分不同级别的小腿病的准确性,与既定方法相比.

主要方法:

• 一个CNN从头开始设计和训练,使用725个采集的模块化股骨干关节整形装置,在四个位置成像.
• 数据集包括3000多张图像,分为四个戈德伯格腐蚀类别.
• 美国有线电视新闻网的架构包括一个单一的卷积层,并利用RGB彩色进行图像输入.

主要成果:

• 在区分无/轻度腐蚀 (1-2类) 和中度/严重腐蚀 (3-4类) 方面,CNN实现了高准确度.
• 性能指标包括98.32%的准确性,0.9881对1-2类的敏感性,0.9556对3-4类的敏感性,以及0.9740.0的AUC.
• 该模型在识别中度至严重腐蚀方面表现出高可靠性.

结论:

• 开发的CNN可以作为一种有效的选工具,用于识别带有中度至严重腐蚀的取回部植入式子.
• 这种人工智能驱动的方法可以显著减少熟练观察员的工作量,并提高植入物检索研究的效率.
• 美国有线电视新闻网 (CNN) 提供了一种可靠的方法来确定植入物的优先级,需要进一步详细分析结结.