自动和人类水平 图形类型识别用于检测部发育性发育不良
Yueh-Peng Chen1, Tzuo-Yau Fan2, Cheng-Cj Chu3
1Center for Artificial Intelligence in Medicine, Chang Gung Memorial Hospital at Linkou, Taoyuan, Taiwan; Master of Science Degree Program in Innovation for Smart Medicine, Chang Gung University, Taoyuan, Taiwan.
Biomedical journal
|June 12, 2023
概括
一个新的深度神经网络工具准确地识别了超声波图像上的关键部点,有助于早期诊断婴儿部发育性形 (DDH).
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 儿科整形外科 儿科整形外科
背景情况:
- 部发育性形 (DDH) 是一种常见的先天性疾病,需要及时诊断和干预.
- 目前对DDH的超声波查受限于经验丰富的操作人员的可用性.
研究的目的:
- 开发和评估用于自动化部超声波分析的深度神经网络 (DNN) 工具.
- 帮助客观测量部角,用于DDH分类.
主要方法:
- 开发了一个DNN,可以在2D部超声图像上自动识别五个关键解剖点.
- 该模型根据Graf的指导方针记录了关键点并计算了alpha和beta角度.
- 该DNN在921名新生儿 (0-6个月) 的2406张图像上进行了训练和验证.
主要成果:
- DNN实现了精确的关键点定位,平均绝对误差约为1mm.
- 阿尔法角度测量显示高相关性 (R=0.89) 与地面真相.
- 该模型在分类异常 (AUC=0.937) 和形 (AUC=0.974) 部方面表现出高准确度.
结论:
- 开发的DNN工具在分析部超声波图像方面表现出高精度和准确性.
- 这种由人工智能驱动的工具可以显著帮助临床医生有效地诊断DDH.
- 自动化分析提供了一个有前途的解决方案,以克服专家操作员可用于DDH查的可用性的局限性.
