深度学习模型显示,在马的X射线图中检测和分类芝麻炎具有前途
Li Guo1, Xinhui Yu1, Anas Thair1
1Department of Electrical and Computer Engineering, University of British Columbia, British Columbia, Canada.
American journal of veterinary research
|October 18, 2023
概括
这项研究开发了一种机器学习模型,用于从X射线图中检测和分类马类芝麻炎. 人工智能实现了92.7%的准确性,改善了对马群中常见的的诊断.
科学领域:
- 兽医辐射学 兽医辐射学
- 机器学习在兽医诊断中的应用
- 马的骨科成像成像技术 马的骨科成像
背景情况:
- 芝麻炎是马匹的常见原因,影响运动表现.
- 精确诊断芝麻炎的严重程度对于有效的治疗和预后至关重要.
- 对芝麻炎的放射性解释可能具有挑战性,特别是在数据有限的场景中.
研究的目的:
- 开发和验证一种强大的机器学习 (ML) 方法来检测和分类马类X射线图中的芝麻炎.
- 解决诊断芝麻炎的挑战,特别是在数据有限的条件下.
- 创建一个高效的工具,用于解释手腕关节 (fetlock) 关节的X射线图.
主要方法:
- 追溯分析了255张马类放射图 (DLPMO和DMPLO的观点).
- 使用两个带有自我注意模块的RetinaNet架构开发一个级联深度学习模型.
- 第一个模型局部化了芝麻状骨;第二个调整了芝麻状炎的严重程度.
主要成果:
- 拟议的ML模型实现了92.7%的分类精度和81.8%的平均平均精度 (mAP).
- 在所有严重程度类别 (正常,轻度,中度) 中观察到性能指标的显著改善.
- 与基本的RetinaNet模型相比,该模型展示了优越的对象检测和分类能力.
结论:
- 深度学习模型准确地定位芝麻状骨,并在马类X射线图上对芝麻状骨炎的严重程度进行分级,并使用信心得分.
- 这种人工智能工具显示出临床部署的潜力,以增强对马胎放射图的诊断解释.
- 未来培训数据集的扩展可能使该模型能够帮助诊断其他马类骨病理.
