道增强和转移学习卷积神经网络基于CT扫描,双X射线和X射线图像的骨质疏松症检测
R Dhanagopal1, R Menaka1, R Suresh Kumar1
1Centre for System Design, Chennai Institute of Technology, Chennai, Tamil Nadu, India.
Journal of healthcare engineering
|January 15, 2024
概括
一个新的框架,CBTCNNOD,通过CT扫描和X射线增强骨质疏松症的诊断. 这种人工智能驱动的方法提高了准确性,并减少了与现有方法相比的处理时间.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 骨健康诊断 诊断 骨健康诊断
背景情况:
- 骨质疏松症的特点是骨密度下降,原因是骨形成和再吸收之间的不平衡.
- 精确诊断骨质疏松症对于及时干预和管理至关重要.
- 目前的诊断方法依赖于医学成像,如CT扫描,双X射线和X射线,其有效性各不相同.
研究的目的:
- 开发一个新的框架,CBTCNNOD,用于统一的骨质疏松症诊断跨多种成像模式.
- 集成先进的模块,以提高诊断准确性和效率.
- 为产生清晰的骨质疏松症诊断报告提供一个强大的系统.
主要方法:
- 拟议的CBTCNNOD框架整合了三个功能模块:双线过器,灰色区域长度矩阵和卷积神经网络 (CB-CNN).
- 这种综合方法处理CT扫描,X射线和双X射线图像.
- 该系统旨在根据图像分析提供精确的诊断结果.
主要成果:
- 与现有技术 (RCETA,BMCOFA,BACBCT,XSFCV) 相比,CBTCNNOD在诊断性能方面表现出显著的改善.
- 精度增加了14.32%,精度增加了16.51%,灵敏度增加了12.78%,特异性增加了15.84%.
- 处理时间缩短了高达33.52%,表明效率提高.
结论:
- 该CBTCNNOD框架提供了一个有前途的,整合解决方案,用于骨质疏松症诊断跨不同的成像模式.
- 该系统的提高准确度,精度,灵敏度和特异性,加上减少处理时间,突出其临床潜力.
- 预计进一步实施和验证将巩固其在改善骨质疏松症检测方面的作用.
