基于深度学习的骨质软骨炎在超声波图像中进行剖析检测,以部大骨头本部定位

科学领域:

• 整形外科和体育医学
• 医疗成像医学成像
• 医疗保健中的人工智能

背景情况:

• 骨头骨髓骨质炎 (OCD) 是肘部功能障碍的普遍原因,特别是在年轻运动员中.
• 早期诊断和干预对于成功的保守管理和强迫症完全解决至关重要.
• 当前的诊断方法可能会从先进的计算工具中受益,以提高准确性和效率.

研究的目的:

• 开发和评估基于深度学习的分类模型,用于超声波图像中计算机辅助的强迫症诊断.
• 为了提高诊断性能,专门针对部头骨区域.
• 评估该模型在区分正常和受强迫症影响的部头骨之间的有效性.

主要方法:

• 一种深度学习方法,利用YOLO检测部大脑膜和VGG16用于超声波图像中的强迫症概率估计.
• 该模型在158名受试者 (67名强迫症患者,91名正常患者) 上进行了训练和验证,使用了五倍交叉验证策略.
• 在一个专注于检测到的部大脑部的模型和一个分析整个图像的模型之间进行了性能比较.

主要成果:

• 部头骨检测实现了超过0.95.9的平均平均精度 (mAP).
• 侧重于骨头的强迫症概率估计模型表现出高性能:准确性 (0.890),精度 (0.888),回忆 (0.927),F1得分 (0.894),AUC (0.962).
• 这种专注的方法胜过了对整个图像进行分类的模型,这表明了特定区域分析的重要性.

结论:

• 拟议的深度学习方法有效地将强迫症分类到超声波图像中,通过专注于部头骨.
• 结果强调了这种计算机辅助诊断工具在改善临床环境中强迫症检测方面的潜力.
• 未来的研究应该探索将这种方法整合到医生常规医疗检查中.