在肌肉骨放射图中用于投影和身体侧面分类的深度学习方法
Anna Fink1, Hien Tran2, Marco Reisert3,4
1Department of Diagnostic and Interventional Radiology, Medical Center - University of Freiburg, Faculty of Medicine, University of Freiburg, Breisacher Str. 64, 79106, Freiburg, Germany. anna.fink@uniklinik-freiburg.de.
European radiology experimental
|February 14, 2024
概括
深度学习模型准确地分类肌肉骨放射图投影和身体侧面,提高工作流程的效率. 这些人工智能工具有助于数据排序,并减少放射学中的错误,增强患者护理.
科学领域:
- 放射学中的人工智能
- 对于医学成像的深度学习
- 肌肉骨放射学工作流程优化 工作流程优化
背景情况:
- 越来越多的肌肉骨疾病增加了放射性工作量,需要改进工作流程.
- 自动化元数据分类系统对于管理大型放射学数据集至关重要.
- 开发了一个大规模的,具有良好的特征的肌肉骨放射数据集.
研究的目的:
- 训练深度学习神经网络,用于分类放射投影和身体侧面.
- 在临床放射学环境中评估AI模型的性能.
- 为了提高肌肉骨放射分析的效率和准确性.
主要方法:
- 这是一项回顾性研究,利用13,098个肌肉骨放射学研究 (23,663张图像).
- 开发和培训两个分类网络 (Xception架构) 用于投影和车身侧识别.
- 使用持久测试集的性能评估和使用Grad-CAM热图的可解释性分析.
主要成果:
- 模型实现了高精度:投影为0.975,侧身分类为0.976.
- 错误是最小的,主要发生在非标准的投影或解剖过渡.
- Grad-CAM热图可视化了影响网络预测的关键图像区域.
结论:
- 深度学习模型在分类肌肉骨放射图表方面表现出色.
- 开发的网络可以作为预排序算法来优化放射学工作流.
- 这些人工智能工具支持研究,数据标准化和错误减少,改善患者护理.


