高灵敏度的方法用于自动检测小儿 X 射线图中的肋骨骨折

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 儿科放射学 儿科放射学

背景情况:

• 幼儿的肋骨骨折强烈表明非意外的创伤.
• 在儿科放射图上检测这些骨折是具有挑战性的,因为导向,阻塞和微妙性.
• 之前的研究表明,在初始解释过程中,错过肋骨骨折率很高.

研究的目的:

• 为了提高儿童胸部X射线影像中肋骨骨折检测的灵敏度和局部化.
• 开发人工智能辅助的工具,以提高放射科医生在识别微妙骨折方面的表现.

主要方法:

• 适应卷积神经网络 (CNN) 架构 (RetinaNet,YOLOv5) 用于骨折检测.
• 实施了一个"雪崩决策"计划,以动态调整检测值.
• 使用多种图像预处理技术和模型组合.
• 在一个自定义的数据集上训练并验证了模型,其中包括使用10倍交叉验证的1109个标记的儿科胸部X射线图.

主要成果:

• 性能最好的模型,一个由三个YOLOv5模型组成的组合,具有多种输入处理和雪崩决策方案,获得了0.725 ± 0.012.0的F2得分.
• 这一表现接近专家放射科医生的F2评分 (0.732).
• 开发的方法显著提高了检测儿科肋骨骨折的灵敏度.

结论:

• 灵敏度驱动方法的组合,包括CNN和雪崩决策方案,产生与专家人类读者可比的对象检测性能.
• 这些由人工智能驱动的方法提供了一种可行的策略,用于提高儿科放射学中所有肋骨骨折的检测率.
• 这项技术有可能有助于对幼儿非意外创伤的关键诊断.