在X射线图像中探索深度学习放射学来对骨质疏松性脊椎骨折进行分类
Jun Zhang1,2, Liang Xia2, Jiayi Liu2
1Department of Radiology, Shanghai Tenth People's Hospital, Clinical Medical College of Nanjing Medical University, Shanghai, China.
Frontiers in endocrinology
|April 12, 2024
概括
使用X射线图像的深度学习放射学模型有效地分类骨质疏松性脊椎骨折 (OVF). 与ImageNet相比,RadImageNet数据集显著提高了预测准确性,证明了可靠的概括性.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 整形外科 整形外科 整形外科
背景情况:
- 骨质疏松性脊椎骨折 (OVF) 是一个重要的健康问题,通常使用传统方法很难准确地分类.
- 准确的OVF分类对于适当的治疗和管理至关重要,影响患者的治疗结果.
- 深度学习和放射学为提高骨成像诊断精度提供了有希望的途径.
研究的目的:
- 开发和验证一个深度学习放射学 (DLR) 模型,用于使用X射线图像预测骨质疏松性脊椎骨折 (OVF) 的分类.
- 为了比较在RadImageNet和ImageNet数据集上预训练的DLR模型的性能.
- 评估开发的DLR模型在多个验证集中的通用性.
主要方法:
- 通过X射线,CT和MRI检查了1076个脊椎的942名患者.
- 使用了具有深度转移学习 (DTL) 的ResNet-50架构,在RadImageNet和ImageNet上进行了预训练.
- 从X射线图像中提取了放射学和DTL特征,并并使用后勤回归优化为OVF分类 (Class 0,1,2).
主要成果:
- 与ImageNet模型相比,在RadImageNet上预训练的DLR模型在训练,内部,外部和潜在验证集中表现出卓越的性能.
- 使用RadImageNet模型观察到曲线下面积 (AUC) 的统计学显著改善 (P<0.05).
- 基于RadImageNet的模型在OVF分类中获得了高AUC:0.969为类0,0.945为类1和0.809为类2.
结论:
- 开发的深度学习放射学模型,利用RadImageNet数据集,有效地从X射线图像中预测骨质疏松性脊椎骨折的分类.
- 与基于ImageNet的模型相比,基于RadImageNet的DLR模型表现出优越的预测性能和通用性.
- 这种方法具有显著的潜力,可以提高临床实践中OVF诊断的准确性和效率.
