使用人工智能在全景放射学中检测和分类下骨折
Amir Yari1, Paniz Fasih2, Mohammad Hosseini Hooshiar3
1Department of Oral and Maxillofacial Surgery, School of Dentistry, Kashan University of Medical Sciences, Kashan, 8715973474, Iran.
Dento maxillo facial radiology
|April 23, 2024
概括
YOLOv5深度学习模型显示出从全景X射线中识别下骨折的前景,特别是在身体和交合体区域. 这项技术可以帮助临床医生诊断各种类型的骨折.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 口腔和牙面部外科手术
背景情况:
- 骨骨折是常见的面部损伤,需要准确的诊断.
- 放射性解读对于确定骨折位置和类型至关重要.
- 深度学习模型为医疗图像的自动化分析提供了潜力.
研究的目的:
- 评估YOLOv5深度学习模型在检测各种类型下骨折方面的性能.
- 为了评估下骨折的不同解剖位置的模型的准确性.
主要方法:
- 一个数据集由498张全景放射图与673个下骨折进行了策划.
- YOLOv5算法被训练来检测六种类型的骨折:交叉骨头,身体,角度,骨头,状子和状头.
- 计算了性能指标,包括准确度,精度,灵敏度,特异性,子系数 (F1得分) 和AUC.
主要成果:
- YOLOv5模型在检测身体 (96.21%) 和共 (95.87%) 骨折方面表现出很高的准确性.
- 对于身体骨折 (96.67%) 的敏感度最高,而对交合体骨折 (98.96%) 的特异性最高.
- 性能因骨折类型而异,状骨头骨折显示较低的检测指标 (例如,子系数0.706).
结论:
- YOLOv5深度学习模型显示了作为检测下骨折的诊断辅助工具的巨大潜力.
- 该模型在识别身体和交合体区域的骨折方面表现良好.
- 进一步开发可以增强检测不太常见或更复杂的骨折类型.


