在面部骨CT图像中自动检测面部中部骨折,使用基于深度学习的物体检测模型

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 计算机视觉 计算机视觉

背景情况:

• 面部中部骨折很常见,但在紧急情况下经常错过,延迟了关键的手术干预.
• 目前的诊断成像方法可能耗时,导致治疗时间延长.
• 深度学习为快速准确的断裂检测提供了一个潜在的解决方案.

研究的目的:

• 开发和评估用于自动检测中脸部骨折的深度学习系统.
• 提高在紧急医疗中诊断面部中部骨折的速度和准确性.
• 为患者和急诊室医生提供一个有利于患者和急诊室医生的工具.

主要方法:

• 使用了100个计算机断层扫描 (CT) 数据集,其中包含面部中部骨折 (大骨,骨,鼻腔,轨道).
• 在轴心CT图像上注释骨折区域,以创建培训和验证数据集.
• 采用了对象检测算法,单击多盒检测器 (SSD) 和你只看一次版本8 (YOLOv8),用于模型培训和验证.

主要成果:

• 固态硬盘模型的精度为0.872,回忆率为0.823,F1得分为0.846,平均精度为0.899.
• YOLOv8模型的精度为0.871,回忆率为0.775,F1得分为0.82,平均精度为0.769.
• 这两种模型在自动检测中脸部骨折方面都表现出了有希望的表现.

结论:

• 深度学习技术能够准确,快速地自动检测面部中部骨折.
• 开发的系统显示了在临床环境中自动检测骨折的潜力.
• 这种人工智能驱动的方法为紧急医疗护理和骨折诊断提供了快速而精确的解决方案.