深度学习算法的应用用于术后部植入物切片的分类和定位
Jin Rong Tan1,2, Yan Gao3, Raghavan Raghuraman4
1Department of Diagnostic Radiology, Singapore General Hospital, Singapore General Hospital, Block 2, Level 1 Outram Road, Singapore, 169608, Singapore. Tan.jin.rong@singhealth.com.sg.
Skeletal radiology
|May 21, 2024
概括
深度学习模型可以在高精度的骨盆X射线上检测植入物切片. 对象检测模型有效地定位了这些切片,显示了自动化分析的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 盆腔X光片中的植入物切片可能很难检测到.
- 需要自动检测方法来提高效率和准确性.
研究的目的:
- 评估使用卷积神经网络 (CNN) 检测和定位植入物切片的可行性.
- 为此任务开发和评估深度学习模型.
主要方法:
- 开发了两个深度学习模型:一个用于图像级别的分类,另一个用于对象检测.
- 使用了40191张盆腔放射图的数据集,分为培训,验证和测试集.
- 使用准确度,灵敏度,特异性和AUROC等指标来评估性能.
主要成果:
- 该分类模型实现了99.7%的准确度,84.6%的灵敏度和99.8%的特异性.
- 对象检测模型在真实正图像上显示了95.5%的定位精度.
- 这些模型在检测和定位植入物切片方面表现出很高的性能.
结论:
- 深度学习模型是可行的,用于检测和定位在盆腔X线图中植入物切断.
- 这项研究是用于骨科成像中人工智能驱动分析的概念验证.
