通过特征金字塔网络在平面放射学上检测近端大腿骨骨折

科学领域:

• 整形外科 整形外科 整形外科
• 放射学 放射学是一门学科.
• 人工智能的人工智能

背景情况:

• 部骨折每年在美国影响超过25万个人,全球发病率预计将大幅上升.
• 目前的诊断依赖于放射科医生对放射图的解释,这一过程可能耗时.

研究的目的:

• 开发和评估一个深度学习模型,用于检测和定位靠近的股骨骨折,使用平面放射学.
• 通过人工智能提高关节骨折诊断的准确性和效率.

主要方法:

• 扩展了VarifocalNet特征金字塔网络 (FPN),以创建用于骨折检测的深度学习模型.
• 在823张部放射图数据集上训练和评估模型,包括骨折患者和对照患者.

主要成果:

• 开发的模型在骨折检测中实现了0.94的特异性和0.95的灵敏性.
• 在灵敏度方面表现优于5个基准FPN模型,在灵敏度方面为6-14%,在准确度方面为1-9%.
• 超越了最先进的变压器模型的17%的灵敏度和5%的精度,在一半的时间内处理图像.

结论:

• 深度学习模型在检测近端股骨骨折的X射线图上表现出高性能.
• 这种人工智能工具有可能协助放射科医生进行机会性关节骨折查,并且可以与医院系统集成.