一个基于深度学习的算法,用于在前额手腕放射图中自动检测状位

科学领域:

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

背景情况:

• 围突起是一种严重的手腕损伤,需要准确的诊断.
• 目前的诊断方法依赖于射线图解读,这可能具有挑战性.

研究的目的:

• 开发和评估深度学习算法,用于自动检测周围位脱位.
• 为了评估算法在前后手腕X射线图上的性能.

主要方法:

• 两种YOLOv8深度神经网络模型在374张手腕放射图上受过训练.
• 一个模型检测了手腕区域;第二个细分了关键区域用于位检测.
• 集成平均值被用来分配正常或病理发现的概率.

主要成果:

• 该算法实现了整体F1得分为0.880.
• 它在正常 (F1得分0.928,精度1.0) 和病理 (F1得分0.833,回忆1.0) 亚组中表现出很高的性能.
• 这项研究表明,通过自动化放射图分析,诊断得到了改进.

结论:

• 深度学习算法可以有效地检测前后手腕X射线图中的状位.
• 自动化分析显示,这种手腕损伤的诊断准确性和效率有可能提高.
• 在更大的数据集中进行进一步验证是有必要的.