通过使用卷积神经网络算法从斜射线影像检测宫前狭窄
Jihie Kim1, Jae Jun Yang2, Jaeha Song3
1Department of Artificial Intelligence, Dongguk University, Seoul, Korea.
Yonsei medical journal
|June 24, 2024
概括
一个新的卷积神经网络 (CNN) 算法准确地从斜射线图中诊断出宫前狭窄. 这种人工智能工具的准确性高于人类外科医生,有可能改善这种疾病的查.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 宫前狭窄的诊断通常依赖于MRI,这可能是昂贵和耗时的.
- 斜射线图是一种更容易获得的成像方式,但它们对前狭窄的诊断准确性可能有限.
- 开发自动诊断工具可以提高临床环境中的效率和准确性.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 算法,用于使用斜射线图诊断宫前狭窄.
- 为了比较CNN算法的诊断准确度与人类专家的解释.
主要方法:
- 使用了997名患者的数据集,其中包括宫MRI和斜X射线图.
- 斜射线图被标记为基于MRI地面真相的前狭窄.
- 使用数据增强,预处理和转移学习开发了一个CNN模型 (DenseNet161).
- 梯度加权类激活映射 (Grad-CAM) 用于模型可视化.
主要成果:
- 在CNN模型中,曲线下的面积 (AUC) 为0.889.9.
- 该模型表现出高性能,F1得分为88.5%,准确度为84.6%,精度为88.1%,回忆率为88.5%.
- 美国有线电视新闻网的准确性明显超过了两个骨科外科医生 (64.0%和58.0%).
- 格拉德-CAM分析表明,CNN专注于前和磁盘空间区域.
结论:
- 一个CNN算法有效地检测到从斜X射线图的宫神经前狭窄.
- 开发的CNN显示了具有高AUC,F1得分和准确性的有希望的结果.
- 用这种CNN模型增强的宫斜率放射能可以作为神经前狭窄症的有效查工具.
