深度学习应用的脊椎压缩骨折检测使用面具R-CNNN的应用

科学领域:

• 整形外科成像 整形外科成像
• 医学中的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 脊椎压缩骨折 (VCFs) 影响胸脊柱,通常是由于骨质疏松症或创伤.
• 早期的VCF诊断对于预防患者并发症至关重要.
• 平面射线图是VCF评估的标准.

研究的目的:

• 开发和评估用于检测VCF的深度学习模型.
• 评估模型作为骨科初级保健工具的实用性.

主要方法:

• 一个数据集由487个横向放射和598个VCF (L1-T11) 组成.
• 面具R-CNN模型被训练用于VCF检测,并与布面具R-CNN,YOLOACT和YOLOv5.5进行比较.
• 使用实例细分来定位像素智能的断裂.

主要成果:

• 面具R-CNN实现了VCF检测的最高平均精度 (0.58).
• 该模型表现出高灵敏度,特异性和准确性,表明精确的骨折识别.
• 实现了骨折的像素智能定位.

结论:

• 开发的Mask R-CNN模型显示了从X射线图中检测VCF的巨大潜力.
• 这种人工智能工具可以帮助骨科初级保健医生在初始VCF诊断.
• 准确和及时的VCF检测可以改善患者的治疗结果.