通过使用先进的深度学习模型与相对较小的数据集,在阴茎撕裂检测中实现高精度
Erdal Güngör1, Husam Vehbi2, Ahmetcan Cansın3
1Department of Orthopaedics and Traumatology, Medipol University Esenler Hospital, Istanbul, Turkey.
概括
先进的深度学习模型,YOLOv8和EfficientNetV2,在MRI扫描上有效地检测阴茎撕裂. 这种人工智能系统有助于更快的诊断,并减少医生的工作量,即使数据有限.
科学领域:
- 骨科成像分析 骨科成像分析
- 放射学中的人工智能
- 深度学习用于医学诊断.
背景情况:
- 阴茎撕裂是常见的膝盖损伤,需要准确的诊断.
- 磁共振成像 (MRI) 对于可视化阴茎病理至关重要.
- 当前的诊断方法可能耗时,需要专门的专业知识.
研究的目的:
- 评估YOLOv8和EfficientNetV2在MRI上检测阴茎撕裂的有效性.
- 用有限的数据集评估这些深度学习模型的性能.
- 确定人工智能的潜力,以提高半径撕裂诊断的效率.
主要方法:
- 利用了642个膝盖MRI扫描的数据集,由骨科外科医生进行注释.
- 采用了两阶段的深度学习方法:YOLOv8用于半月板局部化和EfficientNetV2用于撕裂检测.
- 训练并验证了在斜腰和冠状MRI视图上的模型.
主要成果:
- YOLOv8在阴茎局部化方面取得了高性能,mAP@50得分为0.98 (斜面) 和0.985 (冠状).
- EfficientNetV2表现出优异的阴茎撕裂检测能力,AUC分数为0.97 (松下) 和0.98 (冠状).
- 这些模型在识别和定位半径撕裂方面表现出极高的准确性.
结论:
- 最先进的深度学习模型 (YOLOv8,EfficientNetV2) 显示出在MRI上检测阴茎撕裂的前景,尽管数据集很小.
- 人工智能系统产生即时的,结构化的报告,提高诊断速度和解释.
- 这项技术可以增强临床决策,减轻医生在骨科放射学中的工作负担.
