使用知识图和卷积神经网络的膝盖放射图的自动质量评估

科学领域:

• 放射学 放射学是一门学科.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 射线放射对于诊断至关重要,但手动质量控制 (QC) 是低效和不一致的.
• 当前的质量控制方法与大型数据集作斗争,需要自动化解决方案.
• 有效的质量控制对于保持医学成像诊断的准确性至关重要.

研究的目的:

• 开发一个多标准的人工智能 (AI) 系统,用于自动化膝盖放射学质量评估.
• 提高放射学图像质量评估的效率和一致性.
• 建立AI驱动的质量评估标准,以满足当前的质量控制需求.

主要方法:

• 开发了一种膝盖X光学QC知识图,包含16种获取技术和5种清晰度标签.
• 使用ResNet模型同时进行分类 (缺陷检测) 和回归 (清晰度评分).
• 在4324张膝盖放射图上训练并验证了AI模型,并对865张图像进行了测试.

主要成果:

• 人工智能系统 (QC4) 在获取技术特征方面实现了98.42%的精度,超过了手动评估 (QC1-QC3).
• 人工智能清晰度评估 (QC4) 显示了0.303 ± 0.018的平均绝对误差 (MAE),与技术人员 (QC3 MAE:0.237 ± 0.016) 相比.
• 人工智能系统在识别图像质量缺陷方面表现出高准确度.

结论:

• 人工智能系统有效地分类了膝盖放射图的采集技术.
• 虽然图像清晰度评估需要进一步改进,但人工智能性能接近人类专家的水平.
• 使用知识图和卷积神经网络的AI驱动的QC具有临床应用的巨大潜力.