儿科脊柱放射图的深度学习分类,用于大规模成像注册表
Kellen L Mulford1, Christina M Regan1, Julia E Todderud1
1Department of Orthopedic Surgery, Orthopedic Surgery Artificial Intelligence Lab, Mayo Clinic, 200 First Street SW, Rochester, MN, 55905, USA.
Spine deformity
|July 22, 2024
概括
这项研究开发了一种深度学习算法,以高准确性自动分类儿科脊柱脊椎脊柱放射图. 高效的分类系统有助于创建大型的标记成像注册表,以改善数据管理.
科学领域:
- 医疗成像医学成像
- 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:
- 儿科脊柱脊柱病的诊断依赖于脊柱放射图的准确解释.
- 这些图像的手动分类是耗时的,容易变化.
- 自动化这个过程可以提高临床实践的效率和一致性.
研究的目的:
- 开发和应用一个深度学习算法,用于自动分类儿科脊柱脊柱脊柱放射图.
- 创建一个强大的系统,能够区分手术前和手术后脊柱成像类别.
主要方法:
- 从脊椎形患者中提取了7777张前后 (AP) 和5621张侧脊椎放射图.
- 将图像分为十个类别 (手术前和术后).
- 在70:15:15的培训,验证和测试中训练了一个深度学习分类器 (EfficientNet B6).
主要成果:
- 在测试套件上实现了完美的精度 (1.00),无论是AP还是横向放射.
- 证明了高精度 (AP的0.98-1.00,侧向的0.91-1.00).
- 在图像类别中,以不到100个示例的图像类别的性能略低.
结论:
- 一个深度学习的卷积神经网络在分类10种类型的脊柱脊柱放射图中取得了很高的准确性.
- 在更普遍的图像类别中,该模型的性能优越.
- 这种自动化分类系统是建立标记成像注册表的重大进步.
