使用一组细分方法在X射线图上检测脊椎体
Brian C Chang1, Jonathan Renslo2, Qifei Dong1
1From the Departments of Biomedical Informatics and Medical Education (B.C.C., Q.D., G.L.), University of Washington, Seattle, Washington.
AJNR. American journal of neuroradiology
|August 29, 2024
概括
一个整体模型有效地检测脊椎体 (VBs) 和骨折在脊柱放射图,改善骨质疏松症查. 这种自动化工具提高了老年人脊椎压缩骨折的诊断准确度.
科学领域:
- 医学成像分析分析 医学成像分析
- 放射学中的人工智能
- 骨质疏松症查 骨质疏松症查
背景情况:
- 脊椎压缩骨折是骨质疏松症的常见指标,但经常被低诊断.
- 放射科医生经常低估脊椎压缩骨折,导致错过诊断.
- 需要自动化工具通过脊椎体骨折检测对骨质疏松症进行机会性查.
研究的目的:
- 开发一组脊椎体 (VB) 分段模型,用于横向放射.
- 为骨质疏松症创建一个自动化,机会性查工具的组件.
- 检测胸部和腰部VB的位置,并在横向放射图上识别骨折的脊椎.
主要方法:
- 两个细分模型U-Net和Mask R-CNN (基于区域的卷积神经网络) 在男性骨质疏松骨折研究 (MrOS) 数据集上接受了训练.
- 通过结合U-Net和Mask R-CNN模型的预测,创建了一个整体模型.
- 在内部和外部数据集上使用精度,回忆,F1得分,IoU交叉点和Dice系数来评估性能.
主要成果:
- 整体模型在检测所有VB时获得了88.34%的F1得分,在检测严重骨折的脊椎时获得了97.14%.
- 整体模型在外部数据集上表现出强的表现,在检测所有VB时获得了87.72%的F1得分.
- 在VB检测中,整体模型与单个U-Net和Mask R-CNN模型相比表现优越.
结论:
- 结合U-Net和Mask R-CNN的整体模型显著改善了在横向放射图上检测脊椎体和骨折的情况.
- 开发的整体模型显示出对外部数据集的优异通用性,表明其对现实世界的临床应用的潜力.
- 该模型是自动机会性查工具的关键组成部分,用于检测脊椎骨折并帮助诊断骨质疏松症.
