一个基于机器学习的量化系统,用于在脊柱X射线上自动诊断腰椎脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱脊柱...

科学领域:

• 医疗成像医学成像
• 医疗保健中的人工智能
• 脊柱诊断 脊柱诊断 脊柱诊断 脊柱诊断

背景情况:

• 目前的腰椎脊髓疏松症诊断依赖于主观的专家判断,缺乏标准化的标准.
• 对客观和自动化诊断工具的需求对于一致的患者护理至关重要.
• 现有的方法在标准化和可重复性方面存在挑战.

研究的目的:

• 开发和验证一种新的,完全自动化的腰椎脊髓缩的诊断系统.
• 为了提高腰椎脊髓溶解症诊断的客观性和标准化.
• 为了提供准确的检测,分类和定位腰椎脊髓炎.

主要方法:

• 开发了一个两阶段的深度学习系统.
• 第1阶段:用主要样本注意力 (PISA) 掩盖R-CNN进行脊椎细分.
• 第二阶段:光渐变增强机 (LGBM) 用于使用936张横向X射线图的细分脊椎进行脊髓缩诊断.

主要成果:

• 面膜R-CNN与PISA在脊椎细分方面取得了很高的性能 (mAP50: 0.9852,mAP75: 0.9179).
• 该LGBM分类器显示出非常好的诊断准确度 (准确度:0.9660,AUC:0.9843,F1得分:0.9020).
• 该系统在数据集中成功检测,分类和局部化腰椎脊髓缩.

结论:

• 开发的自动化系统为诊断腰椎脊髓溶解提供了强大而准确的解决方案.
• 这种由人工智能驱动的方法解决了主观专家判断和标准化问题的局限性.
• 该系统显示出在脊柱诊断中临床应用的巨大潜力.