人工智能检测椎骨折使用卷积神经网络模型
Wongthawat Liawrungrueang1, Inbo Han2, Watcharaporn Cholamjiak3
1Department of Orthopaedics, School of Medicine, University of Phayao, Phayao, Thailand.
Neurospine
|October 4, 2024
概括
这项研究开发了一个深度学习模型,使用卷积神经网络 (CNN) 来检测X射线的椎骨折. 人工智能工具实现了高精度,帮助放射科医生更有效地诊断骨折.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 椎骨折需要准确和及时的诊断.
- 放射性解读可能具有挑战性,可能导致错过的骨折.
- 计算机辅助诊断有望提高诊断准确度.
研究的目的:
- 开发和评估一个卷积神经网络 (CNN) 模型,用于自动检测椎骨折.
- 评估深度学习在从放射性X射线图像分类椎骨折的性能.
- 探索AI在协助放射科医生诊断椎骨折方面的潜力.
主要方法:
- 使用CNN对500张侧椎X射线图像 (250张正常,250张骨折) 开发了一个分类模型.
- 数据集被分为70%用于培训和30%用于测试.
- 康斯坦茨信息矿工 (KNIME) 用于数据注释,预处理,模型训练和评估.
主要成果:
- 该CNN模型表现出高灵敏度 (骨折为0.886,正常情况下为0.957) 和特异性 (骨折为0.957,正常情况下为0.886).
- 骨折的精度值为0.954,正常病例为0.893,这表明假阳性率低.
- 整体精度达到了92.14%,收音机操作特征曲线下的区域显示出强的性能.
结论:
- 深度学习模型可以有效地应用于计算机辅助诊断椎骨折.
- 开发的CNN技术显示,有可能协助放射科医生查和诊断椎骨折.
- 这种人工智能驱动的方法可能会提高放射学诊断效率和患者的治疗结果.
