通过使用卷积神经网络在X射线中检测和分类骨折
Tai-Hua Yang1,2, Yung-Nien Sun3, Rong-Shiang Li3
1Department of Biomedical Engineering, National Cheng Kung University, Tainan 701, Taiwan.
Diagnostics (Basel, Switzerland)
|November 9, 2024
概括
检测微妙的骨骨折是具有挑战性的. 使用多视图X射线 (AP和LA) 的新型两级CNN模型显著提高了骨骨折检测和分类的准确性.
科学领域:
- 放射学 放射学是一门学科.
- 医疗成像医学成像
- 人工智能在医学中的应用
背景情况:
- 骨折通常是隐形的,由于细微的呈现,很难用标准的X射线检测到.
- 传统放射学在准确可视化非移位和隐藏的骨骨折方面存在局限性.
研究的目的:
- 开发和评估一个两阶段的卷积神经网络 (CNN) 方法,以加强骨骨折的检测和分类.
- 用多视图X射线成像来提高微妙的骨骨折的诊断准确度.
主要方法:
- 实施了一种两阶段的CNN模型,利用FPN与Faster RCNN用于骨检测 (第一阶段).
- 第二阶段涉及使用ResNet骨干,FPN和整合前后 (AP) 和侧面 (LA) X射线视图的多视图融合模块进行骨折分类.
- 该模型的评估是基于其检测骨骨和分类骨折的能力,重点关注多视图融合效益.
主要成果:
- 皮骨检测阶段实现了100%的准确性,在AP和LA视图上都获得了高的交叉与欧盟 (IoU) 分数.
- 多视图融合模型显示,骨折分类准确度 (89.94%),回忆率 (87.33%) 和精度 (90.36%) 的提高.
- 与单视图方法相比,多视图融合增强了骨折检测准确度,达到87.16% (AP) 和83.83% (LA).
结论:
- 拟议的多视图融合CNN模型有效地提高了骨骨折的检测和分类,特别是隐性和非位移类型.
- 这种自动化方法提供了一种可靠的工具,帮助临床医生更有效,更准确地诊断骨折.
- 多视图成像集成对于提高人工智能模型在诊断微妙骨损伤方面的灵敏度至关重要.
