基于深度学习的自动识别,从头骨X射线中对心室外皮膜-门模型进行自动识别
Marius Vach1, Daniel Weiss2, Vivien Lorena Ivan2
1Department of Diagnostic and Interventional Radiology, Medical Faculty and University Hospital Düsseldorf, Heinrich-Heine-University Düsseldorf, Moorenstraße 5, 40225, Düsseldorf, Germany. Marius.Vach@med.uni-duesseldorf.de.
Clinical neuroradiology
|January 14, 2025
概括
人工智能 (AI) 可以准确地识别头骨X射线中的腹腔关节 (VPS) 模型. 这种深度学习方法自动化了水脑治疗的关键步骤,提高了诊断效率.
科学领域:
- 神经外科 神经外科
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 腹腔关突变 (VPS) 对于水头管理至关重要.
- 在X射线上精确识别各种VPS门模型对于压力水平评估至关重要.
- 手动识别VPS模型可能是耗时且重复的.
研究的目的:
- 调查使用人工智能 (AI) 的可行性,特别是深度学习,用于在头骨X射线中自动识别 Ventriculoperitoneal Shunt (VPS) 门模型.
- 为了比较精心调整的卷积神经网络 (CNN) 的性能,与从头开始训练的模型进行VPS模型分类.
主要方法:
- 使用了959张头骨X射线的数据集,其中包括四种不同的VPS门模型 (Codman Hakim,Codman Certas Plus,Sophysa Sophy Mini SM8,proGAV 2.0)
- 一个卷积神经网络 (CNN) 使用分层五倍交叉验证进行了训练.
- 进行了微调的CNN (在ImageNet上预训练) 和从头开始训练的CNN之间的性能比较.
主要成果:
- 微调的CNN实现了0.98 ± 0.01的平均精度.
- 该模型表现出强的性能,宏观平均F1得分为0.93 ± 0.04,回忆率为0.94 ± 0.03,精度为0.95 ± 0.08.
- 这些结果在五个交叉验证分割中一致.
结论:
- 在使用CNN的头骨X射线中对VPS门模型的自动分类是可行的.
- 该研究支持AI的潜力,以简化VPS门模型识别和压力水平评估.
- 进一步的研究可以探索将这种AI方法集成到临床工作流程中,以提高效率.
