使用CNN和Grad-CAM进行肋骨骨折检测和可视化的一种全新整体方法
Ling Wu1, Hongyu Chen1, Puxu Li1
1Thoracic Surgery Department, Ningbo No.9 Hospital, 315020 Ningbo, Zhejiang, China.
Annali italiani di chirurgia
|January 16, 2025
概括
这项研究开发了一种使用卷积神经网络 (CNN) 的整体模型,以准确预测和定位CT扫描中的肋骨骨折. 该系统实现了高性能,有助于更快,更可靠的骨折诊断.
科学领域:
- 医学成像分析 医学成像分析
- 医疗保健中的人工智能
- 放射学 放射学是一门学科.
背景情况:
- 肋骨骨折是常见的伤害,需要准确的诊断.
- 目前的诊断方法可能会耗时,可能会错过微妙的骨折.
- 自动化系统有可能提高诊断效率和准确性.
研究的目的:
- 开发和评估用于预测和定位肋骨骨折的整体系统.
- 为了提高性能,利用多个卷积神经网络 (CNN) 架构.
- 为了利用梯度加权类激活映射 (Grad-CAM) 进行断裂定位可视化.
主要方法:
- 一个组合模型结合VGG16,DenseNet169,Inception V4,EfficientNet-B7和ResNeXt-50进行了训练.
- 该模型在42名患者的840个灰度CT扫描图像上进行了训练.
- 图像被分为治愈和新鲜骨折的类别.
主要成果:
- 整体模型实现了高精度 (0.96),AUC (0.97),回忆 (0.97),和F1得分 (0.96).
- Grad-CAM有效地可视化骨折位置,协助诊断.
- 该系统在识别肋骨骨折方面表现出强大的稳定性.
结论:
- 开发的整体模型显示了改善肋骨骨折的临床诊断准确性和效率的巨大潜力.
- 该系统准确预测和定位骨折的能力突显了其临床实用性.
- 未来的工作应该集中在更大,更多样化的数据集上,以进一步验证模型.
