深度学习用于骨高原骨折检测和分类
N van der Gaast1, P Bagave2, N Assink3
1Department of Orthopaedics & Trauma Surgery, Flinders Medical Centre and Flinders University, Adelaide, SA, Australia; Department of Trauma Surgery, Radboud University Medical Center, Radboud University Nijmegen, the Netherlands.
The Knee
|March 2, 2025
概括
深度学习模型可以以高灵敏度检测骨高原骨折,但难以准确的沙茨克分类. 需要进一步的研究来提高这些复杂骨折的分类准确性.
科学领域:
- 整形外科手术 整形外科手术
- 放射学 放射学是一门学科.
- 人工智能的人工智能是人工智能.
背景情况:
- 深度学习 (DL) 在解释放射图以检测和分类骨折方面表现有前途.
- 没有先前的研究已经开发了一个计算机视觉模型,用Schatzker分类系统用于骨高原骨折.
研究的目的:
- 开发一个深度学习模型来检测骨高原骨折.
- 根据Schatzker分类系统对骨高原骨折进行分类.
主要方法:
- 收集和注释了来自753名患者的1506张膝盖放射图的多中心数据集.
- 两个卷积神经网络,谷歌网和ResNet,被训练用于骨折检测和沙茨克分类.
主要成果:
- 谷歌网模型在检测骨高原骨折方面获得了高灵敏度 (92.7%),准确度中等 (70.4%).
- 沙茨克系统的分类准确度有限 (34.6%的准确度,32.1%的灵敏度).
结论:
- 深度学习算法可以有效地检测骨高原骨折.
- 为了提高沙茨克分类的DL模型准确性,需要进一步开发,可能会探索由于观察者之间一致性较低的替代分类系统.


