一个神经网络模型用于使用统计形状模型提取特征对距离半径断裂的智能分类
Xing-Bo Cai1,2,3, Ze-Hui Lu4, Zhi Peng1,2
1Department of Orthopedic Surgery, The First People's Hospital of Yunnan Province, The Affiliated Hospital of Kunming University of Science and Technology, Kunming, Yunnan, China.
Orthopaedic surgery
|April 3, 2025
概括
结合统计形状模型 (SSM) 和神经网络 (NN) 的智能分类器可以准确地检测和分类远半径骨折. 这种人工智能工具有望改善骨科诊断和治疗规划.
科学领域:
- 整形外科成像分析分析
- 医学中的人工智能
- 生物机械建模 生物机械建模
背景情况:
- 距离半径骨折很常见,在紧急情况下,误诊率高达29%.
- 现有的AI断裂检测方法缺乏分类能力,需要大量的数据集.
- 准确分类远半径骨折对于有效的治疗规划至关重要.
研究的目的:
- 开发和验证远半径骨折的智能分类器.
- 将统计形状模型 (SSM) 与神经网络 (NN) 结合起来,用于骨折检测和分类.
- 利用CT成像数据为高效准确的诊断工具.
主要方法:
- 收集了80个CT扫描 (43个正常,37个骨折:科尔斯,巴顿,史密斯).
- 使用平均值和PCA特征建立远半径SSM,定义六个形态指标.
- 接受了SSM+NN分类器与SSM特征的培训,并使用四重交叉验证进行验证.
主要成果:
- 成功建立了正常和破裂的远距离半径的SSM.
- 群体间形态指标 (p < 0.001) 的显著差异.
- 在测试组中,分类器实现了97.5%的准确性,平均AUC为0.95.5.
结论:
- 基于CT的SSM+NN分类器准确地识别和分类远半径骨折.
- 这种新的方法为临床诊断提供了一个高效的,自动化的工具.
- 有潜力提高骨科诊断效率和治疗规划.


