基于计算机断层扫描的轨道爆裂骨折的诊断和分类深度学习方法
Suyoung Kim1, Hyeon Kang Koh2, Hyungwoo Lee3
1Candidate, Konkuk University School of Medicine, Chungju, Republic of Korea.
概括
深度学习模型从面部CT扫描中准确地检测和分类轨道爆裂骨折 (BOF),区分急性和旧损伤,以帮助临床决策.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 眼科医生 眼科 眼科
背景情况:
- 爆发骨折 (BOF) 是常见的轨道损伤,需要及时诊断.
- 计算机断层扫描 (CT) 对于准确的BOF诊断和管理至关重要.
- 深度学习 (DL) 可以提高诊断速度和准确性,特别是在资源有限的环境中.
研究的目的:
- 开发和评估使用面部CT检测和分类BOF的DL模型.
- 评估模型确定骨折状态,位置和时间的能力.
主要方法:
- 对233名患者的1,264张面部CT扫描进行了回顾性分析.
- 开发了三个DL模型:BOF检测,位置分类和时间分类.
- 使用精度,PPV,灵敏度,F1得分和AUC的性能评估.
主要成果:
- 该BOF检测模型实现了99.5%的准确性和0.9999的AUC.
- BOF位置分类准确率为97.4%,F1得分为90.8%.
- BOF时间分类准确率为96.8%,F1得分为89.9%.
结论:
- DL模型在诊断和分类面部CT的BOF方面具有很高的可靠性.
- 这些模型可以准确地区分急性骨折和老骨折.
- 开发的DL工具支持用于轨道骨折管理的临床决策.
