相关实验视频
Updated: Jun 16, 2025
05:05
Four-Dimensional CT Analysis Using Sequential 3D-3D Registration
Published on: November 23, 2019
8.0K
使用基于深度学习中微粒度技术的X射线图像识别非典型的脊椎病模式
Yi Chen1,2, Zhong He1,2, Kenneth Guangpu Yang2,3
1Division of Spine Surgery, Department of Orthopedic Surgery, Affiliated Hospital of Medical School, Nanjing University, Nanjing Drum Tower Hospital, Nanjing, China.
Global spine journal
|June 12, 2025
概括
使用X射线图像的深度学习模型可以准确地选脊椎病,包括与Chiari形I型 (CMS) 相关的非典型模式. 这种人工智能工具表现出高性能,在诊断CMS相关的脊柱结石症方面与高级脊柱外科医生相匹配或超过.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 脊柱外科手术 脊柱外科手术
背景情况:
- 脊柱病是一种复杂的脊柱形.
- 非典型的脊椎形模式可能与潜在的神经疾病有关,如奇亚里形I型 (CMS).
- 准确和早期查这些疾病对于有效管理至关重要.
研究的目的:
- 使用X射线图像开发基于深度学习的分类模型.
- 查脊椎病,并专门识别与CMS相关的非典型模式.
- 为了评估这个诊断任务的不同ResNet-50模型配置的性能.
主要方法:
- 追溯分析了508对冠状和状X射线图像,这些X射线图像来自患有CMS,青少年异常学脊椎病 (AIS) 和正常对照组 (NC) 的患者.
- 开发和评估多个ResNet-50深度学习模型 (冠状, Sagittal,双, Concat,双线).
- 使用准确度,灵敏度,特异性,PPV,NPV,ROC曲线和热图进行表现评估,用于脊椎缩和CMS诊断.
主要成果:
- 该ResNet-50冠状元模型显示了最好的性能,用于一般的脊柱形查.
- 对于CMS诊断,ResNet-50冠状和ResNet-50双模的性能是最佳的.
- ResNet-50双模实现了与高级脊椎外科医生可比的性能,而ResNet-50冠状模型在CMS检测的特异性和PPV方面超越了他们. 热图突出了一些关键特征,如非典型的曲线和车倾斜.
结论:
- 基于ResNet-50的细粒度分类模型可以准确地选与CMS相关的非典型脊椎病模式.
- 该模型有效地利用放射性特征,如曲线类型,横向移位,段长和干部倾斜等用于分类.
- 这种深度学习方法为早期检测和诊断CMS相关的脊柱形提供了有希望的工具.
