使用深度学习对骨盆骨的自动化Risser等级评估.
Jeoung Kun Kim1, Donghwi Park2, Min Cheol Chang3
1Department of Business Administration, School of Business, Yeungnam University, Gyeongsan-si 38541, Republic of Korea.
Bioengineering (Basel, Switzerland)
|June 26, 2025
概括
这项研究开发了使用卷积神经网络 (CNN) 的深度学习模型,以自动化从盆腔放射图片中对Risser等级的评估,从而提高脊柱结石评估的效率和一致性.
科学领域:
- 医疗成像医学成像
- 医疗保健中的人工智能
- 整形外科 整形外科 整形外科
背景情况:
- 脊柱病的管理依赖于精确的Risser分级从盆腔X射线图.
- 手动Risser分级是耗时的,容易引起观察者之间的变化.
- 自动化这种评估可以提高临床工作流程和诊断准确度.
研究的目的:
- 开发和验证深度学习模型,用于自动化瑞塞等级评估.
- 使用卷积神经网络 (CNN) 来分析盆腔放射图.
- 提高青少年脊椎形患者里塞尔分级的效率和可靠性.
主要方法:
- 训练了两名CNN模型 (左和右骨盆) 在12-18岁患者的1619张骨盆放射图上.
- 采用多式联络方法,将图像数据与患者的年龄和性别相结合.
- 利用Adam优化,ReLU激活,dropout,批量正常化和数据增强来解决类不平衡.
主要成果:
- 右骨盆CNN模型的准确率达到83.64%,而左骨盆CNN模型的准确率达到80.56%.
- 这两种模型在Risser等级0,2和4方面都表现出强的表现.
- 右边模型的微平均F1得分为0.836和ROC AUC为0.895;左边模型分别达到0.806和0.872.
结论:
- 基于CNN的模型提供了一个有效的解决方案,用于自动化瑞塞等级评估.
- 自动分级可以显著减少临床医生的工作量,并最大限度地减少评估的变化.
- 这项技术有望简化脊柱形脊柱病的诊断和治疗计划.

