在腰部磁共振图像中基于深度学习的磁盘的自动检测和分级

科学领域:

• 医疗成像医学成像
• 人工智能的人工智能
• 放射学 放射学是一门学科.

背景情况:

• 腰椎MRI解释是复杂和耗时的.
• 在医生之间存在诊断准确度的变化.
• 自动化分析可以提高效率和一致性.

研究的目的:

• 开发一个改进的人工智能模型用于腰椎MRI分析.
• 为了应对椎间盘特征提取方面的挑战.
• 提高诊断准确度,减少解释时间.

主要方法:

• 一个改进的YOLOv8模型 (GE-YOLOv8) 被开发出来,它包含了一个梯度搜索 (GS) 模块和高效通道注意力 (ECA).
• 将GS模块集成到骨干网络中,以改善关键结构的功能学习.
• 使用ECA模块来优化特征通道重量并改善小病变的检测.

主要成果:

• 与基线YOLOv8.8相比,GE-YOLOv8模型显示参数减少了2.1%.
• 该模型在mAP50 (平均精度在50%的IOU) 中比YOLOv8.8取得了4.4%的改进.
• GE-YOLOv8显示了统计学上显著的改进 (P < .001) 和内部和外部数据集的卓越准确性.

结论:

• 该GE-YOLOv8模型在自动腰椎脊柱MRI分析方面取得了重大进展.
• 这种人工智能方法可以提高诊断脊髓疾病的准确性和效率.
• 开发的模型显示了降低诊断变异性和改善临床工作流程的潜力.