层次深度学习系统用于CT图像上的轨道断裂检测和陷门分类
Hiroaki Oku1, Yuto Nakamura2, Yuma Kanematsu2
1Department of Ophthalmology, Kyoto Prefectural University of Medicine, Kyoto, Japan.
Computers in biology and medicine
|July 11, 2025
概括
一个新的深度学习系统在CT扫描上准确地检测到轨道骨折,并将其分类为抑郁或陷门类型. 这种人工智能工具可以帮助外科医生识别需要立即干预的关键陷门骨折.
科学领域:
- 医疗成像中的人工智能
- 深度学习用于诊断准确性
- 放射学和医学图像分析
背景情况:
- 轨道骨折是常见的伤害,特定类型如陷门骨折需要紧急外科治疗.
- 在计算机断层扫描 (CT) 图像上准确及时检测轨道骨折对于患者管理至关重要.
- 区分不同的骨折类型,如压力和陷门,可能是具有挑战性的,并影响治疗决策.
研究的目的:
- 开发和评估一个层次的深度学习系统,用于检测CT图像上的轨道骨折.
- 使用开发的系统,将检测到的轨道骨折分为压抑或陷门类型.
- 评估系统在切片和患者层面的诊断准确性,灵敏度和特异性.
主要方法:
- 一项回顾性研究分析了686名确诊的轨道骨折患者的CT图像.
- 采用了两阶段的层次深度学习模型:YOLOv8用于骨折检测和视觉转换器用于分类.
- 使用包括精度,灵敏度,特异性和接收器操作特征曲线 (AUC-ROC) 下的面积在内的指标来评估性能.
主要成果:
- 在骨折检测方面,YOLOv8检测器实现了高患者水平的高性能 (94.7%的灵敏度,90.0%的特异性).
- 视觉变压器分类器在区分骨折类型方面表现出色的切片级性能 (91.5%的灵敏度,83.5%的特异性).
- 完整的系统正确识别了18/20个没有骨折的病例,35/40个压力骨折,以及15/17个陷门骨折.
结论:
- 层次深度学习系统在检测轨道骨折和将其分类为压抑或陷门方面表现出高度准确性.
- 这种人工智能方法可以帮助快速识别陷门骨折,促进及时的手术干预.
- 该系统在对轨道骨折评估的专业放射专业知识的访问有限的环境中具有潜在价值.
