自动断裂检测卷积神经网络与多个注意力区块使用多区域X射线数据
Rashadul Islam Sumon1, Mejbah Ahammad2, Md Ariful Islam Mozumder1
1Institute of Digital Anti-Aging Healthcare, Inje University, Gimhae-si 50834, Republic of Korea.
Life (Basel, Switzerland)
|July 29, 2025
概括
这项研究介绍了一种先进的人工智能 (AI) 模型,使用基于注意力的深度学习来改进X射线图像中的骨折检测. 人工智能模型显著提高了诊断的准确性,帮助及时的医疗治疗和更好的患者结果.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 在X射线中精确检测骨折对于及时的医疗干预至关重要.
- 目前的方法可能耗时,准确性可能有局限性.
- 深度学习为自动化和增强的诊断能力提供了潜力.
研究的目的:
- 开发和评估一个先进的综合注意力卷积神经网络 (CNN) 模型,以改善X射线图像中的骨折检测.
- 在优化之前和之后评估人工智能模型的诊断效率.
- 证明注意力机制在增强医疗图像分析的特征表示中的作用.
主要方法:
- 开发一个结合注意力CNN模型,包括挤压块和卷积块注意力模块 (CBAM).
- 训练和评估使用多个解剖部位 (部,膝盖,腰部,四肢) 的骨折和非骨折X射线的多种数据集.
- 使用计算机断层扫描X射线图像评估诊断性能,比较优化前后的疗效.
主要成果:
- 人工智能模型实现了99.98%的高训练精度和96.72%的验证精度.
- 基于注意力的CNN有效地专注于相关功能,改善骨折检测能力.
- 该模型在各种解剖位置上显示出强烈的概括性.
结论:
- 开发的基于注意力的CNN模型显示了医学成像中精确和自动骨折检测的重大前景.
- 整合注意力机制提高了模型解释X射线中复杂特征的能力.
- 这种人工智能方法可以支持临床医生,减少检查时间,改善患者的治疗结果.
